Każdy z nas w drodze dorastania przyucza się języka, ale niektórzy mają w tej kwestii znacznie ograniczony wybór. Są to między innymi osoby, które korzystają z języka migowego jako głównego nośnika swojej komunikacji. Smartfony pozwalają takim osobom na wpisywanie tekstu, a następnie konwertowanie tych wypowiedzi na głos, ale nie jest to ani metoda szybka, ani intuicyjna, a w dodatku wymagająca od osoby mówiącej wyjścia poza, zazwyczaj domyślny, schemat myślenia w języku migowym i przejścia do transkrybowania swoich myśli.
Szacuje się, że do 2050 roku co czwarta osoba na świecie – czyli nawet 2,5 miliarda osób – będzie miało problem z ubytkiem słuchu, a nawet 700 milionów osób będzie z tego tytułu wymagało specjalistycznego leczenia lub rehabilitacji. Część z tych osób być może będzie musiała także zmienić swój sposób komunikacji w związku z bezpośrednią korelacją upośledzenia narządu słuchu i problemów z mową. Z pomocą w takiej komunikacji mogą przyjść narzędzia konwersji języków migowych na tekst.
DeepMind opracował istotną funkcję dla smartfonów Google Pixel 11
Przy okazji premiery serii Google Pixel 11 DeepMind zadebiutowało z opartym o sztuczną inteligencję modelem sign-language-to-text (SL2T). Rozwiązanie to jest częścią klawiatury Gboard oraz funkcji Live Transcribe (Transkrypcja na żywo), choć jeszcze nie działa w Polsce. Warto jednak na nie czekać, bo pozwoli osobom niekorzystającym z mowy na płynniejszą komunikację, a osobom nierozumiejącym języka migowego na szybkie zrozumienie tego, co się dzieje.
Model SL2T oparto na ponad 100 tysiącach godzin nagrań z wielu języków migowych, przy czym około jedną czwartą stanowią nagrania z amerykańskim językiem migowym (ASL). Z tego powodu rozwiązanie na razie wspiera transkrypcję z ASL do języka angielskiego, ale Google planuje wsparcie dla większej liczby języków w przyszłości.
Czytaj także: Hiszpanie wzięli ciekawy motocykl i usunęli jedną z największych barier dla początkujących
Rozwiązanie nie procesuje wideo w formie, którą widzimy ludzkim okiem. Na początku SL2T korzysta z pracy innego modelu, który zmienia nagranie w siatkę geometrycznych informacji, która trafia na serwery Google. Tam model SL2T dokonuje transkrypcji znaków w oparciu o wyuczony materiał. Przygotowuje odpowiedź w języku angielskim, czym różni się od większości tego typów modeli, dostarczających jedynie oznaczenia znaków migowych w języku fonicznym, nie zaś znane większości ludzi zdania. To upraszcza komunikację i zdaniem DeepMind ogranicza limity takiej komunikacji.
Podobnie, jak większość osób może wyszukiwać treści głosowo lub w ten sposób komunikować się z czatem, model od DeepMind na smartconach Google Pixel 11 pozwoli na sprawniejsze wyszukiwanie treści bez konieczności ich wpisywania. W praktyce może to ułatwić znajdowanie tego, co dokładnie mamy w tej chwili w głowie bez formułowania tego jako tekst. Pomoże to w przeniesieniu sposobu komunikacji do wiadomości i może poprawić wyszukiwania w sieci.
DeepMind przyznaje w komunikacie przedstawiającym funkcję, że “Istnieje spora rozbieżność pomiędzy osobami niesłyszącymi, gdy chodzi o ich poziom biegłości w miganiu, mówieniu, czytaniu i pisaniu, więc ważne jest, by wspierać dostęp we wszelkiej formie. Osoby niesłyszące mogą skorzystać z procesowania języka migowego w ten sam sposób, jak ludzie korzystają z procesowania języka mówionego, a do tego technologia otwiera nowe możliwości, by wypełnić lukę komunikacyjną między społecznościami niesłyszących i słyszących”.
Takie rozwiązania wydają się być prawdziwą przyszłością dla AI
O ile sztuczna inteligencja w naszych głowach istnieje głównie za pomocą wielomodułowych asystentów generujących tekst, grafiki czy wideo, tak w międzyczasie rozwój sztucznej inteligencji staje się też okazją na rozwiązania poprawiające życie w społeczeństwie. Podobnie jak coraz sprawniejsze tłumaczenia na żywo mogą poprawić naszą komunikację poza granicami kraju (a czasem i także w nim), tak wsparcie dla języków migowych ułatwi porozumiewanie się, co jest ogromną wartością.
DeepMind nieco studzi ten entuzjazm i podkreśla, że przed nimi jest jeszcze sporo pracy. Na świecie istnieje ponad 200 języków migowych, którymi posługuje się ponad 70 milionów osób i że dostosowanie modelu SL2T zajmie nieco czasu. Jednocześnie badacze podkreślają, że jednoczesne trenowanie modelu na wielu językach pozwoliło na wykrystalizowanie się bazy struktur, jakie definiują każdy z języków.
Czytaj także: A więc rewolucji nie będzie. Czy Samsungowi w ogóle zależy na fotograficznej dominacji?
To funkcja, która być może nie przyda się nam przez cały cykl życia naszego telefonu, ale może okazać się nieoceniona w krytycznych sytuacjach czy w budowaniu relacji z ludźmi. A do tego przecież początkowo miały służyć nam urządzenia telekomunikacyjne, zanim stały się multimedialnymi kombajnami. Google zapowiedziało, że rozwiązanie pojawi się na także na innych urządzeniach w przyszłości.
