Tencent mở mã nguồn mô hình phiên dịch đồng thời vượt độ trễ của con người

Nhóm nghiên cứu Hunyuan của Tencent đã phát hành và mở mã nguồn mô hình dịch đồng thời mang tên Hy-SimulMT vào ngày 26 tháng 10, được xây dựng cho kiểu phiên dịch trực tiếp vốn thường cần một người được đào tạo ngồi trong buồng cách âm. Mô hình nhận âm thanh từ người nói và xuất ra giọng nói đã dịch ngay khi người nói vẫn đang nói, chuyển đổi giữa tiếng Trung và tiếng Anh theo cả hai chiều mà không chờ hết câu.

Con số đáng chú ý nhất là độ trễ. Tencent cho biết hệ thống phản hồi trong khoảng ba giây, so với mức trung bình bốn đến năm giây của phiên dịch viên đồng thời chuyên nghiệp. Trong công việc đồng thời, những giây đó quyết định tất cả: độ trễ càng lớn, khán giả càng mất mạch, và người nói lẫn phiên dịch viên càng khó giữ đồng bộ. Công ty cũng tuyên bố chất lượng dịch đạt mức phiên dịch viên hội nghị con người trên một số bài đánh giá, vượt các mô hình mã nguồn mở phổ biến và phần lớn API thương mại.

Tính năng có khả năng thu hút sự chú ý nhiều nhất ngoài giới phiên dịch là nhân bản âm sắc theo thời gian thực. Hy-SimulMT tái tạo giọng và ngữ điệu của người nói trong âm thanh đầu ra, nên phần tiếng Anh của một người nói tiếng Trung nghe như chính người đó chứ không phải giọng tổng hợp chung chung. Đây là bước tiến đáng kể cho họp hành, phát trực tiếp và du lịch, nhưng cũng dấy lên những câu hỏi quen thuộc về dữ liệu giọng nói và sự đồng thuận mà bất kỳ hệ thống có khả năng nhân bản nào cũng đặt ra.

Tencent đã đưa mô hình vào ứng dụng dịch Hy của mình như một trải nghiệm dùng thử miễn phí, còn mã nguồn và trọng số có sẵn trên HuggingFace, ModelScope và GitHub. Việc mở mô hình thay vì giữ sau một API theo đúng xu hướng hiện nay của các phòng thí nghiệm AI Trung Quốc, vốn thường dùng các bản phát hành mở để xây dựng hệ sinh thái nhà phát triển và uy tín trong khi các đối thủ thương mại giữ kín những hệ thống tốt nhất.

Phiên dịch đồng thời đã trở thành một mặt trận đông đúc. Bài toán này hợp với AI vì đòi hỏi độ trễ thấp, đầu ra ổn định và khả năng xử lý giọng nói lộn xộn, chồng chéo, tất cả đều là những lĩnh vực mà các mô hình giọng nói lớn đã tiến bộ vượt bậc. Đây cũng là một trong số ít tác vụ AI có thước đo con người rõ ràng và đo lường được: những phiên dịch viên chuyên nghiệp, mà tốc độ và độ chính xác là chuẩn mực ai cũng hiểu.

Với khán giả toàn cầu, tác động thực tế không hẳn là thay thế phiên dịch viên mà là mở rộng khả năng tiếp cận. Một quy trình giọng nói sang giọng nói ba giây chạy trên điện thoại có thể giúp một cuộc gọi công việc, một chuyến tham quan nhà máy hay một cuộc trò chuyện ở bệnh viện diễn ra qua rào cản ngôn ngữ mà không cần đặt dịch vụ. Lớp nhân bản giọng nói khiến trải nghiệm bớt máy móc, dù nó cũng có nghĩa công nghệ này có thể bắt chước giọng một người bằng thứ tiếng họ không nói.

Phép thử tiếp theo là việc sử dụng trong thực tế. Các đánh giá ứng dụng và dự án của nhà phát triển xây trên trọng số mở sẽ cho thấy phản hồi ba giây có trụ vững với âm thanh ồn, giọng địa phương nặng và từ vựng kỹ thuật hay không, những nơi mà đánh giá trong phòng thí nghiệm thường nuông chiều mô hình. Động thái của Tencent cũng gây áp lực buộc đối thủ công bố các con số độ trễ tương đương, giúp người mua có cách rõ ràng hơn để đánh giá một thị trường đến nay chủ yếu vận hành bằng video demo.