Wielu z Was zapewne słyszało o Tłumaczu Google – stronie internetowej, która automatycznie przekłada ze 100 różnych języków na wybrany. Narzędzie tłumacza dostępne jest nawet w telefonach oraz zegarkach smartwatch.
Technika, która to umożliwia, nazywa się tłumaczeniem maszynowym. Zrewolucjonizowała ona świat na tyle, że pozwala ludziom na komunikowanie się, gdy w innym przypadku nie byłoby to możliwe. Obecnie wkracza w świat miniaturowych elektronicznych gadżetów i, co jeszcze ważniejsze, często nie wymaga łączności z siecią, gdyż obliczenia odbywają się w urządzeniu mieszczącym się w dłoni. W niniejszym artykule powiemy nieco więcej o samej technice, jak i dokonamy przeglądu aplikacji oraz urządzeń przenośnych obsługujących funkcje translacji w czasie rzeczywistym.
Wprowadzenie
Przedsiębiorstwa i ośrodki naukowe z całego świata pracują nad tym, aby dzięki nowoczesnej technice nasze życie znacznie się poprawiło. Choć lubimy narzekać na różne rozwiązania, i tak bardzo często z nich korzystamy, ponieważ sprawiają, że niektóre czynności jesteśmy w stanie wykonać znacznie szybciej niż bez ich udziału. Wprawdzie mówi się o niedoskonałości tłumaczeń, szczególnie w bardzo długich tekstach, ale nadal każdego dnia tłumaczy się miliony, a nawet miliardy słów. Czyli choć zdarza się nam narzekać na jakość tego rozwiązania, nie przeszkadza nam to z niego korzystać.
Wiemy przecież, że już od niemal 15 lat uczniowie amerykańskich szkół średnich używają Google Translate, który... tłumaczy im zadania domowe z innego języka, na przykład hiszpańskiego. Czyli nie jest to jakaś nowość, prawda?
Mamy jednak powód, aby o tym teraz mówić, już bowiem od dwóch lat głębokie uczenie maszynowe kompletnie zrewolucjonizowało nasze nastawienie do tłumaczenia maszynowego. Specjaliści od głębokiego nauczania, którzy prawie nie mają pojęcia o przekładzie, tworzą całkiem proste rozwiązania tłumaczenia maszynowego, które biją na głowę najlepsze systemy tłumaczenia skonstruowane przez najlepszych ekspertów zajmujących się statystycznym uczeniem maszynowym.
Technologia stojąca za tym przełomem nazywa się tłumaczeniem z sekwencji na sekwencję (sequence-to-sequence learning). Jest bardzo wydajna i ma wiele zastosowań, nie tylko w przekładzie językowym. Przyjrzymy się jej użyciu w procesie tłumaczenia, ale także powiemy, jak ten sam algorytm może być wykorzystany do napisania czat-bota zarządzanego przez sztuczną inteligencję oraz opisu zdjęcia.
Co możemy zrobić, aby komputer był w stanie przełożyć tekst z języka naturalnego? Najprostszym rozwiązaniem jest oczywiście tłumaczenie po prostu słowo w słowo, czyli zastąpienie wszystkich słów w języku źródłowym słowami w języku docelowym. Oto przykład prostego tłumaczenia z języka hiszpańskiego na angielski:
Zastąpiliśmy każde słowo hiszpańskie odpowiednikiem w języku angielskim. Jest to bardzo proste do przeprowadzenia, ponieważ potrzeba jedynie słownika, aby znaleźć tłumaczenie każdego słowa. Rezultat jednak jest opłakany, bo taki sposób całkowicie pomija kontekst oraz zasady gramatyczne.
Aby udoskonalić przekład, należy dodać zasady rządzące wypowiedzią w danym języku. Możemy na przykład przetłumaczyć często pojawiające się frazy złożone z dwóch wyrazów jako jedną grupę. Możemy też zmienić miejsce rzeczowników czy przymiotników, które w języku hiszpańskim mają odwrotną kolejność niż w angielskim. Możemy też regułowo okodować różne inne zawiłości danej pary języków.
To podziałało! Czyż nie wystarczy więc dodawanie reguł do momentu zyskania znajomości wszystkich dziedzin gramatyki, aby program mógł poprawnie przetłumaczyć każde dane zdanie?
Na takiej właśnie zasadzie działały wczesne systemy tłumaczeniowe oparte na regułach (rule-based). Lingwiści próbowali zaprogramować wszystkie skomplikowane zasady języka jedna po drugiej. Podczas zimnej wojny jedni z najwybitniejszych w swojej dziedzinie stworzyli taki system, aby łatwiej było tłumaczyć informacje uzyskane w wyniku analizy komunikacji rosyjskiej.
Niestety, ten sposób działał tylko w przypadku bardzo prostych tekstów, takich jak prognoza pogody. Programy tego typu nie były w stanie prawidłowo odczytywać prawdziwych dokumentów.
Powodem jest to, że język naturalny nie ma ściśle określonych reguł. Nasze języki są przepełnione wyjątkami, gwarą regionalną czy po prostu zwykłym łamaniem reguł gramatycznych. Na używany przez nas język większy wpływ ma to, kto kogo w przeszłości podbił, niż sztywne zasady zdefiniowane przez jakiś autorytet w dziedzinie gramatyki.
Podejście statystyczne
Po tym, jak tłumaczenie na podstawie reguł gramatycznych zupełnie się nie sprawdziło, zaczęto poszukiwać nowych podejść. Skoncentrowano się na tworzeniu modeli, które opierają się raczej na regułach statystycznego prawdopodobieństwa niż na regułach gramatycznych. Przez długie lata to właśnie podejście statystyczne było głównym nurtem rozwoju tej techniki. Zaczęło się to zmieniać dosłownie dwa lata temu, a dopiero dziś tłumaczenie maszynowe zaczyna być wypierane.
Tworzenie modelu tłumaczeniowego opartego na statystyce wymaga dostarczenia dużej ilości danych uczących w postaci tłumaczeń tego samego tekstu przynajmniej w dwóch językach. Taki podwójnie przetłumaczony tekst określa się jako korpus równoległy (parallel corpus). Są to duże korpusy składające się ze zdań, gdzie każde zdanie w danym języku ma przetłumaczony odpowiednik w innym języku. Komputery mogą posłużyć się takimi przetłumaczonymi danymi korpusowymi par językowych, aby odczytać, jak należy przekształcić tekst z jednego języka na tekst w drugim języku. Na podobnej zasadzie naukowcy w XIX wieku odczytali znaleziony w Egipcie kamień z Rosetty: użyli języka greckiego do rozszyfrowania egipskich hieroglifów.
Jedną z podstawowych różnic w systemie tłumaczeniowym opartym na statystyce jest to, że w pierwszym etapie nie jest ich celem uzyskanie dokładnego tłumaczenia. Zamiast tego wytwarza się tysiące możliwych wersji jednego przekładu i później ocenia się te wersje w kolejności prawdopodobieństwa ich prawidłowości. Programy szacują więc, w jakim stopniu tekst jest prawidłowo przetłumaczony w stosunku do tekstu źródłowego, który posłużył jako dane wejściowe nauczania maszynowego. Oto jak wygląda takie działanie.
Etap 1 – podział oryginalnego zdania na fragmenty:
Po pierwsze, dzielimy nasze zdanie na proste części, które z łatwością mogą zostać przetłumaczone.
Etap 2 – poszukiwanie wszystkich możliwych tłumaczeń danego fragmentu:
W tym etapie będzie to poszukiwanie wszystkich istniejących możliwych tłumaczeń części składowych. Co ważne, nie chodzi nam tylko o zajrzenie do prostego słownikowego tłumaczenia. Poszukujemy tutaj przekładów tych samych fragmentów w różnych tekstach przełożonych przez tłumaczy. W taki sposób jesteśmy w stanie uchwycić różne sposoby użycia danego fragmentu w zależności od zmieniającego się kontekstu.
Nawet najprostsze, pospolicie używane wyrażenia mają wiele możliwych tłumaczeń, a wyrazy – synonimów.
Niektórych z tych tłumaczeń używa się częściej niż innych. Opierając się więc na tym, jak często występuje dane tłumaczenie w naszych danych uczących, możemy je odpowiednio ocenić. Przykładowo częściej ktoś używa słowa „Quiero” w znaczeniu „Ja chcę” niż „Ja spróbuję”. Czyli w naszym uczeniu maszynowym nadamy tłumaczeniu słowa „quiero” jako „ja chcę” większą wagę niż innym tłumaczeniom.
Posługując się więc tylko fragmentami przekładów, w drugim etapie możemy wytworzyć blisko 2500 różnych wersji naszego zdania przez łączenie fragmentów w różny sposób. Oto kilka przykładów:
I love | to leave | at | the seaside | more tidy.
Kocham | opuścić | przy | nadmorski brzeg | więcej czysty.
I mean | to be on | to | the open space | most lovely.
Ja mam na myśli | być na | do | otwarta przestrzeń | najbardziej uroczy.
I like | to be |on | per the seaside | more lovely.
Ja lubię | być na | nadmorski brzeg | bardziej uroczy.
I mean | to go | to | the open space | most tidy.
Ja mam na myśli | iść | do | otwarta przestrzeń | najbardziej czysty.
W rzeczywistym zastosowaniu mamy jeszcze większe możliwości łączenia tych fragmentów przez zmianę ich kolejności w zdaniu:
I try | to run | at | the prettiest | open space. I want | to run | per | the more tidy | open space. I mean | to forget | at | the tidiest | beach. I try | to go | per | the more tidy | seaside.
Ja staram się | biegać | przy | najpiękniejszy | otwarta przestrzeń. Ja chcę | biegać | przy | bardziej czysty | otwarta przestrzeń. Ja mam na myśli | zapomnieć | najczystsza | plaża. Ja staram się | iść | przez | bardziej czysty | nadmorski brzeg.
Teraz musimy wśród tych wygenerowanych zdań znaleźć takie, które brzmi najbardziej „po ludzku”. Dokonamy tego przez porównanie każdego wytworzonego zdania do statystyk opracowanych na podstawie milionów prawdziwych zdań z książek i różnych materiałów z mediów. Im więcej mamy danych tekstowych, tym oczywiście lepiej.
Tłumaczenie maszynowe oparte na statystyce stanowiło duży przełom. Metoda statystycznego tłumaczenia maszynowego radzi sobie z przekładem o wiele lepiej niż systemy oparte na regułach gramatycznych, jeśli dostarczy się wystarczająco dużej ilości danych uczących. Franz Josef Och udoskonalił te pomysły i użył ich do stworzenia Tłumacza Google we wczesnych latach dwutysięcznych, kiedy to tłumaczenie maszynowe wreszcie udostępnione zostało światu.
Wiele osób dziwiło się, że „bezmyślne” podejście do tłumaczenia na podstawie prawdopodobieństwa zapewnia lepsze wyniki niż system oparty na zasadach gramatycznych i zaprojektowany przez lingwistów. To sprawiło, że w latach 80. utarło się (z nutą zjadliwości) następujące powiedzenie:
Za każdym razem, kiedy z etatu zwalniam lingwistę, moja dokładność idzie w górę. – Frederick Jelinek
Wady podejścia statystycznego
Statystyczne tłumaczenie maszynowe (SMT) działa dość dobrze, ale jest dość trudne do stworzenia i utrzymania. Każda para językowa, którą pragniemy przetłumaczyć, wymaga jednak ekspertów, którzy będą odpowiednio manipulować tak powstałą wieloetapową platformą tłumaczeniową i ją dostrajać. Co więcej, jakość tłumaczenia będzie się wahała zależnie od tego, z jakiej dziedziny pochodzi tekst. SMT świetnie się sprawdzi, gdy dziedzina jest wąska, ale już gorzej w ogólnej tematyce. Wymaga to nie tylko dużo pracy, ale też sporych nakładów czasowych i obliczeniowych.
Dlatego nawet Google nie ma systemów dla wszystkich par języków. Na przykład, jeśli wpiszemy w okienko Tłumacza Google tłumaczenie słowa z języka gruzińskiego, system będzie musiał podjąć dodatkowy krok: przetłumaczyć najpierw dany tekst na angielski (jako język pośredni), a dopiero potem na język docelowy. Takie podwójne tłumaczenie oczywiście pogarsza jakość.
Zauważmy, że nawet system Google, o ile dobrze przekłada ogólne teksty, nie działa już tak dobrze, jeśli tekst jest specjalistyczny. Wymagałoby to opracowania systemu konkretnie pod kątem danej dziedziny i danej pary języków. Podobnym problemem jest badanie kontekstu, od którego de facto zależy tłumaczenie.
Co zamiast statystyki?
W 2014 zespół kierowany przez Kyunghyun Cho dokonał istotnego przełomu w tłumaczeniu maszynowym. Znalazł on sposób na to, aby wykorzystać głębokie nauczanie maszynowe do zbudowania systemu typu „czarna skrzynka”. System ten opiera się na równoległym korpusie dwujęzycznym (parallel corpus) i użyciu go do uczenia komputera tłumaczenia z zastosowaniem dwóch koncepcji: rekurencyjnej sieci neuronowej oraz systemu koder-dekoder.
Zwykłe (czyli nierekurencyjne) sieci neuronowe są wytworzonymi algorytmami uczenia maszynowego, które pobierają listę liczb i obliczają wynik (opierając się na wcześniejszym cyklu uczenia maszynowego). Sieci neuronowe mogą zostać użyte jako „czarne skrzynki” do rozwiązywania wielu zadań. Dla przykładu, możemy nauczyć sieć neuronową, aby określiła wartość nieruchomości na podstawie jej cech:
W przeciwieństwie do algorytmów nauczania maszynowego sieci neuronowe są bezstanowe (stateless). Jeśli poda się im listę danych liczbowych, sieć neuronowa będzie obliczała wynik. Gdy powtórzymy to działanie, wynik zostanie obliczony w ten sam sposób. Taka sieć nie ma żadnej pamięci poprzednich działań. Czyli dla takiej sieci 2 + 2 zawsze równa się 4.
Rekurencyjna sieć neuronowa (Recurrent Neural Network – RNN) jest wersją zwykłej sieci neuronowej, która została w niewielkim stopniu zmodyfikowana. Poprzedni stan sieci neuronowej zostaje zachowany jako dane wejściowe do następnych obliczeń. To oznacza, że wcześniejsze obliczenia zmieniają wyniki przyszłych.
Z jakiego powodu będziemy dodawać poprzednie wyniki? Czyż nasze 2 + 2 nie powinno zawsze wynosić 4, niezależnie od tego, co obliczyliśmy wcześniej?
Ten wybieg pozwala sieciom neuronowym poznać wzorce w sekwencji danych. Dla przykładu, możemy użyć go do przewidzenia najbardziej prawdopodobnej kontynuacji zdania na podstawie pierwszych kilku słów:
Jest to jeden ze sposobów na zrealizowanie funkcji autokorekty dla aplikacji klawiatury smartfonu.
RNN jest bardzo użyteczna w każdym przypadku, gdy zależy nam na odkryciu powtarzającego się wzorca w danych. Ze względu na to, że język naturalny przypomina jeden ogromny skomplikowany wzór, coraz częściej stosujemy rekurencyjne sieci neuronowe do przetwarzania języka naturalnego.
Kodowanie:
Drugą ważną koncepcją, którą tutaj przejrzymy, jest kodowanie (encoding). Aby wytłumaczyć, jak działa kodowanie, odejdźmy od wątku głównego naszych obecnych rozważań i pokrótce omówmy, jak dokonamy rozróżnienia między dwoma osobami z zastosowaniem komputera.
Komputerowe rozróżnienie rysów twarzy różnych osób przebiega na podstawie różnych wymiarów pobranych z każdej twarzy. Możemy zmierzyć wymiary uszu czy też rozstawienie oczu na dwóch różnych zdjęciach i porównać te wartości, aby się dowiedzieć, czy zdjęcia przedstawiają tę samą osobę.
Pomysł z przetwarzaniem twarzy jako listy wymiarów jest właśnie przykładem kodowania. Bierzemy do tego celu dane (tutaj zdjęcie twarzy) i przekształcamy na listę wymiarów, które ją reprezentują (kodowanie). Tych specyficznych pomiarów nie musimy dokonywać sami, ponieważ zrobi to za nas sieć neuronowa. Komputer właściwie jest w stanie wykonać to zadanie o wiele lepiej, gdyż sam wybierze pomiary, które pozwolą mu jak najtrafniej rozróżnić dwie podobne do siebie osoby:
Te pomiary rysów twarzy są generowane przez sieć neuronową, która została nauczona danymi, aby rozróżniać między różnymi twarzami ludzkimi na podstawie różnicy w pomiarach.
Na tym właśnie polega kodowanie, które pozwala nam odwzorować coś bardzo skomplikowanego (np. zdjęcie twarzy) dzięki zastosowaniu czegoś prostego (128 pomiarów). Dzięki temu zabiegowi porównywanie rysów dwojga ludzi jest o wiele prostsze niż porównywanie z zastosowaniem całego obrazu.
Otóż w ten sam sposób możemy potraktować zdania! Możemy przedstawić zakodowania, które reprezentują każde możliwe inne zdanie jako serię unikatowych liczb:
Ta lista z numerami reprezentuje zdanie w języku angielskim „Machine Learning is Fun!”. Inne zdanie będzie miało odpowiednik w innym zbiorze liczb.
Aby wygenerować to zakodowane zdanie, załadujemy je po jednym wyrazie na raz do RNN. Końcowy wynik po załadowaniu i przetworzeniu ostatniego słowa reprezentuje całe zdanie:
Rekurencyjna sieć neuronowa zapamiętuje każde słowo z danych wejściowych, a końcowe zakodowanie odwzorowuje wszystkie słowa w danym zdaniu!
Czyli mamy jasno określoną metodę odwzorowania całego zdania jako zbioru unikatowych liczb! Mimo że nie mamy pojęcia, co poszczególne liczby w zakodowaniu oznaczają, nie ma to znaczenia. Nie obchodzi nas tak naprawdę, jak te liczby zostały wygenerowane, o ile każdemu zdaniu podporządkowany jest niepowtarzalny zbiór cyfr.
Tłumaczenie z użyciem RNN
Skoro już powiedzieliśmy, jak posłużyć się RNN, aby zakodować zdanie w zbiór niepowtarzalnych cyfr, zastanówmy się, jak przeprowadzić tłumaczenie.
Weźmy nie jedną, lecz dwie rekurencyjne sieci neuronowe i połączmy je od jednego końca do drugiego. Pierwsza z nich mogła być odpowiedzialna za kodowanie (encoding) przedstawiające zdanie. Druga działałaby na tej samej zasadzie, ale na odwrót – odkodowywałaby zdanie (decoding), aby przywrócić je do jego pierwotnej wersji:
Oczywiście, jeśli używamy takich połączonych sieci RNN do zdań w jednym języku, to nie ma to zbyt wiele sensu. Co stałoby się jednak, gdyby wytrenowana została druga sieć RNN, która odkodowywałaby zdanie z języka hiszpańskiego, a nie angielskiego?
I właśnie tak uzyskaliśmy standardowy sposób przekształcania sekwencji słów w języku angielskim na odpowiadającą jej sekwencję słów po hiszpańsku – tekst na liczby i z powrotem liczby na tekst, ale już w innym języku.
Jest to bardzo skuteczny sposób:
- To podejście jest na razie ograniczone ilością dostępnych danych uczących oraz mocą komputera, której możemy użyć do nauczenia swojej sieci. Warto tutaj podkreślić, że zostało wynalezione przez badaczy zaledwie dwa lata temu, a już teraz ma wyniki porównywalne z systemami tłumaczenia opartego na podejściu statystycznym, tworzonym i udoskonalanym przez ostatnie 20 lat.
- System ten nie opiera się na znajomości zasad języka naturalnego. Algorytm jest w stanie znaleźć te reguły samodzielnie. Zbędne staje się tutaj zaangażowanie specjalistów, którzy byliby odpowiedzialni za dostrajanie każdego etapu tłumaczenia, jak w przypadku innych omawianych sposobów.
- To podejście można zastosować prawie dla każdego problemu związanego z sekwencją! Okazuje się, że istnieje o wiele więcej takich problemów.
Własny tłumacz neuronowy na Google Colabolatory
Specjalnie na potrzeby artykułu zaprogramowaliśmy system tłumaczący na Wasz użytek. Został on przygotowany na platformie Google Colabolatory. Jest to platforma, która za darmo udostępnia do obliczeń naukowych serwery z kartami graficznymi Nvidia Tesla K80. O tej platformie już pisaliśmy w artykule o Intel Movidius. Tamże opisana jest również cała platforma, a także mechanizm jej działania oraz uruchamiania napisanych programów. Załączone poniżej pliki najprościej będzie wgrać na swój dysk Google, a następnie uruchomić je podwójnym kliknięciem – platforma Google Colaboratory włączy się automatycznie.
Aby rozpocząć przygodę z tłumaczeniem maszynowym, wystarczy pobrać i uruchomić plik SETUP, który zainstaluje niezbędne oprogramowanie. Będzie to przede wszystkim biblioteka PyTorch oraz niezbędne pakiety dodatkowe i narzędzia integrujące z dyskiem Google. Właśnie z dysku Google będą pobierane i właśnie na nim zapisywane wszystkie dane treningowe. Dlatego też zostaniemy poproszeni o wyrażenie zgody na dostęp do dysku Google przez przeklejenie klucza API.
Następnie możemy pobrać system tłumaczenia oparty na sieciach rekurencyjnych i pracować nad nim. Zaimplementowaliśmy najbardziej popularny mechanizm tłumaczenia sekwencja na sekwencję z użyciem mechanizmu wagi. W całym dokumencie kod – nie licząc kodów, które można uruchamiać – jest dokładnie opisany, co pozwala Czytelnikowi swobodnie go modyfikować. Dodana jest także niezbędna do celów edukacyjnych teoria.
Obecnie system używa jako danych zapisów posiedzeń Parlamentu Europejskiego dla pary polski-angielski. Nic nie stoi na przeszkodzie, aby nasze dane podmienić. Zadziała każda para języków, które nie wymagają segmentacji. Dane dla różnych języków można pobierać z projektu OPUS. Pobrane pliki można wgrać, na przykład za pomocą kodu i przy użyciu Google Drive lub zakładki Files. Pamiętajmy jednak o tym, że system dostosowany jest do języków, które nie wymagają segmentacji, czyli na przykład język japoński czy mandaryński nie będą obsługiwane.
Zachęcamy także do zabawy z parametrami treningowymi i chwalenia się wynikami tłumaczenia w komentarzach. Osoby początkujące zachęcamy do regulowania podstawowych parametrów treningu, takich jak liczba epok treningu (n_epochs), liczba warstw sieci neuronowej (n_layers), rozmiar warstw sieci neuronowej (hidden_size) czy prędkość uczenia (learning_rate). Znajdują się one w sekcji Przygotowanie treningu.
Oceny jakości można dokonać za pomocą skryptu. W sekcji Translate text możemy wprowadzić treść w jednym języku, aby po chwili otrzymać nie tylko tłumaczenie na drugi język, ale także graficzną wizualizację.
Przegląd wybranych aplikacji mobilnych
To, że niektóre rozwiązania nie są często wykorzystywane, nie znaczy, że nie mogą się podobać. Czasem stoi za tym po prostu niewiedza. Szczególnie u osób, które nie nadążają za nowościami w dziedzinie oprogramowania i sprzętu. Dlatego poniżej zostanie przedstawionych kilka aplikacji mobilnych i urządzeń, które umożliwiają dokonywanie natychmiastowych tłumaczeń. Niektóre z nich działają offline, inne potrzebują dostępu do internetu. Niestety, w niektórych przypadkach nie ma możliwości tłumaczenia z języka polskiego i na język polski (przynajmniej na razie). Jednak przecież taki tłumacz automatyczny może się przydać nie tylko tym, którzy mówią wyłącznie po polsku, ale też tym, którzy znają angielski, a mimo to nie mogą się z kimś porozumieć, na przykład z Japończykiem.
Google Pixel Buds
W tym przypadku nie mamy do czynienia z typowym translatorem, lecz z urządzeniem, które wykorzystuje możliwości Tłumacza Google. Są to słuchawki, które można nazwać prawie bezprzewodowymi. Dlaczego prawie? Otóż wprawdzie ze smartfonem łączą się bezprzewodowo, ale między sobą – za pomocą przewodu.
Na prawej słuchawce można wyczuć panel dotykowy, który służy do zatrzymywania lub wznawiania odtwarzanych dźwięków. Lekkim zaś dotknięciem w tym miejscu, czy też muśnięciem, można zwiększyć albo zmniejszyć głośność. Do urządzenia jest dodawane etui, które jednak nie służy tylko do przechowywania sprzętu. Ma ono także wbudowany akumulator, który starcza na mniej więcej cztery ładowania. Długość działania słuchawek po naładowaniu to około pięciu godzin, więc spokojnie można je zabrać w podróż.
Teraz jednak przejdziemy już do tego, o co tak naprawdę nam chodzi, czyli tłumaczenia. Słuchawki współpracują z Translatorem Google. Jednak aby ta funkcja działała, potrzebujemy w smartfonie Androida, przynajmniej w wersji 6.0, a do tego smartfon musi pochodzić z rodziny Google Pixel.
Jeśli te warunki zostaną spełnione, będzie można skorzystać z tłumacza, który działa natychmiastowo. Do włączenia funkcji tłumaczenia dochodzi po przytrzymaniu słuchawki i użyciu frazy takiej jak „Pomóż mi porozumieć się po angielsku”. Słuchawki będą odczytywać głos rozmówcy i na bieżąco go tłumaczyć, a użytkownik będzie słyszeć w słuchawkach słowa wypowiadane w jego języku. Jeśli zaś to on będzie coś mówić, głos zabrzmi z głośników telefonu.
Tłumacz Google
Pozostaniemy przy firmie Google i powiemy o działaniu aplikacji, która została zaprezentowana w opisie omówionego wyżej urządzenia. Tym razem mamy do czynienia z narzędziem, które jest dostępne już dość długo. Korzystają z niego ludzie z całego świata, którzy każdego dnia tłumaczą całe masy pojedynczych słów, dłuższych wyrażeń, a nawet całych tekstów. Ciekawostką może być to, że Polacy znajdują się w pierwszej dziesiątce, jeśli chodzi o wykorzystanie tego tłumacza w Europie.
Jedną z pierwszych funkcji Tłumacza Google było po prostu tłumaczenie słów wpisanych w określonym miejscu na wybrany język. Do wyboru jest naprawdę dużo języków, ponad 100. Tłumacz bardzo dobrze sobie radzi z pojedynczymi słowami; umożliwia także poznanie innych znaczeń danego słowa i jednocześnie prezentuje synonimy. Jest to jednak już dość stara, jak na prędkość zmian w internecie, funkcja, dlatego Google wprowadza kolejne udoskonalenia.
Aplikacja Tłumacz Google dzięki wykorzystaniu wbudowanego w smartfon aparatu pozwala na natychmiastowe tłumaczenie słów, które pojawiają się przed obiektywem. Wystarczy, że nakierujemy aparat na tekst, i po chwili wyświetli się przetłumaczony tekst. Jedną z opcji tłumacza jest także przekład tylko wybranego obszaru tekstu. W ten sposób można radzić sobie za granicą: tłumaczyć menu, tablice informacyjne, a nawet artykuły w gazetach. Jeśli przesuniemy obraz na inny tekst, zostanie on na żywo przetłumaczony, i tak cały czas. Na razie nie jest możliwy przekład pisma odręcznego, lecz przedstawiciele Google zapewniali, że pracują nad tym.
Inną funkcją, która została dodana do Tłumacza Google, jest tłumaczenie rozmów na żywo. W aplikacji wystarczy wybrać odpowiednie języki, nacisnąć ikonę mikrofonu i zacząć mówić. Smartfon od razu nagra wypowiedź i przeanalizuje słowa, a następnie zostaną one wypowiedziane przez głos lektora. Gdy rozmówca odpowie w swoim języku, tłumacz przełoży wszystko w drugą stronę. W ten sposób można zupełnie nie znać języka rozmówcy, a i tak przeprowadzić całą konwersację.
Zaletą narzędzia jest to, że nie wymaga stałego połączenia z internetem, a modele translacji można zapisać na swoim urządzeniu. Pamiętajmy jednak, że nie są one tak precyzyjne jak te dostępne online.
Microsoft Translator
Jest to aplikacja, która jawnie rywalizuje z usługą Google. Działanie ma bardzo podobne. Obsługuje zarówno mowę, jak i pismo.
Od razu po włączeniu narzędzia na pewno zaskoczeniem będzie bardzo prosty i przejrzysty interfejs, a także przyjazny wygląd. Można z niego korzystać bez połączenia z internetem, jednak w tym celu należy pobrać wybrane pakiety językowe, tak aby nie zakłócić jego działania.
Posiadacze smartwatcha również mogą korzystać z tej aplikacji, jednak obsłuży ona wyłącznie mowę.
Ten translator ma pewną funkcję, która przyspieszy rozmowę z kimś, nawet na drugim końcu świata, kto posługuje się zupełnie innym językiem. Jest to czat, który na bieżąco tłumaczy każdą napisaną wiadomość. W ten sposób można porozmawiać z ludźmi, którzy zupełnie nie znają języka użytkownika. Na pewno jest to rozwiązanie świetne dla międzynarodowej integracji.
Dla osób, które bardzo dużo podróżują, lecz czasem mają problemy z językiem obcym, ułatwieniem może być moduł Phrasebook, czyli podręczne rozmówki. Znajduje się w nim zestaw najpopularniejszych przydatnych fraz i zwrotów.
Niestety, Microsoft Translator obsługuje znacznie mniejszą od rywala liczbę języków. Jednak możemy liczyć na szybką poprawę zarówno w tej, jak i w innych kwestiach, ponieważ konkurencja sprawia, że obie firmy chcą posiadać jak najlepsze narzędzia. Moim zdaniem tłumacz Microsoftu radzi sobie lepiej niż Google z tekstami specjalistycznymi.
FlyJam
Teraz omówimy nieco mniejszą aplikację, która jednak próbuje dorównać rywalom. To natychmiastowy tłumacz, który obsługuje około 90 języków, z czego aż 40 tłumaczy bezpośrednio z mowy na mowę, a więc sporo, jak na narzędzie firmy, która nie ma takich zasobów jak Google i Microsoft. Niestety, działa tylko wtedy, gdy aktywne jest połączenie z internetem.
VoiceTra4U
Na rodzimym podwórku również mamy się czym pochwalić w tej materii. Przykładem jest mobilna aplikacja głosowa do tłumaczenia języków obcych VoiceTra4U, powstała jako projekt naukowy w katedrze multimediów Polsko-Japońskiej Akademii Technik Komputerowych we współpracy z jednostkami badawczymi z 23 krajów z całego świata.
Umożliwia ona tłumaczenie w czasie rzeczywistym zarówno rozmowy telefonicznej, jak i bezpośredniego spotkania. Wystarczy ją uruchomić i wybrać język rozmówcy, a wypowiedź zostanie automatycznie przetłumaczona. Narzędzie umożliwia równoczesną rozmowę w 23 językach 5 osobom. System łączy się z serwerami U-STAR (Universal Speech Translation Advanced Research Consortium) i jest całkowicie darmowy.
Przegląd wybranych urządzeń tłumaczących
Niewątpliwie smartfon wyposażony w różnego rodzaju aplikacje czy urządzenia peryferyjne ma spore możliwości. Niemniej powstaje coraz więcej wyspecjalizowanych autonomicznych rozwiązań związanych z komunikacją międzyludzką.
Vasco mini
Vasco mini to urządzenie z wyglądu przypominające dyktafon lub pendrive. Jest dość poręczne, więc jego przenoszenie nie powinno sprawić większego problemu. Jest intuicyjne i proste w obsłudze, więc nikt nie powinien mieć większych trudności z jego użytkowaniem. Obsługuje aż 29 języków. Choć w porównaniu z omówionymi wcześniej aplikacjami wydaje się to niewielką liczbą, to nadal sporo.
Urządzenie wymaga do działania połączenia z internetem, jednak producenci poradzili sobie również z tym problemem. Zamontowali w nim kartę SIM, która jest doładowywana jak zwykła karta od telefonu. W ten sposób otrzymujemy dostęp do internetu w każdym miejscu na świecie, który wystarcza na mniej więcej 500 zdań. W każdym momencie można doładować kartę, lecz nie jest to wymagane.
Jak wygląda obsługa? Do wszystkiego potrzebne są zaledwie dwa przyciski. Niebieski mikrofon przytrzymujemy, gdy wypowiadamy zdania we własnym języku – wtedy słowa są tłumaczone. Czerwony zaś przytrzymujemy, gdy mówi – w innym języku – rozmówca. Proste, prawda? Urządzenie jest już dostępne od jakiegoś czasu i doczekało się wielu klonów, w tym z Państwa Środka, które często obsługują nawet większą liczbę języków i zapewniają przy tym dobrą jakość przekładu (jeśli zawierzyć internetowym komentarzom).
Vasco mini można kupić na przykład w witrynie Vasco Electronics.
C-Pen Dictionary
Jest to urządzenie, które nie przyda się do tłumaczenia dłuższych wypowiedzi, jednak na pewno sprawdzi się, gdy czytamy książkę albo artykuł i musimy przetłumaczyć jakieś słowo. Jest to połączenie translatora ze skanerem. Jako źródło słów zastosowano w nim słownik wydawnictwa Oxford. Wystarczy zeskanować słowo, by jego przekład pojawił się na małym ekraniku.
C-Pen Dictionary można traktować również jako skaner, by za jego pomocą przenosić całe wypowiedzi do swojego komputera za pośrednictwem portu USB. Niestety, sprzęt nie obsługuje języka polskiego, chociaż zapewne jest to kwestia czasu.
Urządzenie można kupić na przykład w witrynie Amazon.
Waverly Labs – Pilot
To następny produkt w formie słuchawek stworzony po to, aby rozmowy były łatwiejsze i przyjemniejsze, nawet przy nieznajomości języków obcych. Żeby słuchawki mogły skutecznie działać, należy sparować je ze smartfonem, jednak nie zajmuje to dużo czasu, a ponadto można w tym dostrzec plusy. Słuchawki i wykorzystywana aplikacja to sposób nie tylko na to, aby porozumiewać się w danym języku z innymi osobami, lecz także na to, aby nauczyć się języka obcego. Odebrana wypowiedź może zostać przedstawiona w różnych językach, więc można samodzielnie nieco podszkolić ich znajomość.
Zaletą urządzenia jest to, że producenci stale pracują nad poprawą jego działania. Wiele uwagi przykładają do rad, które uzyskali od swoich klientów. Nawet jeśli zrezygnowali z jakiegoś rozwiązania, które wcześniej zostało dobrze przyjęte, nie tylko z powrotem je wprowadzają, ale też dbają o jego poprawę.
Sprzęt można zamówić poprzez stronę producenta.
WT2
Wiele ciekawych rozwiązań dotyczących urządzeń natychmiastowo tłumaczących rozmowy można znaleźć na takich stronach jak Kickstarter. Jest to pewien sposób na to, aby zdobyć coś innowacyjnego wcześniej niż inni, a także po prostu wspomóc projekt.
WT2 to słuchawki, które działają na bardzo podobnej zasadzie jak inne urządzenia tego typu. Jedyną różnicą jest oprogramowanie, który wpływa na jakość tłumaczenia z użyciem takiego sprzętu.
Słuchawki są dwie. Wraz z nimi otrzymujemy pudełko, w którym mogą być ładowane. Dwóch rozmówców otrzymuje po jednej słuchawce i zostają one sparowane z odpowiednią aplikacją. Ta podczas rozmowy wykrywa język i tłumaczy – z niewielkim opóźnieniem – wypowiedź. Niestety, na razie słuchawki tłumaczą tylko z kilku języków, wśród których nie ma polskiego.
Produkt jest dopiero w fazie prototypu. Mamy jednak nadzieję, że do czasu, aż rozpocznie się jego masowa produkcja, również Polacy będą mogli z niego swobodnie korzystać.
Przedsprzedaż urządzenia jest prowadzona w witrynie Kickstarter.
T8 Real Time Multi Language Translator Speech
Wbrew pozorom w prostocie również może się ukrywać geniusz. Taki właśnie może być ten przenośny translator. To zaledwie małe urządzenie, które można swobodnie włożyć do kieszeni i zabrać w dowolne miejsce. Zawiera tylko dwa przyciski i aplikację. Jest dość proste w obsłudze i umożliwia tłumaczenie aż w 20 językach, w tym polskim.
Nie ma tu żadnych dodatkowych ekranów z możliwością wyboru języków i tak dalej. Cała obsługa odbywa się za pomocą aplikacji. Wybieramy język A i język B, następnie wciskamy odpowiedni przycisk w urządzeniu, a wtedy ono przetłumaczy wypowiedź na inny język i odwrotnie.
Sprzęt można zamówić w witrynie Gearbest.
To nie wszystko!
Jest jeszcze naprawdę sporo aplikacji i urządzeń, których producenci pragną podbić rynki całego świata. Wśród nich można wyróżnić między innymi: Language Translator, Translator, Ili.
W przyszłości możemy się spodziewać zarówno udoskonalania już istniejących aplikacji i urządzeń, jak i pojawienia się wielu nowych.