Новый вариант речевой ИИ-модели Google USM позволит обрабатывать более 1000 языков

В разработке у Google находятся практически все виды ИИ-технологий, но Универсальная речевая модель (Universal Speech Model или USM) занимает в портфолио компании особое место. Этот проект стал частью попытки компании построить систему, способную понимать 1000 наиболее распространённых языков мира.

Источник изображения: intographics/unsplash.com

Хотя Google и Microsoft активно соперничают, пытаясь доказать превосходство своих чат-ботов, технология «человекоподобных» ИИ-инструментов — не единственная сфера применения машинного обучения и языковых моделей.

Наряду со слухами о планах представить более 20 инструментов на базе алгоритмов ИИ в ходе конференции I/O этого года, Google продолжает работать над языковой моделью, поддерживающей 1000 языков. В понедельник компания поделилась новой информацией о своей универсальной речевой модели, которую в Google описывают как «критический первый шаг» в реализации своих планов на этом поприще.

Ещё в прошлом ноябре компания анонсировала планы создания языковой модели, поддерживающей 1000 наиболее распространённых языков, рассказав об USM. Google описывает её как «семейство ультрасовременных речевых моделей» с 2 млрд параметров. При тренировке использовались 12 млн часов речи и 28 млрд предложений из более чем 300 языков.

USM уже используется Google для создания субтитров на YouTube, модель уже поддерживает автоматическое распознавание речи. Это позволяет автоматически определять и распознавать различные языки, от распространённых вроде английского или мандаринского диалекта китайского до амхарского или ассамского. По данным Google, уже сейчас USM поддерживает более 100 языков и послужит основой для строительства ещё более масштабной системы. Известно, что над аналогичной технологией ИИ-перевода уже работает Meta✴. Подробнее об USM можно почитать в докладе Google.

Одной из сфер применения технологии может быть использование в очках дополненной реальности — подобный концепт-вариант Google продемонстрировала ещё в ходе конференции I/O прошлого года. Система может в режиме реального времени переводить чужую речь, выводя результаты непосредственно на дисплей AR-очков. Впрочем, до появления окончательной версии технологии пока довольно далеко и Google придётся немало поработать, чтобы избежать досадных ошибок.