Gemini 3.5 jau gyvai verčia kalbą per kelias sekundes

Įsivaizduokite, kad stovite sausakimšoje traukinių stotyje su ausinėmis ir klausotės, kaip nepažįstamo žmogaus žodžiai beveik dar jam nebaigus sakinio virsta jūsų kalba. Būtent tokį pažadą Google siekia įgyvendinti su Gemini 3.5 Live Translate, modeliu, sukurtu taip, kad gyvas sakytinės kalbos vertimas mažiau primintų mašiną ir labiau panašėtų į daugiakalbį draugą, verčiantį realiuoju laiku.

Gemini 3.5 Live Translate gali atpažinti šneką ir ją perteikti daugiau nei 70 kalbų, išlaikydamas kalbėtojo ritmą, tono aukštį ir tempą, todėl vertimai skamba natūraliai, o ne robotiškai. Esmė nėra stebuklingas jungiklio perjungimas. Tai srautinis metodas, kuris apdoroja garsą dar jam skambant, todėl sumažina nejaukias pauzes, būdingas senesnėms sistemoms, laukdavusioms, kol kalbėtojas baigs mintį, ir tik tada atsakydavusioms.

Delsa maža. Labai maža. Google teigia, kad vertimai nuo originalaus balso atsilieka vos keliomis sekundėmis, todėl pokalbis pirmyn ir atgal tampa sklandesnis. Sistema taip pat susitvarko su keliomis kalbomis vienu metu be rankinių nustatymų. Pokalbyje gali dalyvauti daugiakalbiai pašnekovai, o modelis pats valdys eigą. Nereikia per skambutį naršyti meniu. Nereikia blaškytis perjungiant režimus. Būtent tokia ir yra idėja.

Pirmiausia funkcija pasiekiama Google Translate programėlėje Android ir iOS įrenginiuose. Norėdami ja naudotis, prijunkite ausines ir bakstelėkite Live Translate parinktį apatiniame kairiajame kampe. Jei ausinių po ranka neturite, naujas Klausymo režimas Android įrenginiuose leidžia vertimus leisti per telefono garsiakalbį: tiesiog priglauskite įrenginį prie ausies kaip įprasto skambučio metu ir leiskite telefonui versti.

Susitikimams tai gali būti esminis pokytis. Google Meet tiesioginių subtitrų funkcija anksčiau vertimo kalbai palaikė tik penkias kalbas. Su Gemini 3.5 palaikymas išplečiamas iki daugiau nei 70 kalbų, todėl vienoje sesijoje tampa įmanoma daugiau kaip 2 000 kalbų porų. Tai kur kas platesnė aprėptis pasaulinėms komandoms, klasėms ir renginiams.

Žiniatinklyje Google pristato vieno bakstelėjimo valdiklį, leidžiantį iš karto pradėti tiesioginį vertimą. Šis valdiklis eksperimentiškai bus pradėtas diegti šį mėnesį, o tai aiškiai rodo, kad bendrovė nori, jog vertimas realiuoju laiku būtų suvokiamas kaip integruota funkcija, o ne papildomas priedas.

Modelis kuriamas taip, kad būtų patikimas triukšmingoje ir nenuspėjamoje aplinkoje. Fone girdimas šurmulys, gatvės triukšmas ar persidengiantys balsai, Gemini 3.5 sukurtas tam, kad tai atlaikytų. Kūrėjai gali tikėtis, kad modelis atsiras visoje Google ekosistemoje, nuo Translate iki Meet ir API sąsajų trečiųjų šalių programoms.

Visas Google modelių sukurtas garsas turės nematomą SynthID vandens ženklą, įterptą į išvestį, todėl DI sugeneruotą kalbą bus galima aptikti, o tai padės riboti piktnaudžiavimą.

Klausimų vis dar yra. Kaip sistema susitvarkys su regioninėmis tarmėmis, kalbų kaita ar kalbomis, kurioms trūksta duomenų rinkinių? Kaip bus valdoma privatumo apsauga ir sutikimas, kai pokalbiai transkribuojami ir verčiami realiuoju laiku? Google primena du dešimtmečius trunkančią vertimo patirtį ir teigia, kad milijardai naudotojų jau remiasi jos įrankiais, tačiau galingo srautinio modelio įtraukimas į kasdienį naudojimą kelia naujų politikos ir naudotojo patirties iššūkių.

Kiekvienam, kuris keliauja, moko ar organizuoja pasaulinius susitikimus, Gemini 3.5 gyvas vertimas yra praktiškas šuolis į priekį: mažiau trinties, daugiau betarpiškumo ir žmogiškai skambantis balsas. Kai kalba nustoja būti siena ir tampa foniniu triukšmu, klausimas pasikeičia: nebe kaip verčiame, o kaip pradedame klausytis kitaip.