Пока Microsoft и Google меряются, чей чат-бот умнее, за кулисами идет другая, куда более масштабная работа. На ежегодной конференции I/O компания планирует показать больше 20 продуктов на базе искусственного интеллекта, но главная цель — амбициознее. Google строит языковую модель, которая должна понимать тысячу самых распространенных языков мира.
В понедельник компания обновила информацию об универсальной речевой модели (USM). В Google ее называют «важнейшим первым шагом». Сама модель была представлена еще в ноябре прошлого года вместе с анонсом той самой тысячной цели.
Что это за система? USM — это семейство речевых моделей на 2 миллиарда параметров. Чтобы их обучить, инженеры скормили нейросети 12 миллионов часов речи и 28 миллиардов предложений на 300 с лишним языках.
Технология уже работает. YouTube использует USM для генерации автоматических субтитров. Модель поддерживает автоматическое распознавание речи (ASR): она сама определяет язык и переводит его. Сейчас в базе больше 100 языков, включая английский, мандаринский, амхарский, себуано и ассамский. В Google честно говорят: пока это только фундамент.
Кстати, Meta делает похожий инструмент для перевода, но он пока на самом старте. Подробные технические выкладки по USM лежат в исследовательской статье Google.
Где это пригодится в жизни? Например, в очках дополненной реальности, которые Google показывал на I/O в прошлом году. Представьте: вы смотрите на собеседника, а прямо перед глазами всплывает живой перевод. Звучит как научная фантастика, и пока это она и есть. На той же презентации система дала сбой и исказила арабскую речь. Это хорошо показало, насколько легко ошибиться, когда пытаешься построить цифровой Вавилон.