Krongkwun Rithiwong
Google DeepMind เปิดตัวโมเดล SL2T ช่วยแปลภาษามือเป็นข้อความแบบเรียลไทม์บน Pixel 11 เพื่อให้ผู้พิการทางการได้ยินสื่อสารได้สะดวกยิ่งขึ้น
Google DeepMind เปิดตัว SL2T แปลภาษามือบน Pixel 11
ในช่วงหลายทศวรรษที่ผ่านมา ความสามารถของ AI ในการประมวลผลภาษาพูด มีความก้าวหน้าอย่างรวดเร็ว ทำให้เกิดการแปลอัตโนมัติ การพิมพ์ด้วยเสียง และอินเทอร์เฟซการสนทนาที่ให้ความรู้สึกสะดวกสบายสำหรับผู้ที่ได้ยิน แต่การปฏิวัติทางเทคโนโลยีนี้ยังเข้าไม่ถึงโลกของภาษามือที่มีมากกว่า 200 ภาษา และผู้พิการทางการได้ยิน ที่คาดว่ามีถึง 70 ล้านคนทั่วโลกที่ใช้ภาษามือเหล่านี้
Google Deepmind จึงได้เปิดตัวโมเดลการแปลภาษามือเป็นข้อความ (SL2T) ที่รองรับหลายภาษาระดับมหาศาล ซึ่งถือเป็นจุดเปลี่ยนในด้านคุณภาพและความครอบคลุม โดยนำ AI ภาษามือออกจากห้องปฏิบัติการสู่ผลิตภัณฑ์สำหรับผู้บริโภคเป็นครั้งแรก โดย SL2T จะขับเคลื่อนการพิมพ์ด้วยภาษามือใน Gboard และ Live Transcribe บน Pixel 11 โดยเริ่มจาก ASL (ภาษามืออเมริกัน) เและจะมีอุปกรณ์อื่น ๆ ตามมาในเร็ว ๆ นี้ รวมถึงภาษาเพิ่มเติมในอนาคต
ในลักษณะเดียวกับที่ผู้ที่ได้ยินสามารถใช้การพิมพ์ด้วยเสียงแทนการพิมพ์ด้วยมือ ฟีเจอร์นี้ช่วยให้ผู้พิการทางการได้ยินสามารถใช้ภาษามือกับโทรศัพท์ได้ในทุกที่ที่ปกติจะต้องพิมพ์ คุณสามารถใช้ภาษามือเพื่อค้นหาเว็บ ร่างข้อความหรือเอกสาร และขอให้ Gemini ช่วยแก้ปัญหาหรือทำงานต่าง ๆ ส่วนใน Live Transcribe คุณสามารถใช้ภาษามือเพื่อตอบโต้ในการสนทนาแทนการต้องพิมพ์โต้ตอบไปมา ซึ่งจากการทดสอบของผู้ใช้งานพบว่า การใช้ภาษามือ ASL นั้นรวดเร็ว เป็นธรรมชาติ และน่าประทับใจกว่าการพิมพ์ภาษาอังกฤษ
ทำไมภาษามือถึงมีความสำคัญ
ภาษามือเป็นภาษาหลักของชุมชนผู้พิการทางการได้ยินทั่วโลก และเป็นรากฐานของอัตลักษณ์ทางวัฒนธรรมของผู้พิการทางการได้ยิน เนื่องจากมีความหลากหลายในกลุ่มผู้พิการทางการได้ยิน ทั้งในด้านระดับความเชี่ยวชาญในการใช้ภาษามือ การพูด การอ่าน และการเขียน ดังนั้นการสนับสนุนการเข้าถึงในทุกรูปแบบ จึงเป็นสิ่งสำคัญ ผู้พิการทางการได้ยินสามารถได้รับประโยชน์จากการประมวลผลภาษามือในแบบเดียวกับที่ผู้ที่ได้ยินได้รับประโยชน์จากการประมวลผลภาษาพูด นอกจากนี้ เทคโนโลยีนี้ยังเปิดโอกาสใหม่ ๆ ในการเชื่อมช่องว่างการสื่อสารระหว่างชุมชนผู้พิการทางการได้ยินและผู้ที่ได้ยิน แม้จะมีโอกาสในการสร้างผลกระทบเชิงบวกต่อสังคม แต่ความก้าวหน้าของ AI ภาษามือเป็นไปอย่างล่าช้า ทั้งเนื่องจากความซับซ้อนในการสร้าง AI สำหรับภาษามือ และความเข้าใจผิดที่แพร่หลาย เกี่ยวกับวิธีการทำงานของภาษาเหล่านี้
เมื่อเทียบกับการถอดความภาษาพูด การแปลภาษามือมีความท้าทายหลักสองประการ
- การถอดความเสียงเป็นเรื่องของการทำ mapping ตามลำดับจากเสียงเป็นข้อความในภาษาเดียวกัน ในขณะที่ภาษามือเป็นภาษาธรรมชาติที่เป็นอิสระ มีไวยากรณ์และคำศัพท์ที่แตกต่างกันโดยสิ้นเชิง ส่งผลให้ต้องใช้การแปลด้วยเครื่อง (machine translation) อย่างแท้จริง มากกว่าจะเป็นกระบวนการเปลี่ยนภาษามือเป็นคำทีละคำ
- โมเดลต้องเรียนรู้ที่จะ “มองเห็น” และเข้าใจการเคลื่อนไหวทางกายภาพ ภาษามือสื่อความหมายผ่านการเคลื่อนไหวพร้อมกันของมือ แขน ลำตัว ศีรษะ และใบหน้า การติดตามสิ่งเหล่านี้ด้วยอัตราเฟรมที่สูงเป็นงานคอมพิวเตอร์วิทัศน์ที่ยากและต้องใช้ทรัพยากรคำนวณสูง
จากพื้นฐานนี้ จึงไม่แปลกที่ความพยายามในช่วงแรกของเทคโนโลยีภาษามือ เช่น ถุงมือภาษามือ จะมีข้อจำกัดอย่างมาก เพราะภาษามือไม่ใช่เพียงแค่ “ภาษาอังกฤษที่ย้ายมาไว้บนมือ” แต่ต้องใช้การรับรู้ทางสายตาที่ซับซ้อนของการเคลื่อนไหวร่างกายทั้งหมดอย่างละเอียด และการแปลภาษาที่สมบูรณ์ ซึ่ง SL2T ถูกออกแบบมาเพื่อให้ตอบโจทย์ทั้งสองด้าน
การทำงานของ SL2T
การสร้าง SL2T คือการผสมผสานแนวทางที่เน้นผู้ใช้เป็นศูนย์กลางและคำนึงถึงวัฒนธรรม เข้ากับการขยายขนาดข้อมูลมหาศาล โมเดลนี้ได้รับการฝึกฝนด้วยข้อมูลมากกว่า 100,000 ชั่วโมง ในภาษามือมากกว่า 50 ภาษา โดยประมาณหนึ่งในสี่ของข้อมูลเป็นภาษา ASL การฝึกฝนร่วมกันในภาษา สำเนียง และระดับความเชี่ยวชาญที่หลากหลาย ทำให้โมเดลเรียนรู้โครงสร้างพื้นฐานที่ใช้ร่วมกัน ซึ่งให้ผลลัพธ์ที่ดีกว่าโมเดลภาษาเดียวในการทดลองของเรา
เพื่อปกป้องความเป็นส่วนตัวของผู้ใช้ SL2T จะมองเห็นภาษามือเป็นลำดับของตำแหน่งจุดอ้างอิงบนร่างกาย (pose landmark locations) แทนที่จะเป็นฟีดวิดีโอแบบดิบ โดยมีโมเดลบนอุปกรณ์ (MediaPipe Holistic) ทำหน้าที่ติดตามตำแหน่งของจุดบนตัวผู้ใช้งาน และส่งเพียงพิกัดทางเรขาคณิตเหล่านี้ไปยังเซิร์ฟเวอร์เพื่อการแปล ทำให้สามารถลบวิดีโอต้นฉบับทิ้งได้ทันที
SL2T แปลลำดับพิกัดนี้เป็นข้อความโดยตรง โดยข้ามขั้นตอนการใส่คำอธิบายขั้นกลางที่เรียกว่า “glosses” ซึ่งมักใช้ในงานแปลภาษามือรุ่นก่อน ๆ เนื่องจาก glosses ไม่สามารถจับรายละเอียดที่ซับซ้อนและไม่เป็นเส้นตรงของภาษามือได้ เช่น เครื่องหมายที่ไม่ใช่การเคลื่อนไหวของมือ (non-manual markers) และโครงสร้างทางพื้นที่ การแปลจากจุดอ้างอิงโดยตรงจึงช่วยขจัดข้อจำกัดของคำศัพท์ที่ถูกสร้างขึ้น และทำให้คุณภาพการแปลเพิ่มขึ้นตามปริมาณข้อมูล
SL2T เป็นโมเดลแปลภาษามือที่มีความสามารถสูงสุดจนถึงปัจจุบัน ตามเกณฑ์มาตรฐานสำคัญอย่าง FLEURS-ASL (sd-test) ซึ่งประเมินคุณภาพการแปลจาก ASL เป็นภาษาอังกฤษ โดย SL2T ทำคะแนน zero-shot ได้สูงถึง 70 BLEURT ซึ่งสูงกว่าคะแนนใด ๆ ที่เคยมีการรายงานมาก่อนหน้า แต่การปรับปรุงเพียงเพื่อให้ได้คะแนนทางวิชาการไม่สามารถรับประกันการใช้งานได้จริงในโลกแห่งความเป็นจริง เราจึงให้ความสำคัญกับปัญหาเชิงปฏิบัติ เช่น การลดความหน่วงในการส่งข้อมูล (streaming latency), การป้องกันการหลอน (hallucination) เมื่อไม่มีการใช้ภาษามือ, การสร้างความเท่าเทียมสำหรับผู้ใช้มือซ้ายซึ่งมีประมาณ 10% และการปรับปรุงประสิทธิภาพสำหรับการใช้ภาษามือด้วยมือเดียวในขณะที่ถือสมาร์ตโฟนด้วยมืออีกข้างหนึ่ง
สร้างสรรค์ร่วมกับชุมชน
Deepmind เชื่อในการสร้างเทคโนโลยีร่วมกับชุมชนผู้พิการทางการได้ยิน ไม่ใช่แค่สร้าง “เพื่อ” พวกเขา มุมมองของผู้พิการทางการได้ยินได้เข้ามามีส่วนร่วมในทุกขั้นตอนของโครงการนี้ ตั้งแต่การกำหนดแนวคิดโดย Sam Sepah ซึ่งเป็นพนักงาน Google ที่เป็นผู้พิการทางการได้ยิน, การเก็บข้อมูลร่วมกับพันธมิตรผู้พิการทางการได้ยิน, การประเมินผลในการศึกษาผู้ใช้งาน และการประเมินผลกระทบของเทคโนโลยีร่วมกับผู้เชี่ยวชาญ
เพื่อนำทางไปสู่การปรับใช้งานจริงอย่างรับผิดชอบ เราได้จัดตั้งคณะกรรมการที่ปรึกษาด้าน AI สำหรับภาษามือ (AI Sign Language Advisory Committee หรือ AISLAC) ซึ่งเป็นการรวมตัวกันขององค์กรผู้พิการทางการได้ยินระดับโลกและผู้เชี่ยวชาญในสาขานี้ ภายใต้รูปแบบการกำกับดูแลแบบมีส่วนร่วม ชุมชนที่ได้รับผลกระทบจากเทคโนโลยีของเรามากที่สุดสามารถส่งอิทธิพลต่อลำดับความสำคัญในการพัฒนาได้โดยตรง เราได้ร่วมกันเขียนรายงานผลกระทบสำหรับการปล่อย SL2T 1.0 ใน Gboard และ Live Transcribe โดยระบุความสามารถและข้อจำกัดปัจจุบันของเทคโนโลยีอย่างโปร่งใส ซึ่งเป็นแนวทางความร่วมมือที่เราตั้งใจจะทำต่อไปสำหรับการเปิดตัวภาษามือสำคัญ ๆ ทั้งหมด
ทิศทางในอนาคต
SL2T ต่อยอดจากการวิจัยพื้นฐานหลายทศวรรษทั้งในภาควิชาการและอุตสาหกรรม แต่การนำข้อมูล ASL มาสู่โทรศัพท์ของผู้ใช้งานเป็นเพียงจุดเริ่มต้น ภารกิจของ Google คือการจัดระเบียบข้อมูลของโลกและทำให้ทุกคนเข้าถึงและใช้ประโยชน์ได้ในระดับสากล ซึ่งหมายถึงการทำให้ภาษามือมีความเท่าเทียมกับภาษาพูดและภาษาเขียน Google Deepmind กำลังทำงานเพื่อขยายเทคโนโลยีนี้ไปยังภาษามืออื่น ๆ การสร้างภาษามือ (sign language generation) และความสามารถของ AI ระดับแนวหน้า เราตั้งตารอที่จะแบ่งปันความก้าวหน้าของเราอย่างรับผิดชอบ เพื่อทำให้การเข้าถึงผ่านภาษามือกลายเป็นมาตรฐานในโลกดิจิทัล
ผู้ใช้สามารถสัมผัสประสบการณ์ SL2T ได้ใน Gboard และ Live Transcribe เริ่มต้นบน Pixel 11 และจะรองรับอุปกรณ์อื่น ๆ ในเร็ว ๆ นี้ โดยไม่มีค่าใช้จ่ายเพิ่มเติม
ที่มา: Google DeepMind
