دستگاه مترجم جیبی جدید گوگل بدون نیاز به اینترنت مکالمات را ترجمه میکند
به گزارش خبرگزاری آنا؛ پیشرفت هوش مصنوعی پردازششده روی دستگاه باعث شده اجرای قابلیتهایی که پیشتر به ارتباط دائمی با سرویسهای ابری نیاز داشتند، روی سختافزارهای کوچک نیز امکانپذیر شود. پروژه Gemma Translator نمونهای از همین روند است که توسط تیمی کوچک از مهندسان گوگل توسعه یافته و یک سامانه کامل ترجمه صوتی را درون بدنهای چاپشده با پرینتر سهبعدی جای داده است. این دستگاه برای مکالمه میان دو فرد با زبانهای متفاوت طراحی شده و میتواند دریافت صدا، تبدیل گفتار به متن، ترجمه و تبدیل متن ترجمهشده به گفتار را بدون اتصال به اینترنت و بهصورت محلی انجام دهد. به این ترتیب، محتوای مکالمه برای پردازش به سرویسهای خارجی ارسال نمیشود و دستگاه میتواند در محیطهایی که دسترسی به اینترنت محدود است یا حفظ محرمانگی اطلاعات اهمیت بیشتری دارد، کاربرد داشته باشد.
معماری سختافزاری و پردازش کاملاً محلی
برخلاف بسیاری از برنامههای ترجمه که برای پردازش صدا و ترجمه به سرورهای راه دور متکی هستند، Gemma Translator تمام مراحل اصلی پردازش را روی سختافزار خود دستگاه انجام میدهد. در این فرایند، صدای کاربر از طریق میکروفون دریافت و به متن تبدیل میشود، سپس مدل زبانی Gemma ۴ E۲B گوگل که با استفاده از چارچوب LiteRT-LM اجرا میشود، متن را پردازش و به زبان مقصد ترجمه میکند. در مرحله پایانی نیز متن ترجمهشده با کمک موتور تبدیل متن به گفتار Moonshine به صدای قابل پخش تبدیل میشود و از طریق بلندگوی داخلی دستگاه در اختیار مخاطب قرار میگیرد. چنین معماریای باعث میشود دستگاه برای انجام ترجمه به ارتباط مداوم با اینترنت وابسته نباشد و بتوان از آن در مناطق فاقد پوشش شبکه، شرایط اضطراری، سفرها و محیطهایی که انتقال اطلاعات صوتی به فضای ابری مطلوب نیست استفاده کرد.
پردازنده اصلی این سامانه یک بورد رزبریپای ۵ با ۸ گیگابایت حافظه رم است که در کنار یک نمایشگر لمسی کوچک با وضوح ۳۲۰ × ۴۸۰ پیکسل، میکروفون و بلندگو قرار گرفته است. برای کنترل دستگاه نیز یک پنل اختصاصی در نظر گرفته شده که شامل دکمههای مکانیکی برای شروع ضبط مکالمه و یک انکودر چرخشی برای انتخاب زبان است. تمام این اجزا درون بدنهای زرد و مشکی قرار گرفتهاند که با چاپ سهبعدی ساخته شده و طراحی آن بیشتر به یک ابزار مترجم اختصاصی و قابل حمل شباهت دارد تا یک رایانه تکبردی معمولی.
رابط کاربری و عملکرد در مکالمات واقعی
در بخش نرمافزار، توسعهدهندگان از یک رابط کاربری سبک مبتنی بر ریاکت و یک سرور API نوشتهشده با پایتون استفاده کردهاند که مستقیماً با مدل زبانی اجراشده روی دستگاه ارتباط برقرار میکند. یک اسکریپت راهانداز نیز وظیفه اجرای همزمان اجزای مختلف نرمافزار را بر عهده دارد تا رزبریپای ۵ بتواند بهعنوان یک ابزار ترجمه مستقل عمل کند. رابط کاربری به شکلی طراحی شده است که یک نفر بتواند کنترل هر دو طرف مکالمه را در اختیار داشته باشد یا دو مخاطب بهصورت مستقل از دکمههای ضبط و گزینههای انتخاب زبان استفاده کنند.
در آزمایشهای عملی، Gemma Translator توانست مکالمه زنده میان دو فرد به زبانهای اسپانیایی و ماندارین را بدون اتصال به سرور خارجی پردازش کند، متن ترجمهشده را روی نمایشگر نشان دهد و نتیجه را بهصورت صوتی برای مخاطب پخش کند. گوگل مستندات مربوط به پروژه را نیز بهصورت متنباز در اختیار علاقهمندان قرار داده است و علاوه بر کدهای منبع و اسکریپتهای راهاندازی، فایلهای STL مربوط به بدنه چاپ سهبعدی دستگاه را نیز منتشر کرده تا کاربران بتوانند نمونه مشابه آن را با سختافزار و تجهیزات در دسترس خود بسازند.
انتهای پیام/