هوش مصنوعی گوگل زبان اشاره را به گفتار تبدیل می‌کند

بدون شک گسترده‌ترین نرم‌افزار عمومی ترجمه در دنیا، گوگل ترنسلیت است. با وجود همه قابلیت‌ها بسیاری از کاربران آن را ناقص و نیازمند قابلیت‌های جذاب دیگری می‌دانند که وجودشان به شدت احساس می‌شود. یکی از این کمبودها عدم پشتیبانی از زبان اشاره بوده که به نظر گوگل قصد دارد با ایجاد تحولی عظیم، آن را نیز به لیست زبان‌های پشتیبانی شونده خود اضافه کند.

ترتیب کار در ترجمه این است که شما متنی را می‌بینید و یا برای مترجم می‌نویسید و آن شروع به ترجمه می‌کند. اما اگر متن شما با کلمات و گفتار نباشد چطور؟ در واقع اگر بخواهیم زبانی مانند زبان اشاره را ترجمه کنیم باید حرکات را شناسایی کرده و آنها را ترجمه کنیم.

شرکت گوگل در سال گذشته برنامه رسمی خود برای پشتیبانی از زبان اشاره در پلتفرم ترجمه‌اش را اعلام کرد و به نظر اولین نسخه‌های خروجی تولید شده توسط این پروژه آنقدر مناسب هستند که توانسته‌اند با خطایی قابل قبول، برای اولین بار بستری بدون دخالت انسان برای ترجمه زبان اشاره ارائه کنند.

در این پروژه که در مرکز تحقیقات هوش مصنوعی شرکت گوگل انجام شده تلاش می‌شود تا حرکات دست و زبان اشاره شناسایی شده و به متن و در ادامه گفتار تبدیل شوند تا بتوان بدون نیاز به مترجم انسانی، با افرادی که از نعمت تکلم بی‌بهره هستند، ارتباط کلامی برقرار کرد.

ساختار اصلی کار بر مبنای پردازش تصویر پیشرفته بنا نهاده شده است. اگر بخواهیم روند کار این سیستم را به صورتی ساده شرح دهیم باید بگوییم که یک دوربین در ابتدا تصاویر حرکت دست فرد را دریافت کرده و ابتدا نقشه‌ای سه بعدی به صورت بلادرنگ از ۲۱ نقطه متحرک که بیشتر در مفصل‌های دست قرار گرفته‌اند تعیین می‌کند.

در ادامه تلاش می‌شود نحوه حرکت و عمق میدان سوژه که در اینجا دست کاربر است شناسایی شده و به بیان ساده، مجموعه حرکت، ادراک گردد.

با ساخت نقشه حرکتی، هوش مصنوعی وارد کار شده و تلاش می‌کند تا مدل حرکت را با الگوهایی که از پیش برای سیستم تعریف شده و در پایگاه داده جدید سیستم قرار دارد تطبیق دهد تا بتوان فهمید که یک پله حرکتی به چه معنی است.

قابلیت بسیار خوب این روش آن است که می‌تواند از یک منبع نه چندان پیشرفته مانند دوربین‌های تلفن همراه با رزولوشن پایین هم داده‌های خود را دریافت کند و به همین دلیل به صورت ساده قابل پیاده‌سازی روی ابزارهای مختلف خواهد بود.

شاید بتوان گفت که مهمترین مرحله کار این سیستم شناسایی ژست‌های حرکتی است که در این مرحله باید علاوه بر نحوه حرکت به زبان مادری و ملیت فرد همراه با فرهنگ و منطقه زندگی او نیز توجه کرد.

برای مثال وقتی انگشت شست به همراه کوچکترین انگشت دست باز بوده و بقیه انگشتان در کف دست جمع شده باشند، در آمریکا، اروپا و چین به سه کلمه مختلف معنی می‌شوند؛ «اوکی»، «راک (موسیقی)» و مرد عنکبوتی.

در این زمینه گوگل در وبلاگ رسمی خود می‌گوید:

برنامه ما بر این است که این فناوری را به صورت پایدار و مقاوم‌تری توسعه دهیم تا بتوان حجم وسیعی از داده‌های حرکتی را به صورت قابل اعتماد و با درصد خطایی پایین شناسایی کرد. ما معتقدیم که انتشار این فناوری به صورت عمومی می‌تواند مزایای بسیار زیادی داشته باشد که از جمله آنها می‌توان به افزودن تجربیات کاربران و فیدبک‌هایی که در شرایط پیش‌بینی نشده دریافت می‌شود منجر گردد.

گوگل هنوز برنامه رسمی برای عرضه تجاری و یا عمومی این قابلیت اعلام نکرده ولی به احتمال فراوان دیری نخواهد پایید که شاهد افزوده شدن آن در قالب یک بروزرسانی عالی برای نرم‌افزارهایی مانند Google Translate باشیم.