Vandag het ons 'n nuwe weergawe van Microsoft Translator API wat intydse spraak-tot-spraak (en spraak tot teks) vertaalvermoëns by die bestaande teksvertaling-API voeg. Aangedryf deur Microsoft se moderne kunsmatige intelligensie-tegnologieë, is hierdie vermoë beskikbaar vir miljoene gebruikers van Skype vir meer as 'n jaar, en om iOS En Android gebruikers van die Microsoft Translator-toepassings sedert laat 2015. Nou sal besighede hierdie spraakvertalingsvermoëns by hul toepassings of dienste kan voeg en meer natuurlike en effektiewe gebruikerservarings aan hul kliënte en personeel bied.

Spraakvertaling is beskikbaar vir agt tale – Arabies, Chinese Mandaryns, Engels, Frans, Duits, Italiaans, Portugees en Spaans. Vertaling na teks is beskikbaar in al Microsoft Translator's 50+ ondersteunde tale. Vertaling na gesproke klank is beskikbaar in 18 ondersteunde tale.

Hierdie nuwe weergawe van Microsoft Translator is die eerste end-to-end spraakvertalingsoplossing wat geoptimaliseer is vir werklike gesprekke (teenoor eenvoudige menslike tot masjien-opdragte) wat op die mark beskikbaar is. Voor vandag moes spraakvertalingsoplossings uit 'n aantal verskillende API's (spraakherkenning, vertaling en spraaksintese) saamgevoeg word, nie geoptimaliseer word vir gespreksspraak of ontwerp om met mekaar te werk nie. Nou kan eindgebruikers en besighede taalhindernisse verwyder met die integrasie van spraakvertaling in hul bekende programme en dienste.

 

Hoe kan my besigheid spraakvertalingstegnologie gebruik?

Spraakvertaling kan in 'n verskeidenheid persoon-tot-persoon-, groep- of mens-tot-masjien-scenario's gebruik word. Persoon-tot-persoon-scenario's kan eenrigtingvertaling insluit, soos persoonlike vertaling, onderskrifte of afgeleë of persoonlike veeltalige kommunikasie, soortgelyk aan wat tans in Skype Translator of die Microsoft Translator-toepassings vir iOS en Android gevind word. Groepscenario's kan intydse aanbiedings insluit, soos hoofnote vir geleenthede, webuitsendings en universiteitsklasse, of byeenkomste soos in persoonsvergaderings of aanlyn-speletjie-kletskamers. Mens-tot-masjien-scenario's kan besigheidsintelligensie-scenario's insluit (soos die analise- of kliëntoproeplogboeke) of AI-interaksies.

Ons begin net die oppervlak krap van die scenario's waar hierdie tegnologie sal help, en aangesien dit op masjienleer gebaseer is, sal die kwaliteit en toepaslikheid daarvan mettertyd verbeter namate meer mense en maatskappye dit gebruik.

Verskeie vennootondernemings het die API getoets en dit in hul eie programme geïntegreer:

• Tele 2 van Swede, 'n toonaangewende selfoonoperateur met meer as 15 miljoen intekenare in meer as 15 lande, het Translator in hul PBX geïntegreer om intydse telefoonoproepvertalings (geen app nodig nie!) op hul sellulêre netwerk te ondersteun.
• Leeubrug (Boston, MA), 'n taaldiensverskaffer en Gold Level Translator-vennoot, het 'n geïntegreerde video-onderskrifoplossing ontwikkel.
• ProDoof, 'n toepassingsverkoper wat spesialiseer in die ontwikkeling van tegnologieë om die hardhorende en dowe gemeenskappe te ondersteun, het die nuwe API in hul gebaretaal-avatar-app geïntegreer om veeltalige ondersteuning van spraak in staat te stel om scenario's te onderteken.

 

Hoe werk spraakvertaling?

Spraak-tot-spraak-vertaling is 'n baie komplekse uitdaging. Dit gebruik die nuutste KI-tegnologieë, soos diep neurale netwerke vir spraakherkenning en teksvertaling. Daar is vandag geen ander volledig geïntegreerde spraakvertalingsoplossing op die mark beskikbaar nie en lewer 'n platform wat werklike spraakvertalingscenario's sal ondersteun wat nodig is om verder te gaan as om bloot bestaande spraakherkennings- en teksvertalingstegnologieë saam te stik. Daar is vier fases vir spraakvertaling om hierdie ervaring te kan lewer:

1. Outomatiese spraakherkenning (ASR) — 'N Diep neurale netwerk wat op duisende ure se klankontledings opgelei is, ontleed inkomende spraak. Hierdie model is opgelei in mens-tot-mens-interaksies eerder as mens-tot-masjien-opdragte, wat spraakherkenning lewer wat geoptimaliseer is vir normale gesprekke.
2. TrueText — TrueText, 'n Microsoft Research-innovasie, neem die letterlike teks en transformeer dit om gebruikersvoorneme nader te weerspieël. Dit bereik dit deur spraakverskille, soos "um"s en "ah"s, sowel as hakkels en herhalings te verwyder. Die teks word ook meer leesbaar en vertaalbaar gemaak deur sinbreuke, behoorlike leestekens en hoofletters by te voeg. (sien foto hieronder)
3. Vertaling — Die teks word vertaal in enige van die 50+ tale wat deur Microsoft Translator ondersteun word. Die agt spraaktale is verder geoptimaliseer vir gesprekke deur opleiding oor miljoene woorde van gespreksdata met behulp van diep neurale netwerke aangedrewe taalmodelle.
4. Teks na spraak — As die doeltaal een van die agtien spraaktale is wat ondersteun word, word die teks omgeskakel in spraakuitset met behulp van spraaksintese. Hierdie stadium word weggelaat in spraak-tot-teks-vertaalscenario's soos video-onderskrifte.

Hoe begin ek?

Dit is maklik om aan die gang te kom met die nuwe Microsoft Translator Speech API. 'N Gratis proeftydperk van 10 uur is beskikbaar by aka.ms/TranslatorADMSpeech. U kan die opstelling en implementering in 'n virtuele omgewing toets, asook die API-dokumentasie op ons nuwe lees Swagger bladsy. U kan ook voorbeeldprogramme en ander nuttige inligting vind oor GitHub.

Natuurlik, as jy vrae, probleme of terugvoer het, sal ons dit graag wil hoor! U kan ons laat weet op ons Terugvoer- en ondersteuningsforum.

Leer Meer

• Wat is outomatiese vertaling?
• Microsoft Translator tuis
• Microsoft Translator-toepassings
• Vrae oor Microsoft-vertaler