Phòng thí nghiệm trí tuệ nhân tạo thuộc Google đã công bố vào ngày 12 theo giờ địa phương việc ra mắt một mô hình dịch ngôn ngữ ký hiệu sang văn bản (SL2T) đa ngôn ngữ quy mô lớn.
Nhờ mô hình này, trí tuệ nhân tạo ngôn ngữ ký hiệu lần đầu tiên bước vào sản phẩm tiêu dùng: các ứng dụng Gboard và Live Transcribe trên dòng điện thoại thông minh Google Pixel 11 hỗ trợ chức năng nhập liệu chuyển ngôn ngữ ký hiệu thành văn bản (giai đoạn đầu chỉ hỗ trợ ngôn ngữ ký hiệu Mỹ, sau đó sẽ mở rộng sang nhiều ngôn ngữ ký hiệu khác và nhiều thiết bị hơn).
Khoảng 70 triệu người khiếm thính trên toàn thế giới sử dụng hơn 200 loại ngôn ngữ ký hiệu, tính năng mới giúp họ tận hưởng trải nghiệm “thay thế gõ phím” linh hoạt tương tự nhập liệu bằng giọng nói. Các bài kiểm tra cho thấy việc sử dụng ngôn ngữ ký hiệu Mỹ nhanh hơn, tự nhiên hơn và dễ chịu hơn so với gõ tiếng Anh.
DeepMind cho biết, ngôn ngữ ký hiệu là một ngôn ngữ tự nhiên độc lập, có ngữ pháp và từ vựng riêng. Do đó, việc dịch ngôn ngữ ký hiệu cần dịch máy thực sự, chứ không phải chuyển tuần tự ngôn ngữ ký hiệu thành chữ viết. Mô hình đáp ứng nhiệm vụ SL2T phải “nhìn hiểu” được chuyển động đồng bộ của nhiều bộ phận cơ thể người sử dụng ngôn ngữ ký hiệu, điều này đòi hỏi khả năng xử lý thị giác máy tính mạnh mẽ.
Mô hình SL2T của Google DeepMind được huấn luyện trên 100.000 giờ dữ liệu của hơn 50 loại ngôn ngữ ký hiệu. Mô hình chuyển ngôn ngữ ký hiệu thành thông tin vị trí của một chuỗi điểm đặc trưng tư thế nhằm bảo vệ quyền riêng tư và an toàn của người dùng, không cần gửi luồng video gốc lên phía máy chủ. Đồng thời, mô hình từ bỏ “chú thích trung gian” từng được sử dụng rộng rãi trước đây, trực tiếp diễn giải thông tin không gian.