مترجم جدید DeepL احساسات را هم به زبان دیگر منتقل می‌کند

شرکت آلمانی DeepL روز ۱۱ نوامبر ۲۰۲۶ مدل هوش مصنوعی تازه‌ای به نام Aure معرفی کرد که هنگام ترجمه هم‌زمان گفتار، علاوه بر کلمات، تغییرات لحن، تأکید، سرعت صحبت‌کردن و حالت احساسی گوینده را نیز دنبال می‌کند. این فناوری به سرویس DeepL Voice اضافه شده و قرار است ترجمه صوتی را از تبدیل ساده جملات به زبانی دیگر فراتر ببرد؛ به‌گونه‌ای که شنونده بتواند تا حد بیشتری احساس و شیوه بیان فرد مقابل را در صدای ترجمه‌شده دریافت کند.

برخلاف بعضی سامانه‌های ترجمه صوتی که پس از دریافت نمونه‌ای از صدای گوینده، لحنی نسبتاً ثابت برای ترجمه انتخاب می‌کنند، Aure صدای ورودی را در طول مکالمه به‌صورت پیوسته تحلیل می‌کند. اگر فرد هنگام صحبت هیجان‌زده شود، بر واژه‌ای تأکید کند یا سرعت گفتارش را تغییر دهد، مدل تلاش می‌کند این تفاوت‌ها را در خروجی ترجمه نیز منعکس کند.

DeepL اعلام کرده مدل جدید هم‌اکنون در محصولات ترجمه صوتی این شرکت فعال شده و در مرحله نخست از هشت زبان پشتیبانی می‌کند: انگلیسی، آلمانی، اسپانیایی، فرانسوی، ایتالیایی، ژاپنی، پرتغالی و کره‌ای.

با وجود وعده‌های سازنده، هنوز نتایج آزمون مستقل و جامعی منتشر نشده که میزان دقت انتقال احساسات، تأخیر ترجمه یا برتری Aure نسبت به رقبای اصلی را در شرایط یکسان مشخص کند. بنابراین، قابلیت‌های مربوط به حفظ حالت عاطفی صدا فعلاً باید به‌عنوان عملکرد اعلام‌شده از سوی DeepL در نظر گرفته شوند.

چرا ترجمه درست کلمات همیشه کافی نیست؟

فرض کنید دو نفر که زبان یکدیگر را نمی‌دانند در یک جلسه کاری درباره موضوعی حساس گفت‌وگو می‌کنند. یکی از آن‌ها جمله‌ای را با لحنی آرام و اطمینان‌بخش بیان می‌کند، اما ترجمه صوتی همان جمله را با صدایی کاملاً یکنواخت پخش می‌کند.

ممکن است معنی واژه‌ها دقیق منتقل شده باشد، اما بخشی از پیام اصلی از دست رفته است.

انسان هنگام صحبت فقط اطلاعات را از طریق کلمات منتقل نمی‌کند. مکث، شدت صدا، سرعت گفتار و شیوه تأکید بر بعضی واژه‌ها می‌توانند معنی جمله را تغییر دهند.

برای مثال، جمله‌ای ساده ممکن است با لحن جدی به شکل هشدار بیان شود یا با لحنی دوستانه معنای متفاوتی پیدا کند.

در بعضی مکالمات، حتی فاصله میان دو جمله یا مکث پیش از پاسخ اهمیت دارد. شنونده از همین نشانه‌ها برای تشخیص تردید، اطمینان، نگرانی یا اشتیاق فرد مقابل استفاده می‌کند.

سامانه‌های ترجمه ماشینی طی سال‌های گذشته پیشرفت زیادی در انتقال محتوای گفتار داشته‌اند، اما بازسازی تمام ویژگی‌های بیان انسان مسئله پیچیده‌تری است.

در ترجمه متنی، مدل معمولاً با واژه‌ها و ساختار جمله سروکار دارد. در ترجمه صوتی، اطلاعات دیگری نیز وجود دارد که در متن نوشته‌شده دیده نمی‌شوند.

DeepL با معرفی Aure می‌خواهد بخشی از این اطلاعات را هنگام انتقال پیام به زبان دیگر حفظ کند.

البته تشخیص احساس از روی صدا همواره قطعی نیست. یک لحن مشخص ممکن است در فرهنگ‌ها یا موقعیت‌های مختلف برداشت متفاوتی ایجاد کند. به همین دلیل، حفظ ویژگی‌های صوتی لزوماً به معنی انتقال کامل و بدون خطای احساس واقعی گوینده نیست.

تفاوت Aure با فناوری قبلی DeepL Voice

DeepL پیش از معرفی Aure نیز روی حفظ ویژگی‌های صدای گوینده هنگام ترجمه کار کرده بود.

این شرکت در سپتامبر ۲۰۲۶ فناوری‌ای معرفی کرد که هدف آن حفظ صدای قابل‌شناسایی فرد در زبان مقصد بود.

در روش قبلی، سامانه از بخش آغازین مکالمه برای شناخت ویژگی‌های صوتی گوینده استفاده می‌کرد. سپس ترجمه‌ها را با صدایی تولید می‌کرد که از نظر ویژگی‌های کلی به صدای اصلی نزدیک باشد.

این روش می‌توانست به شنونده کمک کند هویت صوتی فرد را در ترجمه بهتر تشخیص دهد.

اما محدودیت مهمی داشت: صدای انسان در طول مکالمه ثابت نمی‌ماند.

ممکن است فرد در ابتدای جلسه آرام صحبت کند، هنگام توضیح یک موضوع مهم جدی‌تر شود و پس از شنیدن خبری خوش با هیجان بیشتری حرف بزند.

اگر سامانه فقط از چند ثانیه نخست برای تعیین ویژگی‌های صوتی استفاده کند، ممکن است نتواند تغییرات بعدی را به‌خوبی بازتاب دهد.

Aure برای کاهش همین محدودیت طراحی شده است.

طبق توضیح DeepL، مدل جدید به جای اتکا به یک نمونه ثابت، گفتار ورودی را در تمام مدت مکالمه تحلیل می‌کند.

سامانه هم‌زمان از محتوای ترجمه‌شده و صدای اصلی استفاده می‌کند تا مشخص کند خروجی باید با چه لحن و سرعتی بیان شود.

این تغییر به مدل امکان می‌دهد هنگام تغییر حالت گوینده، ویژگی‌های صدای ترجمه‌شده را نیز تغییر دهد.

با این حال، برای قضاوت درباره میزان موفقیت این روش، بررسی نمونه‌های واقعی در زبان‌ها و شرایط مختلف ضروری خواهد بود.

هوش مصنوعی چگونه احساس موجود در صدا را تحلیل می‌کند؟

برای درک عملکرد Aure باید میان محتوای گفتار و شیوه بیان آن تفاوت قائل شد.

محتوای گفتار همان اطلاعاتی است که از طریق واژه‌ها منتقل می‌شود. اما شیوه بیان، ویژگی‌هایی مانند آهنگ صدا، سرعت، مکث و تأکید را در بر می‌گیرد.

در پردازش گفتار، به مجموعه‌ای از این ویژگی‌های صوتی اصطلاحاً Prosody یا نوای گفتار گفته می‌شود.

برای مثال، بالا رفتن آهنگ صدا در بخشی از جمله می‌تواند نشانه پرسش یا تأکید باشد. کاهش سرعت گفتار نیز ممکن است برای برجسته‌کردن یک موضوع به کار برود.

DeepL می‌گوید در توسعه Aure تلاش کرده سه بخش اصلی را از یکدیگر تفکیک کند: هویت صوتی گوینده، محتوای سخن و ویژگی‌های نوایی گفتار.

این تفکیک اهمیت دارد، زیرا ترجمه به زبان دیگر ممکن است ساختار جمله را تغییر دهد.

برای نمونه، جایگاه فعل یا عبارت تأکیدی در زبان مقصد می‌تواند با زبان مبدأ متفاوت باشد. بنابراین نمی‌توان ویژگی‌های صوتی را همیشه به شکل مستقیم و بدون تغییر زمانی از یک جمله به جمله دیگر منتقل کرد.

مدل باید هم معنی جمله را در نظر بگیرد و هم نشانه‌های صوتی مربوط به شیوه بیان را تحلیل کند.

طبق توضیح DeepL، Aure برای تولید صدای ترجمه‌شده از ترکیب اطلاعات متن و صوت استفاده می‌کند.

شرکت همچنین از روش‌های مختلف آموزشی، از جمله یادگیری تقویتی، برای بهبود کیفیت خروجی بهره گرفته است.

یادگیری تقویتی روشی در هوش مصنوعی است که طی آن عملکرد مدل بر اساس معیارهای مشخص ارزیابی می‌شود و فرایند آموزش برای بهبود نتیجه ادامه پیدا می‌کند.

با این حال، جزئیات منتشرشده برای محاسبه مستقل دقت انتقال احساسات در تمام زبان‌های پشتیبانی‌شده کافی نیست.

چالش مهم؛ حفظ صدای فرد بدون اغراق در لهجه

ترجمه صوتی هم‌زمان فقط به تشخیص واژه‌ها و تولید صدای جدید محدود نمی‌شود.

سامانه باید بتواند ویژگی‌هایی را که باعث شناخته‌شدن صدای یک فرد می‌شوند حفظ کند.

برای مثال، دو نفر ممکن است جمله‌ای یکسان را با سرعت و آهنگ مشابه بیان کنند، اما صدای آن‌ها همچنان با یکدیگر متفاوت باشد.

در زبان دیگر نیز شنونده باید تا حد امکان بتواند تشخیص دهد چه کسی صحبت می‌کند.

این مسئله در جلساتی که چند نفر به‌نوبت گفت‌وگو می‌کنند اهمیت بیشتری پیدا می‌کند.

از سوی دیگر، حفظ هویت صوتی به معنای بازتولید اغراق‌آمیز لهجه نیست.

DeepL می‌گوید یکی از چالش‌های توسعه Aure آن بوده که ویژگی‌های صدای گوینده را بدون ایجاد لهجه غیرطبیعی یا تحریف صدای او به زبان مقصد منتقل کند.

این کار دشوار است، زیرا زبان‌های مختلف از نظر آواها، آهنگ جمله و الگوهای تأکید با یکدیگر تفاوت دارند.

ویژگی‌ای که در یک زبان کاملاً طبیعی به نظر می‌رسد، ممکن است در زبان دیگر نامأنوس باشد.

به همین دلیل، سامانه باید میان حفظ ویژگی‌های گوینده و تولید گفتار قابل‌فهم و طبیعی در زبان مقصد تعادل برقرار کند.

DeepL مدعی است روش آموزشی Aure امکان چنین تعادلی را بهبود داده است، اما هنوز شواهد مستقل گسترده‌ای برای مقایسه کیفیت صدای تولیدشده در تمام زبان‌ها در دسترس نیست.

چگونه نویز و صدای محیط بر ترجمه تأثیر می‌گذارند؟

یکی از دشواری‌های ترجمه صوتی در محیط واقعی، وجود صداهای مزاحم است.

در یک جلسه آنلاین ممکن است صدای فن رایانه، نویز میکروفون یا پژواک اتاق وارد مکالمه شود.

در گفت‌وگوی حضوری نیز صدای افراد دیگر، رفت‌وآمد یا تجهیزات محیط می‌تواند روی صدای گوینده تأثیر بگذارد.

سامانه ترجمه باید بتواند میان ویژگی‌های واقعی صدای فرد و اختلالات محیطی تفاوت قائل شود.

این مسئله برای مدلی مانند Aure اهمیت بیشتری دارد، زیرا هدف آن فقط تبدیل گفتار به متن نیست؛ بلکه باید تغییرات ظریف در شیوه بیان را نیز دنبال کند.

اگر مدل افزایش ناگهانی شدت صدا را به‌اشتباه نشانه هیجان گوینده تشخیص دهد، ممکن است ترجمه را با لحنی نامناسب تولید کند.

به همین ترتیب، نویز یا اختلال اتصال می‌تواند باعث شود بعضی بخش‌های صدا ناقص دریافت شوند.

DeepL اعلام کرده برای توسعه مدل جدید از روش‌هایی استفاده کرده که به جداسازی هویت صوتی، حالت بیان و اطلاعات گفتاری کمک می‌کنند.

این شرکت همچنین به ضرورت حذف اثر نویز، پژواک و تغییر شکل صدا اشاره کرده است.

با این حال، میزان موفقیت مدل در محیط‌های بسیار شلوغ، تماس‌های کم‌کیفیت یا شرایطی که چند نفر هم‌زمان صحبت می‌کنند هنوز باید با آزمایش‌های مستقل مشخص شود.

ترجمه پیش از تمام‌شدن جمله

یکی از دشوارترین ویژگی‌های ترجمه هم‌زمان، محدودیت زمان است.

در ترجمه متن نوشته‌شده، سامانه می‌تواند کل جمله یا پاراگراف را دریافت کند و سپس خروجی تولید کند.

اما در گفت‌وگوی زنده، کاربر نمی‌خواهد پس از پایان هر جمله مدت زیادی منتظر بماند.

به همین دلیل، مدل ترجمه صوتی باید در زمان کوتاهی اطلاعات ورودی را پردازش کند.

این مسئله هنگام ترجمه میان زبان‌هایی با ساختار دستوری متفاوت پیچیده‌تر می‌شود.

برای مثال، ممکن است اطلاعاتی که برای مشخص‌کردن معنای یک جمله ضروری هستند در زبان مبدأ دیرتر بیان شوند.

اگر سامانه خیلی زود ترجمه را آغاز کند، ممکن است مجبور شود بر اساس اطلاعات ناقص تصمیم بگیرد.

اگر هم برای دریافت کل جمله منتظر بماند، تأخیر افزایش پیدا می‌کند.

Aure با مسئله دیگری نیز روبه‌روست: علاوه بر محتوا، باید تغییرات لحن و سرعت گفتار را در همان زمان دنبال کند.

DeepL می‌گوید مدل جدید می‌تواند پیش از کامل‌شدن جمله، ویژگی‌های صدای گوینده را تحلیل و به خروجی منتقل کند.

اما شرکت عدد مشخص و قابل‌مقایسه‌ای برای تأخیر متوسط مدل در زبان‌های مختلف اعلام نکرده است.

بنابراین فعلاً نمی‌توان گفت Aure از نظر سرعت پاسخ در تمام شرایط از مترجم‌های صوتی رقیب سریع‌تر است.

Aure از چه زبان‌هایی پشتیبانی می‌کند؟

مدل جدید DeepL در مرحله نخست از هشت زبان پشتیبانی می‌کند: انگلیسی، آلمانی، اسپانیایی، فرانسوی، ایتالیایی، ژاپنی، پرتغالی و کره‌ای.

این فهرست نشان می‌دهد DeepL در آغاز، استفاده از قابلیت‌های تازه Aure را به مجموعه محدودی از زبان‌ها اختصاص داده است.

زبان فارسی در فهرست اولیه پشتیبانی Aure قرار ندارد.

البته DeepL Voice ممکن است از طریق مدل‌های صوتی موجود خود خدماتی برای زبان‌های بیشتری ارائه کند. این موضوع با پشتیبانی اختصاصی Aure از قابلیت‌های تازه انتقال لحن تفاوت دارد.

شرکت اعلام کرده پشتیبانی از زبان‌های دیگر در آینده گسترش خواهد یافت، اما تاریخ مشخصی برای اضافه‌شدن فارسی یا سایر زبان‌های خارج از فهرست اولیه ارائه نکرده است.

افزودن یک زبان جدید نیز فقط به توانایی ترجمه واژه‌ها وابسته نیست.

سامانه باید ویژگی‌های گفتاری زبان را بشناسد و بتواند آن‌ها را هنگام تولید صدای مقصد به شکل مناسبی بازسازی کند.

در زبان‌های مختلف، روش بیان تأکید، آهنگ پرسش و تغییرات سرعت گفتار متفاوت است.

به همین دلیل، گسترش قابلیت‌های صوتی به زبان‌های جدید می‌تواند به داده‌های آموزشی و ارزیابی‌های جداگانه نیاز داشته باشد.

در حال حاضر، کاربران فارسی‌زبان نباید تصور کنند قابلیت‌های تازه Aure برای ترجمه صوتی فارسی فعال شده‌اند.

قابلیت جدید در کدام محصولات DeepL فعال شده است؟

DeepL اعلام کرده Aure هم‌اکنون در سه بخش اصلی خدمات ترجمه صوتی این شرکت استفاده می‌شود.

نخستین بخش، DeepL Voice for Online Meetings است که برای ترجمه گفت‌وگوها در جلسات آنلاین طراحی شده است.

دومین بخش، DeepL Voice for In-Person Conversations است که به ارتباط میان افرادی با زبان‌های متفاوت در گفت‌وگوهای حضوری اختصاص دارد.

بخش سوم، DeepL API for Voice است؛ رابطی که به توسعه‌دهندگان اجازه می‌دهد قابلیت‌های صوتی را در نرم‌افزارها و خدمات سازگار به کار بگیرند.

به گفته شرکت، فعال‌شدن Aure به تنظیمات اضافی نیاز ندارد و قابلیت‌های تازه آن به‌صورت خودکار در محصولات پشتیبانی‌شده اعمال شده‌اند.

این موضوع برای سازمان‌هایی که پیش‌تر از DeepL Voice استفاده می‌کردند اهمیت دارد، زیرا ممکن است بدون تغییر اساسی در فرایند کاری خود از مدل تازه بهره ببرند.

البته فعال‌بودن مدل به معنای رایگان‌شدن خدمات نیست.

DeepL در اطلاعیه معرفی Aure اعلام نکرده که تمام امکانات صوتی جدید بدون اشتراک یا محدودیت مصرف در اختیار همه کاربران قرار می‌گیرند.

نوع دسترسی همچنان به شرایط سرویس و طرح مورد استفاده بستگی دارد.

کاربرد ترجمه احساسی در جلسات کاری

یکی از بازارهای اصلی DeepL Voice، شرکت‌هایی هستند که کارکنان و مشتریان آن‌ها در کشورهای مختلف فعالیت می‌کنند.

در چنین سازمان‌هایی، جلسات چندزبانه می‌توانند به بخشی از فعالیت روزمره تبدیل شوند.

مترجم هم‌زمان ممکن است بتواند معنی جملات را منتقل کند، اما اگر تمام گفتار با لحنی ثابت بازتولید شود، بخشی از شیوه ارتباطی افراد از بین خواهد رفت.

برای مثال، هنگام مذاکره درباره یک قرارداد، تأکید گوینده بر عبارتی مشخص می‌تواند نشان دهد آن بخش برای او اهمیت ویژه‌ای دارد.

در یک جلسه مدیریتی نیز تغییر لحن ممکن است به شنوندگان کمک کند میان یک توضیح معمولی و هشدار جدی تفاوت قائل شوند.

DeepL معتقد است بازتاب بهتر این ویژگی‌ها می‌تواند به طبیعی‌ترشدن ارتباط میان افراد کمک کند.

این شرکت در اطلاعیه خود به کاربردهای احتمالی در مذاکرات تجاری، همکاری تیم‌های بین‌المللی و ارتباط با مشتریان اشاره کرده است.

با این حال، باید میان طبیعی‌ترشدن تجربه مکالمه و افزایش قطعی کیفیت تصمیم‌گیری تفاوت قائل شد.

ممکن است یک ترجمه صوتی از نظر لحن طبیعی‌تر به نظر برسد، اما همچنان در انتقال یک اصطلاح تخصصی یا عدد مهم دچار خطا شود.

به همین دلیل، در مذاکرات حساس و موضوعات حقوقی یا مالی، بررسی صحت محتوای ترجمه همچنان ضروری خواهد بود.

چرا DeepL درباره نگهداری اطلاعات جلسات توضیح داده است؟

یکی از نکات فنی مهم در معرفی Aure، محدودیت دسترسی شرکت به داده‌های گفت‌وگوهای واقعی است.

DeepL می‌گوید سرویس صوتی آن متن جلسات و ترجمه‌های تولیدشده را به‌صورت دائمی ذخیره نمی‌کند و این اطلاعات پس از پایان جلسه از حافظه سرویس حذف می‌شوند.

این ویژگی از نظر حفاظت از حریم خصوصی اهمیت دارد، اما برای آموزش مدل‌های هوش مصنوعی نیز محدودیت ایجاد می‌کند.

برای آموزش سامانه‌ای که باید صدای یک فرد را در زبان‌های مختلف بازسازی کند، داده‌هایی از گفتار یکسان یا قابل‌مقایسه در چند زبان می‌توانند مفید باشند.

به گفته DeepL، دسترسی محدود به چنین داده‌هایی یکی از چالش‌های توسعه Aure بوده است.

مدل باید بتواند ویژگی‌های صوتی فرد را در همان زمان مکالمه شناسایی کند، بدون آنکه به یک مجموعه طولانی از گفت‌وگوهای قبلی او متکی باشد.

البته توضیح شرکت درباره حذف اطلاعات جلسه نباید به معنی مشخص‌بودن تمام شرایط مدیریت داده در همه محصولات تفسیر شود.

کاربران سازمانی همچنان باید سیاست‌های رسمی حریم خصوصی، قراردادهای پردازش داده و تنظیمات خدمات مورد استفاده خود را بررسی کنند.

موضوع دیگر آن است که حفظ ویژگی‌های صدای فرد، مانند بسیاری از فناوری‌های تولید صوت، می‌تواند پرسش‌هایی درباره رضایت گوینده و جلوگیری از سوءاستفاده ایجاد کند.

اطلاعیه معرفی Aure ارزیابی جامعی از تمام این خطرها ارائه نکرده است.

آیا ترجمه صوتی طبیعی‌تر می‌تواند باعث سوءبرداشت شود؟

یکی از پرسش‌های مهم درباره مدل‌هایی مانند Aure این است که اگر سامانه بتواند احساس و تأکید را در خروجی بازسازی کند، هنگام اشتباه چه اتفاقی رخ خواهد داد.

در ترجمه متنی، خطا معمولاً به شکل واژه یا جمله نادرست ظاهر می‌شود.

اما در ترجمه صوتی، ممکن است محتوای جمله درست باشد و لحن آن اشتباه منتقل شود.

برای مثال، اگر گوینده جمله‌ای را با حالت تردید بیان کرده باشد، ولی سامانه آن را با لحنی قاطع بازتولید کند، شنونده ممکن است برداشت متفاوتی از میزان اطمینان او داشته باشد.

در نقطه مقابل، لحن نامناسب می‌تواند جمله‌ای عادی را به شکل انتقاد یا هشدار نشان دهد.

DeepL با Aure می‌خواهد این فاصله را کاهش دهد، اما عملکرد واقعی چنین مدلی باید از چند جنبه بررسی شود.

دقت ترجمه واژه‌ها، حفظ معنی جمله، شباهت صوت خروجی به گوینده و میزان انتقال درست لحن، معیارهایی متفاوت هستند.

ممکن است یک مدل در یکی از این زمینه‌ها عملکرد خوبی داشته باشد، اما در زمینه دیگری ضعیف‌تر باشد.

از سوی دیگر، برداشت انسان از لحن تا حدی به زمینه فرهنگی و موقعیت گفت‌وگو وابسته است.

بنابراین حتی مدل پیشرفته‌ای که ویژگی‌های صوتی را با دقت منتقل می‌کند، نمی‌تواند تضمین کند تمام شنوندگان در زبان مقصد احساس یکسانی دریافت خواهند کرد.

تفاوت رونمایی جدید با وعده‌های قدیمی ترجمه صوتی

ترجمه هم‌زمان با هوش مصنوعی فناوری تازه‌ای نیست و شرکت‌های مختلف طی سال‌های گذشته ابزارهایی برای تبدیل گفتار میان زبان‌ها معرفی کرده‌اند.

آنچه DeepL در ۱۱ نوامبر بر آن تأکید کرده، تغییر در نحوه بازسازی صدای ترجمه‌شده است.

مدل جدید به جای تمرکز انحصاری بر محتوای گفتار یا حفظ ویژگی‌های ثابت صدای گوینده، تلاش می‌کند تغییرات شیوه بیان را نیز در طول مکالمه دنبال کند.

این ویژگی می‌تواند مرحله‌ای تازه در توسعه رابط‌های صوتی باشد، اما مقایسه آن با رقبا به اطلاعات بیشتری نیاز دارد.

برای مثال، هنوز روشن نیست Aure در گفت‌وگوهای طولانی تا چه اندازه می‌تواند کیفیت یکسانی حفظ کند.

همچنین میزان خطای آن در انتقال طنز، کنایه یا احساسات ظریف در زبان‌های مختلف به‌صورت مستقل مشخص نشده است.

شرکت درباره کاهش تأخیر یا بهبود دقت ترجمه عدد قابل‌مقایسه‌ای ارائه نکرده است.

بنابراین عبارت‌هایی مانند طبیعی‌ترین مترجم جهان یا دقیق‌ترین سامانه انتقال احساسات، بر اساس شواهد موجود قابل تأیید نیستند.

توصیف دقیق‌تر این است که DeepL مدلی تازه معرفی کرده که برای بازتاب پیوسته تغییرات لحن و شیوه گفتار در ترجمه صوتی طراحی شده و هم‌اکنون در خدمات سازگار این شرکت استفاده می‌شود.

بازار ترجمه هوشمند به کدام سمت می‌رود؟

با گسترش فعالیت شرکت‌های بین‌المللی، نیاز به ارتباط سریع میان زبان‌های مختلف همچنان یکی از زمینه‌های مهم توسعه فناوری هوش مصنوعی است.

ابزارهای ترجمه متنی می‌توانند در مکاتبات، اسناد و محتوای آنلاین کاربرد داشته باشند، اما گفت‌وگوی زنده نیازهای متفاوتی دارد.

در مکالمه حضوری یا آنلاین، تأخیر زیاد می‌تواند جریان گفت‌وگو را مختل کند.

از سوی دیگر، کاربران انتظار دارند ترجمه علاوه بر انتقال معنی، برای شنونده طبیعی و قابل‌فهم باشد.

مدل‌هایی مانند Aure به دنبال پاسخ به این نیاز هستند.

اگر فناوری بتواند ویژگی‌های صوتی را با دقت مناسب منتقل کند، تجربه ارتباط میان افراد ممکن است به گفت‌وگوی معمولی نزدیک‌تر شود.

اما موفقیت تجاری چنین محصولاتی به عوامل دیگری نیز بستگی دارد.

تعداد زبان‌های پشتیبانی‌شده، هزینه خدمات، سرعت پاسخ، کیفیت عملکرد در محیط‌های شلوغ و حفاظت از اطلاعات کاربران همگی در انتخاب یک سرویس ترجمه اهمیت دارند.

DeepL اکنون با معرفی Aure تلاش می‌کند یکی از تفاوت‌های مهم خود را در حوزه بازسازی لحن و هویت صوتی ایجاد کند.

این شرکت اعلام کرده بیش از ۲۰۰ هزار تیم تجاری و میلیون‌ها کاربر فردی از پلتفرم خدمات زبانی آن استفاده می‌کنند. البته این آمار مربوط به مجموعه خدمات DeepL است و نباید آن را تعداد کاربران Aure دانست.

همچنین شرکت‌هایی مانند Pioneer Corporation و Inetum از جمله مشتریانی هستند که DeepL به استفاده آن‌ها از خدمات صوتی خود اشاره کرده است.

این همکاری‌ها می‌توانند زمینه ارزیابی فناوری در محیط‌های کاری واقعی را فراهم کنند، هرچند نتایج مستقل درباره تأثیر Aure بر بهره‌وری یا کیفیت ارتباطات هنوز منتشر نشده است.

قدم بعدی DeepL پس از معرفی Aure

مدل Aure از زمان معرفی در ۱۱ نوامبر در محصولات مشخص DeepL Voice فعال شده و کاربران زبان‌های پشتیبانی‌شده می‌توانند از قابلیت‌های جدید آن بهره ببرند.

مهم‌ترین تفاوت این مدل با فناوری قبلی، تحلیل مداوم گفتار به جای استفاده از نمونه‌ای ثابت برای تعیین شیوه تولید صدای ترجمه‌شده است.

این تغییر می‌تواند به بازتاب بهتر تأکید، تغییر سرعت و حالت احساسی گوینده کمک کند.

با این حال، چند پرسش مهم همچنان باقی مانده است.

میزان دقت مدل در محیط‌های پرنویز چقدر است؟ آیا هنگام گفت‌وگوی چند نفر به‌طور هم‌زمان عملکرد مناسبی دارد؟ تا چه اندازه می‌تواند حالت‌هایی مانند کنایه یا تردید را بدون تغییر معنی منتقل کند؟ و آیا این قابلیت‌ها در زبان‌های مختلف کیفیت یکسانی خواهند داشت؟

پاسخ به این پرسش‌ها به آزمایش‌های مستقل و تجربه استفاده واقعی نیاز دارد.

در حال حاضر، فارسی در میان هشت زبان اولیه پشتیبانی Aure قرار ندارد و زمان اضافه‌شدن آن نیز اعلام نشده است.

خبر تازه DeepL نشان می‌دهد رقابت در بازار ترجمه صوتی هوشمند به‌تدریج از انتقال صرف کلمات به سمت بازسازی شیوه بیان انسان حرکت می‌کند.

اما حفظ دقیق احساسات و لحن در زبان دیگر همچنان مسئله‌ای پیچیده است و نمی‌توان با یک معرفی محصول، حل کامل آن را قطعی دانست.

Aure گامی تازه در همین مسیر محسوب می‌شود؛ مدلی که اکنون برای استفاده در گفت‌وگوهای چندزبانه عرضه شده، اما سنجش میزان پیشرفت واقعی آن به بررسی‌های فنی مستقل در شرایط گوناگون نیاز خواهد داشت.

 

مشاهده بیشتر

نوشته های مشابه

دکمه بازگشت به بالا