ماهی بابل در گوش شما: چطور گوگل مکالمه زنده دو زبانه را بدون لکنت طراحی کرد

ماجرا از کجا شروع شد؟

ترجمه متن روی صفحه گوشی عالی بود، اما مکالمه واقعی دو انسان پشت میز یا در خیابان ماجرای دیگری است. تصور کنید در توکیو گم شده‌اید و می‌خواهید از یک عابر آدرس بپرسید: اگر مجبور باشید مدام سرتان را توی گوشی کنید، تایپ کنید و گوشی را بچرخانید، ارتباط چشمی و انسانی کاملاً قطع می‌شود.

با معرفی هندزفری‌های بی‌سیم Pixel Buds، گوگل فرصتی تاریخی پیدا کرد: یک نفر هندزفری را در گوش دارد، گوشی دست اوست و با عابری که زبانش را نمی‌فهمد گفتگو می‌کند. اما این رقص سه‌جانبه بین گوش، گوشی و دو انسان نیازمند طراحی رفتاری بود که کسی احساس نکند به او بی‌احترامی شده است. پندار یوسفی، مدیر طراحی گوگل ترنسلیت، هدایت پروژه را بر عهده داشت.

چه تصمیمی گرفتند؟

تیم طراحی به جای تمرکز صرف روی الگوریتم صدا، بر زبان بدن و آداب اجتماعی مکالمه تمرکز کرد:

1. تقسیم شفاف نقش‌ها بین دو طرف: فردی که هندزفری در گوش دارد دکمه روی هندزفری را نگه می‌دارد و انگلیسی حرف می‌زند. اسپیکر گوشی به زبان ژاپنی برای عابر پخش می‌کند. سپس عابر با نگه داشتن میکروفون روی صفحه گوشی پاسخ می‌دهد و ترجمه مستقیم در گوش کاربر اول شنیده می‌شود.
2. یک پیام خوشامدگویی متنی برای آغاز گفتگو: عابر غریبه شاید نداند گوشی چرا به سمت او گرفته شده! صفحه یک کارت بزرگ به زبان محلی نشان می‌داد: «سلام، من از گوگل ترنسلیت استفاده می‌کنم؛ لطفاً صحبت کنید.»
3. نمایش بصری متن حین گفتار (Visual Feedback): برای اطمینان از اینکه هوش مصنوعی کلمات را درست شنیده، متن به صورت زنده حین صحبت روی صفحه تایپ می‌شد.

چی شد که جواب داد؟

قابلیت ترجمه همزمان پیکسل‌بادز تیتر اول تمام رسانه‌های فناوری جهان شد و دریچه تازه‌ای به سوی تعاملات صوتی طبیعی گشود؛ جایی که هوش مصنوعی نه به عنوان یک مانع، بلکه به عنوان یک پل نامرئی بین فرهنگ‌ها عمل می‌کند.