據(jù)連線雜志報(bào)道，知名語(yǔ)音識(shí)別公司科大訊飛卷入的“AI同傳造假”風(fēng)波依然還在發(fā)酵，引發(fā)了人們關(guān)于AI實(shí)時(shí)翻譯技術(shù)的更多關(guān)注。不久前，谷歌悄悄改變了Pixel Buds耳機(jī)的支持頁(yè)面，并寫道:“所有經(jīng)過(guò)Google Assistant優(yōu)化的耳機(jī)和安卓手機(jī)，現(xiàn)在都可以使用谷歌翻譯。”此前，這一功能僅限于Pixel Buds耳機(jī)和Pixel手機(jī)用戶。盡管谷歌并未大張旗鼓地宣布這個(gè)消息，但這個(gè)小小的調(diào)整卻值得注意。

要知道其中原因，首先我們來(lái)了解下谷歌耳機(jī)的歷史。谷歌去年推出了無(wú)線耳機(jī)Pixel Buds，此前該公司曾大肆宣傳過(guò)這款產(chǎn)品，稱其是一款革命性的工具，支持實(shí)時(shí)翻譯功能。只要輕敲Pixel Buds，說(shuō)“幫我說(shuō)”，它就會(huì)打開(kāi)你手機(jī)上的谷歌翻譯應(yīng)用。現(xiàn)在，Pixel手機(jī)也同樣支持這個(gè)功能。

接著，你可以說(shuō)出句子，谷歌翻譯會(huì)在手機(jī)上將其翻譯成目標(biāo)語(yǔ)言，并進(jìn)行轉(zhuǎn)錄，然后讀出來(lái)。理論上，谷歌的新技術(shù)甚至?xí)尶谧g翻譯們擔(dān)心丟掉工作。這款產(chǎn)品在舞臺(tái)上的實(shí)時(shí)翻譯演示獲得了巨大成功，但當(dāng)其開(kāi)始發(fā)貨時(shí)，人們對(duì)其似乎產(chǎn)生了懷疑：翻譯的質(zhì)量沒(méi)有達(dá)到公眾的預(yù)期。

科技網(wǎng)站Tech Insider用十種不同的語(yǔ)言對(duì)實(shí)時(shí)翻譯功能進(jìn)行了測(cè)試。它成功地翻譯了些基本問(wèn)題，比如“最近的醫(yī)院在哪里”，但當(dāng)句子變得更復(fù)雜，或者說(shuō)話人有口音時(shí)，翻譯就會(huì)出現(xiàn)錯(cuò)誤。評(píng)論員們得出的結(jié)論是，實(shí)時(shí)翻譯似乎有點(diǎn)兒“欺騙嫌疑”，Google Assistant需要努力理解對(duì)它說(shuō)出的話。

消費(fèi)技術(shù)資深分析師丹尼爾·格里森（Daniel Gleeson）說(shuō):“掌握自然語(yǔ)言是非常困難的。對(duì)于谷歌來(lái)說(shuō)，這將是個(gè)巨大的成就，而他們實(shí)現(xiàn)這個(gè)目標(biāo)的那一天，可以自豪地大聲說(shuō)出來(lái)。”或許有些人可能會(huì)說(shuō)，這可能也是Pixel Buds支持頁(yè)面更新的信息被隱藏起來(lái)的原因。

谷歌的問(wèn)題不在于翻譯過(guò)程本身，事實(shí)上，該公司在過(guò)去幾年始終在提升其翻譯應(yīng)用水平。2016年，谷歌將其谷歌翻譯轉(zhuǎn)換為基于深度學(xué)習(xí)的人工智能（AI）驅(qū)動(dòng)系統(tǒng)。在此之前，該工具將每個(gè)單獨(dú)的單詞分別翻譯，并應(yīng)用語(yǔ)言學(xué)規(guī)則使句子在語(yǔ)法上保持正確，從而導(dǎo)致了我們非常熟悉的、支離破碎的翻譯效果。另一方面，神經(jīng)網(wǎng)絡(luò)則將句子作為一個(gè)整體來(lái)考慮，并根據(jù)之前訓(xùn)練過(guò)的大量文本數(shù)據(jù)來(lái)猜測(cè)正確的輸出結(jié)果。通過(guò)機(jī)器學(xué)習(xí)，這些系統(tǒng)能夠考慮句子的上下文，從而提供更準(zhǔn)確的翻譯。

整合機(jī)器學(xué)習(xí)是Google Brain團(tuán)隊(duì)的任務(wù)，該團(tuán)隊(duì)是谷歌專門致力于深度學(xué)習(xí)研發(fā)的部門。Google Brain還將神經(jīng)網(wǎng)絡(luò)應(yīng)用到另一個(gè)工具上，這是實(shí)時(shí)翻譯的關(guān)鍵，但這似乎也導(dǎo)致其容易在語(yǔ)音識(shí)別上犯錯(cuò)。實(shí)際上，Google Assistant經(jīng)過(guò)了數(shù)小時(shí)的語(yǔ)音培訓(xùn)，它會(huì)使用機(jī)器學(xué)習(xí)工具來(lái)識(shí)別模式，并最終正確地識(shí)別出被要求翻譯的內(nèi)容。

那么，如果谷歌在某種程度上成功地將神經(jīng)網(wǎng)絡(luò)應(yīng)用到文本-文本的翻譯中，為什么Google Assistant仍然不能使用相同的技術(shù)精準(zhǔn)地進(jìn)行語(yǔ)音識(shí)別呢？劍橋大學(xué)自然語(yǔ)言處理研究人員馬西基·霍瓦特（Matic Horvat）說(shuō)，這一切都?xì)w結(jié)于用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集。

霍瓦特說(shuō):“系統(tǒng)能夠適應(yīng)它們所得到的訓(xùn)練數(shù)據(jù)集。當(dāng)你把它介紹給它從未聽(tīng)過(guò)的東西時(shí)，語(yǔ)音識(shí)別的質(zhì)量就會(huì)下降。例如，如果你的訓(xùn)練數(shù)據(jù)集是會(huì)話語(yǔ)音，那么在繁忙的環(huán)境中識(shí)別語(yǔ)音效果就不會(huì)太好。”

干擾是任何致力于提高語(yǔ)音識(shí)別技術(shù)的計(jì)算機(jī)科學(xué)家的克星。去年，谷歌通過(guò)其數(shù)字新聞創(chuàng)新基金會(huì)向倫敦初創(chuàng)企業(yè)Trint投資1.5億歐元，該公司在自動(dòng)語(yǔ)音轉(zhuǎn)錄方面處于領(lǐng)先地位，盡管其算法與谷歌不同。然而，Trint的算法在處理基本的干擾問(wèn)題上并沒(méi)有表現(xiàn)得更好。

事實(shí)上，Trint的公司網(wǎng)站專門用了長(zhǎng)長(zhǎng)的篇幅來(lái)介紹如何在安靜環(huán)境中記錄演講內(nèi)容。該公司聲稱，其操作存在5%至10%的誤差，但它明確表示，這適用于安靜環(huán)境的錄音。Trint首席執(zhí)行官杰夫·科夫曼（Jeff Kofman）說(shuō):“最大的挑戰(zhàn)是向我們的用戶解釋，我們的表現(xiàn)只能和他們給我們的音頻一樣好。在有回聲、噪音甚至重音的情況下，算法就會(huì)出錯(cuò)。”

現(xiàn)場(chǎng)演講所帶來(lái)的挑戰(zhàn)意味著，在創(chuàng)建神經(jīng)網(wǎng)絡(luò)的過(guò)程中，訓(xùn)練過(guò)程是成本最高、耗時(shí)最長(zhǎng)的部分。而像谷歌對(duì)Pixel Buds所做的那樣，只在有限數(shù)量的設(shè)備上支持實(shí)時(shí)翻譯，當(dāng)然無(wú)助于系統(tǒng)學(xué)習(xí)。實(shí)際上，它處理的語(yǔ)音越多，它可以向算法中添加的數(shù)據(jù)就越多，機(jī)器就越能學(xué)會(huì)識(shí)別不熟悉的語(yǔ)音模式。

對(duì)于消費(fèi)技術(shù)資深分析師格里森來(lái)說(shuō)，這是谷歌將該功能擴(kuò)展到更多硬件的原因之一。他表示:“語(yǔ)音識(shí)別中最棘手的問(wèn)題之一，就是收集足夠的特定口音、俗語(yǔ)、習(xí)語(yǔ)數(shù)據(jù)，所有這些都是高度區(qū)域化的。將這個(gè)功能僅用于Pixel上，永遠(yuǎn)不會(huì)讓谷歌接觸到那些區(qū)域化數(shù)據(jù)，進(jìn)而也無(wú)法處理足夠多的數(shù)據(jù)。”

然而，積累數(shù)據(jù)也有不利的一面。表現(xiàn)最好的神經(jīng)網(wǎng)絡(luò)是那些擁有最多數(shù)據(jù)的網(wǎng)絡(luò)，但由于數(shù)據(jù)需要在CPU上處理，CPU的壓力也會(huì)隨著信息量的增多而增加。這類CPU還遠(yuǎn)未達(dá)到與移動(dòng)設(shè)備完美集成的程度，使得實(shí)時(shí)語(yǔ)音處理在今天依然無(wú)法成為現(xiàn)實(shí)。實(shí)際上，每次使用Google Assistant時(shí)，語(yǔ)音信息都會(huì)被發(fā)送到數(shù)據(jù)中心進(jìn)行外部處理，然后再發(fā)送回用戶的手機(jī)上。這些計(jì)算工作都不是在本地完成的，因?yàn)楝F(xiàn)有的手機(jī)無(wú)法存儲(chǔ)神經(jīng)網(wǎng)絡(luò)處理語(yǔ)音所需的龐大數(shù)據(jù)。

霍瓦特說(shuō)，雖然Google Assistant能夠相當(dāng)快地完成這一過(guò)程，但距離實(shí)時(shí)語(yǔ)音識(shí)別還有很長(zhǎng)的路要走。該公司目前面臨的挑戰(zhàn)之一是，如何在手機(jī)中整合神經(jīng)網(wǎng)絡(luò)處理，以提高實(shí)時(shí)翻譯等功能的無(wú)縫性。事實(shí)上，開(kāi)發(fā)人員已經(jīng)在致力于開(kāi)發(fā)適合于高效處理神經(jīng)網(wǎng)絡(luò)的小型外部芯片，這種芯片可以集成到手機(jī)中。例如，本月早些時(shí)候，華為宣布了一種AI芯片，該公司聲稱其可以在幾分鐘內(nèi)訓(xùn)練好神經(jīng)網(wǎng)絡(luò)算法。

雖然谷歌有自己的芯片Edge TPU，但它是為企業(yè)用戶而不是智能手機(jī)設(shè)計(jì)的。對(duì)霍瓦特來(lái)說(shuō)，這是它的致命弱點(diǎn)：作為一家軟件公司，谷歌對(duì)制造商沒(méi)有多少控制權(quán)，無(wú)法確保開(kāi)發(fā)出一種產(chǎn)品，使所有安卓設(shè)備都能使用本地神經(jīng)網(wǎng)絡(luò)處理，與蘋果截然不同。

在不久的將來(lái)，谷歌可能被迫采取更小的步驟來(lái)改進(jìn)其語(yǔ)音識(shí)別技術(shù)。雖然實(shí)時(shí)翻譯引來(lái)了許多批評(píng)，但對(duì)于行業(yè)分析師、Counterpoint物聯(lián)網(wǎng)、移動(dòng)和生態(tài)系統(tǒng)研究主管尼爾·沙赫（Neil Shah）來(lái)說(shuō)，擴(kuò)展它有益于谷歌參與競(jìng)爭(zhēng):“谷歌已經(jīng)獲得20億安卓用戶。隨著越來(lái)越多的用戶開(kāi)始在安卓手機(jī)上使用最新的語(yǔ)音交互，它能夠比競(jìng)爭(zhēng)對(duì)手更快地?cái)U(kuò)大規(guī)模，并接受大量輸入數(shù)據(jù)流的訓(xùn)練。”

格里森所也贊同這種看法。無(wú)論對(duì)實(shí)時(shí)翻譯的評(píng)論是否堅(jiān)持溫和嘲諷的基調(diào)，谷歌的舉動(dòng)最終都會(huì)帶來(lái)顯著的改進(jìn)。就像所有的AI產(chǎn)品一樣，這個(gè)工具同樣需要學(xué)習(xí)，它進(jìn)入市場(chǎng)的過(guò)程還沒(méi)有完成。格里森表示:“人們可能會(huì)說(shuō)，谷歌的實(shí)時(shí)翻譯運(yùn)作方式與承諾的不一樣，但這是其實(shí)現(xiàn)目標(biāo)的唯一途徑。”口譯翻譯現(xiàn)在不必?fù)?dān)心他們會(huì)立馬丟掉工作。

本文來(lái)源：網(wǎng)易科技