受惠於智慧型手機的普及，網路人口在最近這幾年高速成長，不過網路上有接近 50% 的內容仍是以英文為主，對於非以英文為母語的人來說，想要獲得資料就多了一道門檻，能讓每個人自在的用自己的原生語言在網路上搜集或提供資料是 Google 的目標，因此在推動語言翻譯或發展上 Google 做了非常多的努力。
推動各種語言上網，統一碼（Unicode）是重點
不同語言要能在網路上流動，最重要的就是該語言要能被閱讀，若是出現亂碼或空白文字就容易成為閱讀或理解的障礙，因此 Google 長期和統一碼（Unicode）聯盟合作，鼓勵更多國家利用統一碼的編碼系統上網，例如 Google 大力鼓勵緬甸不要再使用非統一碼的字型。
有了統一碼這項文字系統後，電腦文字編碼就有了一套標準，下一個挑戰就是要確保自行能正確地被轉為網路或手機上的文字，去年 Google 推出開放的 Noto 字型，可以支援 800 種語言、11 億個文字，可呈現各式各樣的文字。
但這樣還不夠，雖然文字能呈現，但卻不是每個人都知道如何輸入文字，因此除了 Gboard 提供 300 多種鍵盤、 97 種手寫系統、語音輸入等方法讓使用者可以依照自己方便的方式來輸入文字。
在開發手寫系統上，Google 也花了一番心力，由於每個人的字跡都不同，因此 Google 導入人工智慧技術，蒐集很多自願者的手寫範本，讓機器學習來辨認文字和書寫風格，進而達到更精確的手寫辨識。語音輸入方面則是透過 GOOG-411 的服務來搜集語音資料，類似我們的查號台，當有人打電話進去問問題查電話，GOOG-411 就會幫忙轉接，在這樣的過程中 Google 建立了大量的語音資料庫範本，英文語音搜集還算滿順利的。不過其他語言就沒這麼容易了，雖然說 Google 有和專門經營文字和語音資料庫的業者合作，但有些語言本身的資料庫就較少，例如廣東話，因此 Google 又開啟了下一階段的任務。
語音搜尋實驗，搜集準確的語音資料
既然缺乏語音資料，Google 就開始想方法來搜集各種語言的語音訊息，比方說 2010 年 Google 推出了荷蘭語的 Word of Mouth 計畫，提供參與實驗的使用者手機來搜集他們和親友間的對話樣本，進而得到準確的語音資料。
有了語音資料之後下個問題則是口音和俗語，關於這方面的資料目前 Google 仍正在努力發展中，不過經過過去這麼長一段時間的努力，到 2012 年之後，語音搜尋已可支援到 50 種語言，Google 也導入了深度神經網路提升語音辨識的準確性，今年則再新增 30 多種的語音輸入，甚至包含了非洲兩種主要語言，斯瓦希里語（Swahili）和阿姆哈拉語（Amharic），對於彌平語言隔閡來說，這是一個重要的里程碑。
怎麼將機器學習應用在語音服務上
既然有了機器學習這項技術，也就意味著 Google 能透過演算以及建構更有效的模型來解決語音辨識問題。
Google 這回用了一個超級低成本的預算（2000 美金）來增加孟加拉語的文字轉語音服務，首先先準備一套麥克風、USB 轉接器和前置聲音放大器，並建立一組便攜式的錄音工作室「ChitChat」讓實驗者可以錄音。
工具有了，下一步就是找來 15 名孟加拉的 Googler，錄製了 2000 多個從維基百科擷取出來的孟加拉語和英語，實驗者每隔 30 分鐘至 60 分鐘就錄製 250 多個句子，平衡的混音成幾個不同的聲音後，再交給 Google 社群投票看看大家最偏好哪一個聲音，最終產出的聲學模型剛好就可以代表平均型的人聲，成功推出了孟加拉語的文字轉語音服務。
除了把更多語言放到網路上，Google 也著手發展方言領域，像是英文就分成美式英文、英式英文、澳洲英文等等，最近 Google 正著手處理新加坡式英語，另外，西班牙語、阿拉伯語也是 Google 努力的方向。
Google 的中文語音什麼時候會有更多突破？
至於台灣人最常用的中文呢？Google 語言研究計畫總經理 Linne Ha 不諱言，中文真的是很有挑戰的語言，比方說中國人說著中文、寫著簡體中文，台灣人說也說著中文、但寫的是繁體中文，香港人寫的也是繁體中文、不過說的是廣東話，繁體中文、簡體中文、廣東話間各有連結但又不盡相似。
過去 Google 是使用「單一語言模式」來處理，比方說台灣人說的中文就套用繁體中文資料庫，香港人說廣東話則套用另外一個繁體中文資料庫，但這樣的語音辨識效果發展有限，近期 Google 嘗試著將相近的語言加進同一個模型中，目前的實驗結果還不錯。
from T客邦 http://ift.tt/2AiSPgq
沒有留言:
張貼留言