DeepL Voice يتعلّم نقل السخرية وتبدّل المزاج إلى الترجمة الفورية

تخيّل أن زميلًا من برلين يقول في مكالمة جماعية: «طبعًا، خطة ممتازة». نبرته تجعل المعنى واضحًا دون أي شرح. أما المترجم فيقول العبارة نفسها بصوت رتيب، فيأخذها المستمع في طوكيو أو مدريد على محمل الجد. تحاول DeepL حلّ هذه المشكلة بنموذج جديد اسمه Aure لمنتجها الصوتي DeepL Voice.

ما الذي كان خاطئًا

كان DeepL Voice حتى الآن يولّد الكلام المترجَم اعتمادًا على عيّنة صوت ثابتة تؤخذ في بداية المحادثة. كان الصوت يشبه صوت المتحدث، لكن المزاج «يتجمّد». قد يبدأ الشخص بالانزعاج أو الضحك أو السخرية، بينما يبقى الكلام المُصطنع على النبرة نفسها. والسخرية تعيش في النبرة تقريبًا بالكامل، لا في الكلمات. لذلك تضيع في الترجمة النصية، وتضيع كذلك في الترجمة الصوتية ذات العيّنة الثابتة.

كيف يعمل Aure

لا يأخذ Aure عيّنة مرة واحدة، بل يحلّل باستمرار مسارين: النص المترجَم والصوت الأصلي. ومن الأصل تُستخرج النبرة والانفعالات ومواضع التشديد الدلالي ووتيرة الكلام. ثم يُنقل كل ذلك إلى الكلام بلغة أخرى أثناء المحادثة.

تكمن الفكرة الأساسية في التدريب. تفصل DeepL بين ثلاثة مكوّنات: هوية الصوت، ولحن الكلام، والمحتوى. ويمكن نقل كل منها إلى لغة جديدة بصورة مستقلة. أبسط طريقة للفهم: الجرس الصوتي يجيب عن سؤال «من يتحدث»، واللحن عن «كيف يتحدث»، والمحتوى عن «ماذا يقول». وإذا كانت هذه الطبقات ملتصقة، فإن الصوتيات الغريبة تنتقل مع النبرة. أما إذا فُصلت، فيمكن الحفاظ على الصوت والانفعال، وأخذ الكلمات والنطق من اللغة الهدف. ولكي لا تبقى لكنة اللغة الأصلية في المخرجات، تستخدم DeepL التعلّم المعزَّز.

أين يتوفر وفي أي سياق

يُفعَّل Aure تلقائيًا في DeepL Voice for Online Meetings وDeepL Voice for In-Person Conversations وفي DeepL API. وتُدعم عند الإطلاق الإنجليزية والألمانية والإسبانية والفرنسية والإيطالية واليابانية والبرتغالية والكورية. وكانت DeepL قد أطلقت ميزة الحفاظ على الصوت في سبتمبر، ولذلك يبدو Aure خطوة تالية في المسار نفسه.

وتقف خلف ذلك استراتيجية الشركة أيضًا. ففي مايو سرّحت DeepL نحو 250 موظفًا لإعادة بناء نفسها حول فرق صغيرة قائمة على الذكاء الاصطناعي، ووصفت نفسها بأنها «AI-native». كما اشترت DeepL فريق Mixhalo، المتخصص في البث الصوتي، لتعزيز ترجمة الكلام في الوقت الفعلي. والضغط التنافسي حاضر أيضًا: فقد عرضت شركة Block مؤخرًا Dessa، وهو نموذج صوتي يتعرّف على المشاعر والسخرية مباشرة من الصوت. من الواضح أن الصناعة تتجه من ترجمة الكلمات إلى ترجمة المعنى.

ماذا تفعل بذلك

إذا كنت تبني منتجًا يتضمن مكالمات دولية أو دعمًا أو تدريبًا أو مفاوضات، فإن الدقة العاطفية للترجمة تصبح جزءًا من الجودة. كان ممكنًا من قبل ألا تفكر فيها، أما الآن فهي ميزة محتملة تميّزك عن المنافسين. ويتيح الوصول عبر API دمج هذه الترجمة في خدمتك الخاصة دون تدريب نموذج من الصفر. من المعقول جمع عدة تسجيلات حقيقية فيها سخرية وفترات صمت وتغيّر في النبرة، وتمريرها عبر Aure على أزواج اللغات لديك.

القيود

لا يتضمن الإعلان مقاييس للجودة ولا بيانات عن زمن التأخير ولا اختبارات مستقلة، لذا فهذه حتى الآن ادعاءات الشركة نفسها. ولا يُعرف كيف يتصرف النموذج مع الضجيج والمقاطعات والتبدّل السريع بين المتحدثين. وثماني لغات عدد قليل، ولن يكفي كثيرًا من الأسواق. وهناك سؤال آخر هو ثمن الخطأ. وهذا رأيي الشخصي لا بيانات من الإعلان: قد تضرّ النبرة المنقولة خطأً أكثر من الكلمة الخاطئة، لأنها تنسب إلى الشخص نبرة لم تكن لديه. وفي المفاوضات والمحادثات الحسّاسة ينبغي إبقاء إمكانية إعادة التحقق.