中國AI同傳遭質疑之時，谷歌實時翻譯也被吐槽

10月25日訊息，據連線雜誌報道，知名語音識別公司科大訊飛捲入的“AI同傳造假”風波依然還在發酵，引發了人們關於AI實時翻譯技術的更多關注。

不久前，谷歌悄悄改變了Pixel Buds耳機的支援頁面，並寫道:“所有經過Google Assistant優化的耳機和安卓手機，現在都可以使用谷歌翻譯。”此前，這一功能僅限於Pixel Buds耳機和Pixel手機使用者。儘管谷歌並未大張旗鼓地宣佈這個訊息，但這個小小的調整卻值得注意。

要知道其中原因，首先我們來了解下谷歌耳機的歷史。谷歌去年推出了無線耳機Pixel Buds，此前該公司曾大肆宣傳過這款產品，稱其是一款革命性的工具，支援實時翻譯功能。只要輕敲Pixel Buds，說“幫我說”，它就會開啟你手機上的谷歌翻譯應用。現在，Pixel手機也同樣支援這個功能。

接著，你可以說出句子，谷歌翻譯會在手機上將其翻譯成目標語言，並進行轉錄，然後讀出來。理論上，谷歌的新技術甚至會讓口譯翻譯們擔心丟掉工作。這款產品在舞臺上的實時翻譯演示獲得了巨大成功，但當其開始發貨時，人們對其似乎產生了懷疑：翻譯的質量沒有達到公眾的預期。

科技網站Tech Insider用十種不同的語言對實時翻譯功能進行了測試。它成功地翻譯了些基本問題，比如“最近的醫院在哪裡”，但當句子變得更復雜，或者說話人有口音時，翻譯就會出現錯誤。評論員們得出的結論是，實時翻譯似乎有點兒“欺騙嫌疑”，Google Assistant需要努力理解對它說出的話。

消費技術資深分析師丹尼爾·格里森（Daniel Gleeson）說:“掌握自然語言是非常困難的。對於谷歌來說，這將是個巨大的成就，而他們實現這個目標的那一天，可以自豪地大聲說出來。”或許有些人可能會說，這可能也是Pixel Buds支援頁面更新的資訊被隱藏起來的原因。

谷歌的問題不在於翻譯過程本身，事實上，該公司在過去幾年始終在提升其翻譯應用水平。2016年，谷歌將其谷歌翻譯轉換為基於深度學習的人工智慧（AI）驅動系統。在此之前，該工具將每個單獨的單詞分別翻譯，並應用語言學規則使句子在語法上保持正確，從而導致了我們非常熟悉的、支離破碎的翻譯效果。另一方面，神經網路則將句子作為一個整體來考慮，並根據之前訓練過的大量文字資料來猜測正確的輸出結果。通過機器學習，這些系統能夠考慮句子的上下文，從而提供更準確的翻譯。

整合機器學習是Google Brain團隊的任務，該團隊是谷歌專門致力於深度學習研發的部門。Google Brain還將神經網路應用到另一個工具上，這是實時翻譯的關鍵，但這似乎也導致其容易在語音識別上犯錯。實際上，Google Assistant經過了數小時的語音培訓，它會使用機器學習工具來識別模式，並最終正確地識別出被要求翻譯的內容。

那麼，如果谷歌在某種程度上成功地將神經網路應用到文字-文字的翻譯中，為什麼Google Assistant仍然不能使用相同的技術精準地進行語音識別呢？劍橋大學自然語言處理研究人員馬西基·霍瓦特（Matic Horvat）說，這一切都歸結於用來訓練神經網路的資料集。

霍瓦特說:“系統能夠適應它們所得到的訓練資料集。當你把它介紹給它從未聽過的東西時，語音識別的質量就會下降。例如，如果你的訓練資料集是會話語音，那麼在繁忙的環境中識別語音效果就不會太好。”

干擾是任何致力於提高語音識別技術的電腦科學家的剋星。去年，谷歌通過其數字新聞創新基金會向倫敦初創企業Trint投資1.5億歐元，該公司在自動語音轉錄方面處於領先地位，儘管其演算法與谷歌不同。然而，Trint的演算法在處理基本的干擾問題上並沒有表現得更好。

事實上，Trint的公司網站專門用了長長的篇幅來介紹如何在安靜環境中記錄演講內容。該公司聲稱，其操作存在5%至10%的誤差，但它明確表示，這適用於安靜環境的錄音。Trint執行長傑夫·科夫曼（Jeff Kofman）說:“最大的挑戰是向我們的使用者解釋，我們的表現只能和他們給我們的音訊一樣好。在有回聲、噪音甚至重音的情況下，演算法就會出錯。”

現場演講所帶來的挑戰意味著，在建立神經網路的過程中，訓練過程是成本最高、耗時最長的部分。而像谷歌對Pixel Buds所做的那樣，只在有限數量的裝置上支援實時翻譯，當然無助於系統學習。實際上，它處理的語音越多，它可以向演算法中新增的資料就越多，機器就越能學會識別不熟悉的語音模式。

對於消費技術資深分析師格里森來說，這是谷歌將該功能擴充套件到更多硬體的原因之一。他表示:“語音識別中最棘手的問題之一，就是收集足夠的特定口音、俗語、習語資料，所有這些都是高度區域化的。將這個功能僅用於Pixel上，永遠不會讓谷歌接觸到那些區域化資料，進而也無法處理足夠多的資料。”

然而，積累資料也有不利的一面。表現最好的神經網路是那些擁有最多資料的網路，但由於資料需要在CPU上處理，CPU的壓力也會隨著資訊量的增多而增加。這類CPU還遠未達到與移動裝置完美整合的程度，使得實時語音處理在今天依然無法成為現實。實際上，每次使用Google Assistant時，語音資訊都會被髮送到資料中心進行外部處理，然後再發送回使用者的手機上。這些計算工作都不是在本地完成的，因為現有的手機無法儲存神經網路處理語音所需的龐大資料。

霍瓦特說，雖然Google Assistant能夠相當快地完成這一過程，但距離實時語音識別還有很長的路要走。該公司目前面臨的挑戰之一是，如何在手機中整合神經網路處理，以提高實時翻譯等功能的無縫性。事實上，開發人員已經在致力於開發適合於高效處理神經網路的小型外部晶片，這種晶片可以整合到手機中。例如，本月早些時候，華為宣佈了一種AI晶片，該公司聲稱其可以在幾分鐘內訓練好神經網路演算法。

雖然谷歌有自己的晶片Edge TPU，但它是為企業使用者而不是智慧手機設計的。對霍瓦特來說，這是它的致命弱點：作為一家軟體公司，谷歌對製造商沒有多少控制權，無法確保開發出一種產品，使所有安卓裝置都能使用本地神經網路處理，與蘋果截然不同。

在不久的將來，谷歌可能被迫採取更小的步驟來改進其語音識別技術。雖然實時翻譯引來了許多批評，但對於行業分析師、Counterpoint物聯網、移動和生態系統研究主管尼爾·沙赫（Neil Shah）來說，擴充套件它有益於谷歌參與競爭:“谷歌已經獲得20億安卓使用者。隨著越來越多的使用者開始在安卓手機上使用最新的語音互動，它能夠比競爭對手更快地擴大規模，並接受大量輸入資料流的訓練。”

格里森所也贊同這種看法。無論對實時翻譯的評論是否堅持溫和嘲諷的基調，谷歌的舉動最終都會帶來顯著的改進。就像所有的AI產品一樣，這個工具同樣需要學習，它進入市場的過程還沒有完成。格里森表示:“人們可能會說，谷歌的實時翻譯運作方式與承諾的不一樣，但這是其實現目標的唯一途徑。”口譯翻譯現在不必擔心他們會立馬丟掉工作。