Googleは、AIを活用した言語技術をテキスト翻訳の枠を超えて発展させ、会話における口調、感情、文脈、俗語、文化的ニュアンスの理解に重点を置いている。同社の技術と製品は現在、300を超える言語で、世界人口の86％を占める7ビリオン人以上の日常的なやり取りを支えている。2006年に提供を開始したGoogle Translateは、数言語から250を超える言語へと対応範囲を拡大した。
従来の音声認識システムは、音声をいったんテキストに変換し、その後再び音声に変換する過程で、コミュニケーションの重要な要素を失っているとGoogleは指摘する。同社はGeminiのようなモデルを、音声を直接処理し、意味と話し方の両方を把握できるよう訓練している。これにより、笑い声、間、発話の重なり、SpanglishやHinglishのような言語の混用を理解できるようにすることを目指している。
インターネット上で主要言語が不均衡に多く扱われていることから、同社は十分に代表されていない言語について、地域コミュニティーとオープンデータのパートナーシップを進めている。新しいLanguage Explorerツールは、世界最大のオープンソース言語データリポジトリであるLinguaMetaを可視化し、7,000を超える音声言語、書記言語、手話を継続的にマッピングしている。Google.orgが支援するCentre for Digital Language InclusionとAI Singapore’s Project Aquariumも、多言語ツールが農家、医療従事者、教師、その他の基幹サービス従事者に届くよう支援している。
信頼できるインターネットにアクセスできない3ビリオン人以上のために、Geminiを基盤とし、55言語で訓練された軽量のオープン翻訳モデル群TranslateGemmaが開発された。端末上で動作するこのシステムは、インターネット接続やクラウド接続を必要としない。Googleはまた、標準的な機能を備えた携帯電話にGemini搭載の音声アシスタントを導入するViamoのサービス「Ask Viamo Anything」（AVA）を支援している。ルワンダでの試験運用では、AVAは2ミリオン件を超える質問に回答した。
50以上の手話で訓練されたSign Language-to-Text（SL2T）は、Pixel 11でGboardとLive Transcribeを通じて手話からテキストへのディクテーションを可能にする。第1段階では、American Sign Language（ASL）が英語に翻訳される。この取り組みは、手話を使用する70ミリオン人のアクセシビリティー向上を目指している。ニュージーランドでは、マオリの専門家と協力し、Google Mapsで地名の発音が改善された。Googleの言語技術はさらに、Search、Android、Chrome、YouTube、Google Playを含む9つのプラットフォームで、5ビリオン人を超える人々をつないでいる。
なぜ重要なのか
このアプローチは、翻訳サービスが単語の対応関係を示すだけにとどまらず、話し方や文化的背景も処理することに基づいており、それによってコミュニケーションで失われる要素を減らすことを目指している。端末上で動作する軽量モデルは、安定したインターネット環境を利用できない人々にとって、クラウド接続をアクセスの前提条件ではなくす一方、標準的な機能を備えた携帯電話に導入される音声アシスタントは、スマートフォンの必要性を低下させる。また、手話への対応をキーボードや文字起こしツールに直接追加することで、アクセシビリティーは独立したサービスではなく、広く普及した製品の一部となる。地域コミュニティーと構築するオープンデータ・パートナーシップは、インターネット上で十分に扱われていない言語をシステムに取り込む際のデータ不足を解消することを目指している。一方、初期の手話からテキストへの翻訳がASLから英語への変換に限られていることから、ほかの手話がどの程度サポートされるのかという疑問は残されている。