Tencent, insan gecikmesini yenen bir eşzamanlı çevirmeni açık kaynağa açtı
Tencent’in Hunyuan araştırma ekibi, 26 Ekim’de normalde ses geçirmez bir kabinde eğitimli bir insan gerektiren canlı çeviri türü için tasarlanmış Hy-SimulMT adlı bir eşzamanlı çeviri modelini yayımladı ve açık kaynağa açtı. Model, bir konuşmacının sesini alıp konuşmacı hâlâ konuşurken çevrilmiş konuşma üretiyor; tam bir cümlenin bitmesini beklemeden Çince ile İngilizce arasında iki yönde geçiş yapıyor.
Öne çıkan rakam gecikme. Tencent, sistemin yaklaşık üç saniyede yanıt verdiğini, profesyonel insan eşzamanlı çevirmenlerde bu sürenin ortalama dört-beş saniye olduğunu söylüyor. Eşzamanlı işte bu saniyeler her şey demek: gecikme uzadıkça dinleyici konuyu daha çok kaybediyor ve konuşmacı ile çevirmenin senkron kalması zorlaşıyor. Şirket ayrıca çeviri kalitesinin birkaç değerlendirmede insan konferans çevirmenleri düzeyine ulaştığını, yaygın açık kaynak modellerin ve çoğu ticari API’nin önünde olduğunu iddia ediyor.
Çeviri çevreleri dışında en çok dikkat çekmesi muhtemel özellik, gerçek zamanlı tını klonlama. Hy-SimulMT, çıktı sesinde konuşmacının sesini ve tonunu yeniden üretiyor; böylece Çince konuşan birinin İngilizcesi genel bir sentetik ses gibi değil, o kişi gibi duyuluyor. Bu, toplantılar, canlı yayınlar ve seyahat için anlamlı bir adım, ama aynı zamanda klonlama yapabilen her sistemin davet ettiği ses verisi ve rıza konusundaki bilinen soruları da gündeme getiriyor.
Tencent modeli Hy çeviri uygulamasına ücretsiz bir ilk deneyim olarak koydu; kod ve ağırlıklar HuggingFace, ModelScope ve GitHub’da mevcut. Modeli bir API’nin arkasında tutmak yerine açmak, Çinli yapay zekâ laboratuvarları arasında artık yaygın olan bir kalıbı izliyor: ticari rakipler en iyi sistemlerini kapalı tutarken onlar geliştirici ekosistemleri ve güvenilirlik inşa etmek için açık sürümleri sık kullanıyor.
Eşzamanlı çeviri kalabalık bir sınır hattı hâline geldi. Sorun yapay zekâya iyi uyuyor çünkü düşük gecikmeyi, istikrarlı çıktıyı ve dağınık, üst üste binen konuşmayı işleme yeteneğini ödüllendiriyor; bunların hepsi büyük konuşma modellerinin keskin biçimde geliştiği alanlar. Aynı zamanda belirgin ve ölçülebilir bir insan ölçütü olan az sayıdaki yapay zekâ görevinden biri: hızları ve doğrulukları herkesin anlayabileceği bir mihenk taşı sunan profesyonel çevirmenler.
Küresel izleyiciler için pratik etki, çevirmenlerin yerini almaktan çok erişimi genişletmekle ilgili. Telefonda çalışan üç saniyelik bir konuşmadan konuşmaya hattı, bir hizmet ayırtmadan dil engeli aşarak bir iş görüşmesini, bir fabrika turunu veya bir hastane konuşmasını mümkün kılabilir. Ses klonlama katmanı deneyimi daha az mekanik hissettiriyor, ancak teknolojinin bir kişinin konuşmasını konuşmadığı bir dilde taklit edebilmesi anlamına da geliyor.
Sıradaki sınav gerçek dünyada kullanım. Uygulama incelemeleri ve açık ağırlıklar üzerine kurulan geliştirici projeleri, üç saniyelik yanıtın gürültülü seste, belirgin aksanlarda ve teknik sözcüklerde dayanıp dayanmadığını gösterecek; laboratuvar değerlendirmeleri bir modeli genellikle olduğundan iyi gösterir. Tencent’in hamlesi ayrıca rakiplere karşılaştırılabilir gecikme rakamları yayımlama baskısı yaratıyor; bu da alıcılara şimdiye kadar çoğunlukla tanıtım videolarıyla yürüyen bir pazarı yargılamanın daha net bir yolunu verebilir.