Η Google λέει ότι οι τεχνολογίες και τα προϊόντα της λειτουργούν πλέον σε περισσότερες από 300 γλώσσες, οι οποίες χρησιμοποιούνται από πάνω από 7 δισεκατομμύρια ανθρώπους — περίπου το 86% του παγκόσμιου πληθυσμού. Η ανακοίνωση δεν αφορά μόνο τη μετάφραση κειμένου: περιγράφει μια προσπάθεια να κατανοεί η AI τον τόνο, το συναίσθημα, τις παύσεις και το πολιτισμικό πλαίσιο της καθημερινής ομιλίας.
Από τη μετάφραση στην κατανόηση της ομιλίας
Η Google υποστηρίζει ότι η κλασική αλυσίδα «ήχος σε κείμενο, επεξεργασία, κείμενο σε ήχο» χάνει σημαντικές πληροφορίες. Οι άνθρωποι διακόπτουν ο ένας τον άλλον, διστάζουν, γελούν και αναμειγνύουν γλώσσες στην ίδια πρόταση. Γι’ αυτό η εταιρεία εκπαιδεύει μοντέλα όπως το Gemini να επεξεργάζονται απευθείας τον ήχο, αντί να βασίζονται αποκλειστικά σε απομαγνητοφωνημένα κείμενα.
Σύμφωνα με την Google, το Gemini 3.5 Live Translate υποστηρίζει μετάφραση ομιλίας σε πραγματικό χρόνο σε 70 γλώσσες και περισσότερα από 2.000 ζεύγη γλωσσών. Το Gemini 3.5 Transcribe προορίζεται για ακριβέστερη μετατροπή ήχου σε μορφοποιημένο κείμενο, ακόμη και σε θορυβώδη περιβάλλοντα ή όταν χρησιμοποιείται εξειδικευμένη ορολογία. Οι συγκεκριμένες δυνατότητες παρουσιάζονται από την ίδια την εταιρεία και δεν αποτελούν ανεξάρτητη αξιολόγηση της ποιότητάς τους.
Ο στόχος των 1.000 γλωσσών
Η Google συνδέει την ανακοίνωση με την «Πρωτοβουλία 1.000 Γλωσσών», με στόχο να υποστηρίξει τις 1.000 γλώσσες που μιλιούνται περισσότερο στον κόσμο. Για να καλυφθούν γλώσσες με λιγότερα διαθέσιμα δεδομένα, η εταιρεία αναφέρει ότι χρησιμοποιεί μεταφορά γνώσης από γλώσσες με πλούσια datasets. Το Universal Speech Model, όπως περιγράφεται στην ανάρτηση, έχει εκπαιδευτεί σε 12 εκατομμύρια ώρες ήχου.
Η προσέγγιση αυτή μπορεί να μειώσει το χάσμα ανάμεσα στις γλώσσες που έχουν ισχυρή ψηφιακή παρουσία και σε εκείνες που συχνά απουσιάζουν από τα προϊόντα τεχνολογίας. Δεν εξαφανίζει όμως το πρόβλημα της ποιότητας. Η μεταφορά μοτίβων από μια γλώσσα σε μια άλλη μπορεί να δημιουργήσει λάθη στην προφορά, στη γραμματική ή στις πολιτισμικές αναφορές, ειδικά όταν τα δεδομένα είναι περιορισμένα.
Δεδομένα από τις ίδιες τις κοινότητες
Η Google παρουσιάζει τρεις συνεργασίες ως παραδείγματα τοπικής συλλογής δεδομένων. Το WAXAL καλύπτει 27 αφρικανικές γλώσσες, το Project Vaani έχει συγκεντρώσει περισσότερες από 30.000 ώρες ομιλίας σε 109 γλώσσες της Ινδίας και η Amplify Initiative έχει συνεργαστεί με πάνω από 1.600 ειδικούς και 20 πανεπιστήμια σε τέσσερις ηπείρους.
Η λογική είναι σημαντική: οι κοινότητες δεν αντιμετωπίζονται απλώς ως πηγή δεδομένων, αλλά ως συνεργάτες που μπορούν να εξηγήσουν τοπικές διαλέκτους, συμφραζόμενα και τρόπους ομιλίας. Παρ’ όλα αυτά, η ανακοίνωση δεν δίνει πλήρη εικόνα για το πώς θα ελέγχονται τα datasets, πώς θα αποδίδονται τα δικαιώματα των ομιλητών ή πώς θα μετρώνται τα λάθη ανά γλώσσα.
AI και χωρίς σταθερή σύνδεση στο διαδίκτυο
Η Google αναγνωρίζει ότι περισσότεροι από 3 δισεκατομμύρια άνθρωποι δεν έχουν αξιόπιστη πρόσβαση στο διαδίκτυο. Για αυτόν τον λόγο αναφέρει το TranslateGemma, μια οικογένεια ελαφρών ανοικτών μοντέλων μετάφρασης που εκπαιδεύτηκαν σε 55 γλώσσες και μπορούν να λειτουργούν στη συσκευή, χωρίς συνεχή σύνδεση στο cloud.
Η εταιρεία δοκιμάζει επίσης, μέσω της Viamo, τον φωνητικό βοηθό Ask Viamo Anything σε απλά κινητά τηλέφωνα. Η Google αναφέρει ότι η πιλοτική υπηρεσία στη Ρουάντα έχει ήδη χρησιμοποιήσει το Gemini για να απαντήσει σε περισσότερες από 2 εκατομμύρια ερωτήσεις. Το παράδειγμα δείχνει ότι η «προσβασιμότητα» δεν σημαίνει μόνο περισσότερα μοντέλα, αλλά και χαμηλότερες απαιτήσεις σε συσκευές, δεδομένα και κόστος.
Η λεπτομέρεια είναι πολιτισμική
Η ανάρτηση περιγράφει ακόμη προσπάθειες για sign-to-text σε περισσότερες από 50 νοηματικές γλώσσες, καθώς και συνεργασία με ειδικούς της Māori γλώσσας στη Νέα Ζηλανδία για πιο σωστή προφορά τοπωνυμίων στους Χάρτες Google. Αυτές οι περιπτώσεις δείχνουν γιατί η γλωσσική τεχνολογία δεν κρίνεται μόνο από το αν μεταφράζει σωστά μια πρόταση.
Η επέκταση σε 300 γλώσσες είναι μεγάλη αλλαγή κλίμακας, αλλά όχι απόδειξη ότι όλες οι γλώσσες υποστηρίζονται ισότιμα. Η πραγματική δοκιμασία θα είναι αν οι χρήστες βλέπουν σταθερή ακρίβεια στην καθημερινότητα, αν οι τοπικές κοινότητες έχουν λόγο στη σχεδίαση και αν τα εργαλεία λειτουργούν και εκεί όπου η σύνδεση ή το hardware παραμένουν περιορισμένα.