テキスト翻訳の精度で知られるDeepLが、AI生成の字幕を通じて対面での会話を瞬時に翻訳するシステム「DeepL Voice」を発表した。このツールは、参加者が異なる言語を話すビジネスミーティング向けに設計されている。汎用的なソリューションとは異なり、DeepLはフォーマルなトーンと技術的な文脈を維持することを約束しており、これは翻訳ミスが契約を台無しにする可能性がある企業環境において極めて重要である。
騒がしい環境における処理アーキテクチャとレイテンシ 🎤
DeepL Voiceは、リカレントニューラルネットワークとトランスフォーマーを組み合わせたハイブリッド音声認識モデルで動作する。このシステムは、音声をリアルタイムでキャプチャし、意味のあるフレーズに分割し、文脈に応じた翻訳を適用してから、共有画面に字幕を投影する。レイテンシは2秒未満で、反響のある部屋や複数の話者がいる場合でも同様である。しかし、このツールは非常に専門的な専門用語や極端な地域のアクセントには依然として対応できない。DeepLは、データ漏洩を防ぐために音声はデバイス上でローカルに処理されることを確認しているが、同時に4人以上の参加者がいる会話では精度が78%に低下する。
アルゴリズムによる言語のバブルのリスク 🤖
DeepL Voiceはグローバルなコミュニケーションを民主化すると約束する一方で、潜在的な危険性も存在する：AIへの過度の依存は、人間が他の言語を学ぶための忍耐と努力を損なう可能性がある。国際会議では、このシステムは無意識のうちに英語やドイツ語など、より多くのトレーニングデータを持つ言語の話者を優遇し、マイノリティ言語の話者を不利な立場に置く可能性がある。さらに、ライブ文字起こしは力関係を変える：字幕画面を制御する者が会話の流れを制御する。問題はテクノロジーが機能するかどうかではなく、文化的共感をアルゴリズムに委ねる準備ができているかどうかである。
DeepL Voiceは、従来は人間による通訳が標準であった国際会議や会議のダイナミクスにどのような影響を与えるのか、そしてこれらのリアルタイムの会話を人工知能に委ねることによって、どのような倫理的、プライバシー上の問題が生じるのか？
(追記：インターネット上のあだ名を禁止しようとするのは、指で太陽を隠そうとするようなものだ...ただしデジタル版では)