谷歌宣布 AI 覆盖 300 种语言,强调情感与离线支持
谷歌宣布其 AI 技术已支持全球超过 300 种语言,覆盖 70 亿人口。公司正从传统文本翻译转向理解真实语境中的情绪、语气和俚语,并致力于通过本地社区合作优化离线场景下的可用性。
报道正文
本文目录6 个章节
我们正在超越传统的文本翻译,构建能够精准理解世界上丰富、鲜活语言原貌的模型。
[James Manyika
研究、实验室、技术与社会高级副总裁](https://blog.google/authors/james-manyika/)
Google 正利用 AI 帮助人们用数百种语言进行交流,其中包括那些此前被技术忽视的语言。他们不仅仅是在翻译文本,而是在训练 AI 以理解人们在现实生活中实际使用的情感、语气和俚语。此外,他们还与全球各地的本地社区合作,确保其工具适用于所有人,即使是那些缺乏稳定互联网接入的人群。这有助于确保技术尊重不同的文化,并让人们能够以自己的方式被理解。
摘要由 Google AI 生成。生成式 AI 仍处于实验阶段。
如今,我们的技术和产品支持着超过 300 种语言的日常交互,这些语言的使用者超过 70 亿人——占全球人口的 86%。达成这一里程碑意义重大,但也凸显了对于我们要实现的 使命 而言至关重要的工作。几十年来,技术主要服务于少数几种主导语言,导致数千种现存语言和方言在数字世界中代表性不足,甚至完全缺席。
2006 年我们推出 Google Translate 时,目标很简单:打破语言之间的壁垒。AI 的进步帮助我们让更多用户受益于此愿景,将 Translate 支持的语言从最初的寥寥几种扩展到如今的 250 多种。但仅翻译文本是不够的。技术需要理解人们在现实世界中如何真正交流。因此,我们将研发重点放在构建尊重文化细微差别和人类语言丰富性的系统上,使每个人都能参与进来,并以自己的方式被理解。
以下是这项工作在实践中的具体体现。
从文本到真正的理解
历史上,语音识别系统遵循一种僵化的多步骤流程:先将音频转录为文本,处理该文本,然后再将其合成回音频。虽然这种流水线功能上可行,但它剥离了人类交流中最丰富的部分:语气、节奏、情感和语境。
人们说话时并不会使用完美工整、语法严谨的句子。我们会笑,会打断彼此,会犹豫停顿,还会在句子中混合多种语言,就像我们说 Spanglish(西英混合语)或 Hinglish(印英混合语)那样。
为了捕捉这种自然状态,我们超越了文本转录,转向原生音频智能——训练像 Gemini 这样的模型直接处理原始音频,同时理解声音和意图。这些努力包括:
-
流畅的实时对话工具:
-
如今,Gemini 3.5 Live Translate 支持跨 70 种语言和 2,000 多个语言对的实时语音翻译,能够自然地捕捉语码转换和情感线索。
-
Gemini 3.5 Transcribe 是我们迄今最精准的语音转文字模型,即使在嘈杂环境或涉及复杂术语的情况下,也能将原始音频转化为精美排版的文本。它还驱动了 Android Gboard 上的 Rambler 等功能,该功能可以去除填充词,修正语法和标点,并允许用户通过语音命令进行编辑或重写,以及在语言之间无缝切换。
-
“千语计划”(The 1,000 Languages Initiative): AI 正在帮助我们以前所未有的规模打破语言障碍。但要让更多人以他们偏好的语言获得服务,意味着要超越目前 AI 表现最佳的语言范围:我们的目标是支持世界上使用人数最多的 1,000 种语言。为了实现这一目标,我们的 通用语音模型(Universal Speech Model) ——基于 1,200 万小时音频数据训练——采用了 跨语言迁移学习 技术,使模型能够将数据丰富语言中学到的知识迁移到训练数据稀缺的语言中,从而提升其语音理解能力。这使得模型能够将数据丰富语言中学到的模式应用到资源匮乏的语言上。
-
严谨的基础研究: 这项工作建立在 25 年的开放研究和超过 400 篇经同行评审的语音论文 基础之上,这些研究推动了前沿发展并促进了语音模型的进步。
将社区置于语言数据的中心
由于网络内容不成比例地集中于少数主导语言,要让 AI 理解代表性不足的语言,我们需要重新思考数据收集的方式。解决方案在于建立本地化的基层合作伙伴关系。这种本地化方法推动了我们在开放数据领域最具雄心的三项合作:
- WAXAL(沃洛夫语中意为“说话”,发音为 "Wah-hal"):与 Makerere University 和 Digital Umuganda 等合作伙伴共同构建,WAXAL 是一个大规模开放语音数据集,涵盖撒哈拉以南非洲的 27 种语言,这些语言由超过 26 个国家的逾 1 亿人使用,捕捉了传统数据集中常缺失的声调变化和对话节奏。
- Project Vaani: 与印度理工学院(IISc)和 Bhashini 合作,Project Vaani 采用基于区域而非基于语言的方法来描绘印度的语言多样性,目前已收集来自超过 155,000 名说话者的 109 种语言的逾 30,000 小时语音数据。
- Amplify Initiative: 我们与遍布四大洲的 1,600 多名本地专家和 20 所大学(包括巴西的 UFMG、印度的 IIT Kharagpur 以及乌干达的 Makerere University)合作,贡献了 15,000 个多模态数据点,以捕捉本地细微差别。
我们还在通过新工具 Language Explorer 继续推进优先发展开源语言创新的工作。这是一个交互式工具,用于可视化 LinguaMeta——全球最大的开源语言数据存储库。该工具因设计创新获得 Fast Company 的认可,持续映射超过 7,000 种口语、书面语和手语。
这些创新与合作的影响,在触达那些能够将新数据和洞察转化为社区实质性变革的人群时最为显著。由 Google.org 支持的项目,包括数字语言包容中心和 AI Singapore 的 Project Aquarium,正致力于将多语言工具带给全球各地的农民、医护人员、教师及其他关键社区成员。
克服现实世界的限制
对于超过 30 亿人而言 1 ,可靠的互联网接入仍然遥不可及。只有当技术能够在人们生活的地方——包括网络连接有限或间歇性中断的地区——正常工作时,它才真正具备可及性。
为应对这一挑战,我们开发了 TranslateGemma,这是一系列基于 Gemini 构建、覆盖 55 种语言的轻量级开源翻译模型。由于 TranslateGemma 能够高效地在设备端运行,高质量翻译不再依赖云端连接或互联网。
然而,运行强大的 AI 模型需要性能充足的硬件,这便将数亿仍在使用功能手机(feature phones)的低资源地区用户排除在外。为了弥合这一差距,我们正在支持像 Viamo 这样的组织,为其“Ask Viamo Anything”(AVA)语音 AI 助手提供动力,该助手将 Gemini 的强大能力带入标准功能手机。Viamo 已成功在其现有的交互式语音应答(IVR)用户中于卢旺达 试点 AVA ,且该服务已利用 Gemini 回答了超过 200 万个问题。
面向无障碍的设计
语言不仅关乎地域方言或词汇,还关乎人们沟通的多种其他形式。传统的语音工具往往无法服务于非标准发音人群,迫使他们去适应技术,而非让技术来适应他们。
[注:本文篇幅超长,以上为核心前篇精译,后续内容保留原文呈现]
We’re working to change that by designing for accessibility from the ground up, for example, with Sign Language-to-Text (SL2T). Trained across 50+ sign languages, SL2T powers sign-to-text dictation in Gboard and Live Transcribe on Pixel 11, starting with American Sign Language (ASL) to English. This is an important first step toward making our products more accessible to the 70 million people worldwide who rely on sign language to communicate.
Getting local pronunciation right
Details matter, certainly in everyday tools like navigation. When a navigation app mispronounces a town or street name, it doesn’t just cause confusion, it can overlook the cultural heritage of the place.
We believe cultural context should be part of how language technology is built, and that means working directly with local communities. For example, in New Zealand, we worked with Māori language experts to improve the place name pronunciation in Google Maps, helping make the experience more accurate and genuinely local. Incorporating culturally authentic pronunciations directly into our text-to-speech models ensures technology reflects the language and heritage of the communities it serves.
Building language tools for everyone
One essential lesson we’ve learned over 20 years of AI language research and development is that technology should never narrow the spectrum of human expression — it should expand it.
Today, our language technologies are already embedded across our core ecosystem, connecting more than five billion people across nine platforms, including Search, Android, Chrome, YouTube, and Google Play. But scale is only part of the story. The bigger goal is depth and richness — building systems that grasp context, respect culture, and celebrate the many ways people communicate.
As we expand our use of AI to address some of society’s biggest opportunities, we’ll continue to work closely with local communities to build technology that helps more people communicate, participate, and be understood on their own terms.