شرکت آلمانی DeepL روز چهارشنبه ۲۰ آبان ۱۴۰۵ (۱۱ نوامبر ۲۰۲۶) مدل صوتی تازه‌ای به نام «Aure» معرفی کرد که در ترجمه‌ی هم‌زمان گفتار، فقط واژه‌ها را برنمی‌گرداند؛ لحن، احساس، تأکید و تندی حرف‌زدن گوینده را هم به زبان مقصد می‌برد. طبق اطلاعیه‌ی رسمی DeepL این مدل از همین حالا در محصولات DeepL Voice کار می‌کند و در شروع از هشت زبان پشتیبانی می‌کند. فارسی میان آن‌ها نیست.
مشکل ترجمه‌ی صوتی چه بود؟
ابزارهای ترجمه‌ی هم‌زمان معمولا حرف شما را به متن تبدیل می‌کنند، متن را ترجمه می‌کنند و بعد با یک صدای ماشینی می‌خوانند. در این راه چیزهای زیادی گم می‌شود: شوخی، کنایه، دودلی، هیجان. DeepL از شهریور قابلیتی داشت که صدای خود گوینده را در ترجمه نگه می‌داشت، ولی The Decoder توضیح می‌دهد که آن روش از یک نمونه‌ی ثابت صدا در آغاز گفتگو استفاده می‌کرد و اگر حال گوینده وسط جلسه عوض می‌شد، صدای ترجمه‌شده همان‌طور یکنواخت می‌ماند.
Aure چه کار تازه‌ای می‌کند؟
Aure گفتار ورودی را پیوسته و در طول گفتگو تحلیل می‌کند و برای ساختن صدای ترجمه هم به متن ترجمه‌شده نگاه می‌کند و هم به صدای اصلی. نتیجه اینکه اگر گوینده آرام شروع کند و بعد با هیجان ادامه دهد، صدای ترجمه هم همین تغییر را نشان می‌دهد.
DeepL می‌گوید در آموزش مدل سه چیز را از هم جدا کرده است:
- هویت صدا: اینکه صدا مال چه کسی است.
- آهنگ گفتار: ریتم، زیر و بم و شیوه‌ی ادا.
- محتوا: خود حرفی که زده می‌شود.
با این جداسازی، هر کدام می‌تواند جدا به زبان دیگر برود. بعد با روش «یادگیری تقویتی» خروجی برای درستی، کیفیت صدا و نداشتن لهجه‌ی زبان مبدأ بهتر شده است. سیستم نویز پس‌زمینه، پژواک و خرابی صدا را هم می‌گیرد.
زبان‌ها و محصول‌ها
| مورد | جزئیات |
|---|---|
| زبان‌های شروع | انگلیسی، آلمانی، اسپانیایی، فرانسوی، ایتالیایی، ژاپنی، پرتغالی، کره‌ای |
| محصول‌ها | DeepL Voice برای جلسه‌ی آنلاین، DeepL Voice برای گفتگوی حضوری، DeepL API for Voice |
| فعال‌سازی | خودکار، بدون تنظیم اضافه |
| قیمت | در اطلاعیه نیامده است |
DeepL می‌گوید زبان‌های بیشتری در راه است و زبان‌های دیگر DeepL Voice فعلا با مدل‌های صوتی قبلی کار می‌کنند.
حریم خصوصی
ترجمه‌ی جلسه یعنی شنیدن حرف‌های کاری آدم‌ها، پس این بخش مهم است. DeepL در اطلاعیه می‌گوید رونوشت جلسه‌ها و ترجمه‌ها را برای همیشه نگه نمی‌دارد و داده‌ی هر نشست با پایان آن از حافظه پاک می‌شود. شرکت نام چند مشتری سازمانی مثل Pioneer، Aramark و Inetum را هم آورده که از DeepL Voice استفاده می‌کنند.
چرا این خبر مهم است؟
رقابت در ترجمه‌ی صوتی هم‌زمان داغ شده است؛ گوگل، OpenAI و شرکت‌های صوتی هر کدام مدل‌های گفتاری زنده داده‌اند، مثل Grok Voice 3.0 که پیش‌تر معرفی‌اش کردیم. DeepL که با ترجمه‌ی متن شناخته می‌شود، حالا روی چیزی دست گذاشته که جلسه‌ی چندزبانه را طبیعی‌تر می‌کند: اینکه شنونده بفهمد طرف مقابل جدی است، شوخی می‌کند یا نگران است. یارک کوتیلوفسکی، مدیرعامل DeepL، در اطلاعیه گفته است ارتباط میان زبان‌ها تا امروز به معنای کنارآمدن با از دست رفتن شیوه‌ی بیان بوده است. به گزارش The Decoder، این شرکت برای قوی‌کردن ترجمه‌ی گفتار، تیم شرکت Mixhalo را هم که در پخش زنده‌ی صدا تخصص دارد جذب کرده است.
این یعنی چه برای کاربر فارسی‌زبان؟
فارسی در هشت زبان آغازین Aure نیست و DeepL زمانی برای افزودنش نگفته است. پس این مدل فعلا به کار کسانی می‌آید که جلسه‌هایشان میان همین هشت زبان است؛ مثلا جلسه‌ی انگلیسی و آلمانی. DeepL Voice هم محصولی سازمانی است و قیمت Aure جدا اعلام نشده. برای ترجمه‌ی متن فارسی، مقایسه‌ی ابزارهای ترجمه با هوش مصنوعی را ببینید. اگر هم هدفتان برگرداندن صدای یک ویدیو به فارسی است، راهش دوبله است نه ترجمه‌ی زنده؛ در راهنمای دوبله با هوش مصنوعی توضیح داده‌ایم. در هوش‌نو می‌توانید متن را با مدل‌های گفتگو ترجمه کنید و با بخش گویندگی فارسی به صدا تبدیلش کنید؛ همه در ابزارهای هوش‌نو هست.
منبع‌ها
سؤالات متداول
Aure از زبان فارسی پشتیبانی می‌کند؟
نه. در شروع فقط هشت زبان دارد و فارسی میانشان نیست.
برای استفاده از Aure باید چیزی را روشن کرد؟
نه. در محصولات DeepL Voice و API صوتی آن خودکار به کار می‌رود.
DeepL صدای جلسه را نگه می‌دارد؟
طبق اطلاعیه‌ی شرکت، رونوشت و ترجمه برای همیشه ذخیره نمی‌شود و داده‌ی نشست با پایانش پاک می‌شود.
