Google พัฒนา AI ทลายกำแพงภาษา รองรับกว่า 300 ภาษาทั่วโลก

ในวันนี้ เทคโนโลยีและผลิตภัณฑ์ของเราขับเคลื่อนการโต้ตอบในชีวิตประจำวันในมากกว่า 300 ภาษา ซึ่งมีผู้พูดมากกว่า 7 พันล้านคน หรือคิดเป็น 86% ของประชากรโลก การบรรลุเป้าหมายสำคัญนี้มีความหมายมาก แต่ก็ยังตอกย้ำถึงงานที่มีความสำคัญต่อ mission ของเรา

เป็นเวลาหลายทศวรรษที่เทคโนโลยีทำงานได้ดีที่สุดสำหรับภาษาหลักเพียงไม่กี่ภาษา ทำให้ภาษาและสำเนียงที่มีชีวิตอีกหลายพันภาษาได้รับการนำเสนอเพียงเล็กน้อยหรือหายไปจากโลกดิจิทัลโดยสิ้นเชิง

เมื่อเราเปิดตัว Google Translate ในปี 2006 เป้าหมายของเรานั้นเรียบง่าย คือการทลายกำแพงระหว่างภาษา ความก้าวหน้าใน AI ได้ช่วยให้เรานำวิสัยทัศน์นั้นไปสู่ผู้คนได้มากขึ้น โดยขยาย Translate จากเพียงไม่กี่ภาษามาเป็นมากกว่า 250 ภาษาในปัจจุบัน

แต่การแปลข้อความนั้นไม่เพียงพอ เทคโนโลยีจำเป็นต้องเข้าใจว่าผู้คนสื่อสารกันอย่างไรในโลกแห่งความเป็นจริง เราจึงมุ่งเน้นการวิจัยและพัฒนาไปที่การสร้างระบบที่ให้เกียรติความละเอียดอ่อนทางวัฒนธรรมและความรุ่มรวยของภาษาของมนุษย์ เพื่อให้ทุกคนสามารถมีส่วนร่วมและเป็นที่เข้าใจได้ในแบบของตนเอง นี่คือตัวอย่างของงานดังกล่าวในการนำไปใช้งานจริง

จากข้อความสู่ความเข้าใจที่แท้จริง

ในอดีต ระบบจดจำเสียงพูดดำเนินตามกระบวนการที่เข้มงวดและมีหลายขั้นตอน ได้แก่ การแปลงเสียงเป็นข้อความ การประมวลผลข้อความ และการสังเคราะห์กลับเป็นเสียง แม้จะใช้งานได้จริง แต่ขั้นตอนเหล่านี้ได้ตัดส่วนที่รุ่มรวยที่สุดของการสื่อสารของมนุษย์ออกไป ทั้งน้ำเสียง จังหวะ อารมณ์ และบริบท

ผู้คนไม่ได้พูดเป็นประโยคที่ถูกต้องตามหลักไวยากรณ์เสมอไป เรามีการหัวเราะ พูดแทรก ลังเล และผสมผสานหลายภาษาเข้าด้วยกันในประโยคเดียว เช่น ภาษา Spanglish หรือ Hinglish เพื่อเก็บรายละเอียดเหล่านี้ เราได้ก้าวข้ามจากการถอดความข้อความไปสู่ native audio intelligence โดยฝึกฝนโมเดลอย่าง Gemini ให้ประมวลผลเสียงโดยตรง เพื่อทำความเข้าใจทั้งเสียงและเจตนา ซึ่งความพยายามเหล่านี้รวมถึง:

• เครื่องมือสนทนาแบบเรียลไทม์ที่ลื่นไหล: วันนี้ Gemini 3.5 Live Translate ขับเคลื่อนการแปลคำพูดแบบเรียลไทม์ใน 70 ภาษาและคู่ภาษากว่า 2,000 คู่ โดยสามารถจับการสลับภาษา (code-switching) และสัญญาณทางอารมณ์ได้อย่างเป็นธรรมชาติ

• Gemini 3.5 Transcribe เป็นโมเดล speech-to-text ที่แม่นยำที่สุดของเราในขณะนี้ ซึ่งเปลี่ยนเสียงดิบให้เป็นข้อความที่ขัดเกลาแล้ว แม้ในสภาพแวดล้อมที่มีเสียงรบกวน นอกจากนี้ยังขับเคลื่อนฟีเจอร์อย่าง Rambler บน Android Gboard ที่ช่วยลบคำสร้อยและแก้ไขไวยากรณ์ผ่านคำสั่งเสียง

• The 1,000 Languages Initiative: AI กำลังช่วยเราทลายกำแพงภาษาในระดับที่ไม่เคยคาดคิดมาก่อน เป้าหมายของเราคือการรองรับ 1,000 ภาษาที่มีผู้พูดมากที่สุดในโลก โดยใช้ Universal Speech Model ที่ฝึกฝนด้วยเสียงยาว 12 ล้านชั่วโมง ผ่านเทคนิค cross-lingual transfer learning เพื่อช่วยให้โมเดลเข้าใจภาษาที่มีข้อมูลฝึกฝนน้อยได้ดีขึ้น

• การวิจัยพื้นฐานที่เข้มงวด: งานนี้ต่อยอดจากการวิจัยแบบเปิดตลอด 25 ปีและงานวิจัยด้านเสียงที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญมากกว่า 400 ฉบับ ซึ่งช่วยผลักดันขอบเขตของโมเดลเสียงพูดให้ก้าวหน้าขึ้น

การให้ชุมชนเป็นหัวใจสำคัญของข้อมูลภาษา เนื่องจากเว็บไซต์นำเสนอภาษาหลักเพียงไม่กี่ภาษาอย่างไม่สมส่วน การสอนให้ AI เข้าใจภาษาที่ไม่ค่อยได้รับการนำเสนอจึงทำให้เราต้องคิดใหม่ว่าจะรวบรวมข้อมูลอย่างไร คำตอบคือการสร้างพันธมิตรในระดับท้องถิ่นผ่านโครงการสำคัญดังนี้:

• WAXAL: สร้างร่วมกับ Makerere University และ Digital Umuganda เป็นชุดข้อมูลเสียงพูดแบบเปิดครอบคลุม 27 ภาษาในแถบ Sub-Saharan Africa ที่มีผู้พูดมากกว่า 100 ล้านคน

• Project Vaani: ความร่วมมือกับ Indian Institute of Science (IISc) และ Bhashini ในการจัดทำแผนที่ความหลากหลายทางภาษาของอินเดีย โดยรวบรวมเสียงพูดได้มากกว่า 30,000 ชั่วโมงใน 109 ภาษาจากผู้พูดกว่า 155,000 คน

• Amplify Initiative: การทำงานร่วมกับผู้เชี่ยวชาญท้องถิ่นกว่า 1,600 คนและมหาวิทยาลัย 20 แห่งทั่วโลก เพื่อสนับสนุนจุดข้อมูลแบบ multimodal จำนวน 15,000 จุดที่จับความละเอียดอ่อนของท้องถิ่น

เรายังคงต่อยอดงานนวัตกรรมภาษาแบบ open-source ผ่านเครื่องมือ Language Explorer ที่แสดงผลคลังข้อมูลภาษา LinguaMeta ซึ่งได้รับการยกย่องจาก Fast Company สำหรับนวัตกรรมการออกแบบ โดยจัดทำแผนที่ภาษาพูด ภาษาเขียน และภาษามือมากกว่า 7,000 ภาษา

นอกจากนี้ Google.org ยังสนับสนุนโครงการอย่าง Centre for Digital Language Inclusion และ Project Aquarium เพื่อนำเครื่องมือหลายภาษาไปสู่เกษตรกร บุคลากรทางการแพทย์ และครูทั่วโลก

การเอาชนะข้อจำกัดในโลกแห่งความเป็นจริง

สำหรับผู้คนมากกว่า 3 พันล้านคน การเข้าถึงอินเทอร์เน็ตที่เสถียรยังคงเป็นอุปสรรค เทคโนโลยีจะเข้าถึงได้จริงก็ต่อเมื่อมันทำงานได้ในพื้นที่ที่มีการเชื่อมต่อจำกัด เราจึงพัฒนา TranslateGemma โมเดลการแปลขนาดเล็กที่ทำงานบนอุปกรณ์ (on-device) ได้โดยไม่ต้องพึ่งพาทุกคลาวด์

ในขณะเดียวกัน เรากำลังสนับสนุนองค์กรอย่าง Viamo เพื่อขับเคลื่อน "Ask Viamo Anything" (AVA) ผู้ช่วยเสียง AI ที่นำพลังของ Gemini มาสู่ feature phone มาตรฐาน ซึ่งได้ นำร่องในรวันดา และตอบคำถามผู้ใช้ไปแล้วมากกว่า 2 ล้านข้อความ

การออกแบบเพื่อการเข้าถึง

เราออกแบบเทคโนโลยีเพื่อการเข้าถึงตั้งแต่เริ่มต้น เช่น Sign Language-to-Text (SL2T) ที่ฝึกฝนในภาษามือมากกว่า 50 ภาษา ขับเคลื่อนการป้อนคำตามคำบอกจากภาษามือเป็นข้อความบน Pixel 11 เพื่อรองรับผู้คนกว่า 70 ล้านคนทั่วโลกที่ใช้ภาษามือ

นอกจากนี้ ความถูกต้องของบริบททางวัฒนธรรมยังเป็นสิ่งสำคัญ เช่น ในนิวซีแลนด์ เราได้ ทำงานร่วมกับผู้เชี่ยวชาญภาษา Māori เพื่อปรับปรุงการออกเสียงชื่อสถานที่ใน Google Maps เพื่อให้เทคโนโลยีสะท้อนถึงมรดกของชุมชนอย่างแท้จริง

การสร้างเครื่องมือภาษาสำหรับทุกคน

บทเรียนตลอด 20 ปีของการพัฒนา AI คือเทคโนโลยีควรขยายขอบเขตการแสดงออกของมนุษย์ให้กว้างไกลขึ้น ปัจจุบันเทคโนโลยีภาษาของเราเชื่อมต่อผู้คนมากกว่าห้าพันล้านคนผ่านแพลตฟอร์มอย่าง Search, Android, และ YouTube

ในขณะที่เราใช้ AI เพื่อจัดการกับโอกาสที่ยิ่งใหญ่ที่สุดของสังคม เราจะยังคงทำงานใกล้ชิดกับชุมชนท้องถิ่นเพื่อสร้างเทคโนโลยีที่ช่วยให้ทุกคนสื่อสารและเป็นที่เข้าใจในแบบของตนเองได้มากที่สุด