Google setur á laggirnar rauntíma talþýðanda fyrir yfir 70 tungumál

Google Alphabet Inc. ↘ 3.08% gaf á þriðjudaginn út Gemini 3.5 Live Translate, hljóðlíkan knúið af gervigreind sem þýðir tal í nærri rauntíma á yfir 70 tungumálum, sem markar eina af metnaðarfyllstu útfærslum fyrirtækisins á þýðingartækni í tækjum. Sama dag kynnti Google DeepMind DiffusionGemma, tilraunakennt opið líkan sem býr til texta allt að fjórum sinnum hraðar en staðlaðar sjálfvirkar líkön með því að beita dreifingartækni á Gemma 4 arkitektúrinn.

Að rjúfa tungumálamúrinn

Gemini 3.5 Live Translate víkur frá hefðbundnum þýðingarkerfum sem bíða eftir að ræðumaður ljúki máli sínu áður en þau skila úttaki. Í staðinn vinnur líkanið úr og þýðir tal stöðugt, og er aðeins nokkrum sekúndum á eftir ræðumanninum á meðan það varðveitir tónfall, hraða og raddhæð.blog+1

Líkanið er að koma út á þremur stöðum: á heimsvísu í Google Translate appinu fyrir Android og iOS, í opinberri forsýningu fyrir forritara í gegnum Gemini Live API og Google AI Studio, og í einkaforsýningu fyrir valda viðskiptavini Google Workspace á Google Meet frá og með þessum mánuði. Meet-samþættingin stækkar talþýðingu úr fimm tungumálum sem áður voru studd í yfir 70, sem gerir kleift að nota yfir 2.000 tungumálasamsetningar á einum fundi.9to5google+1

Nýr "hlustunarhamur" á Android gerir notendum kleift að heyra þýðingar í gegnum heyrnartól símans án heyrnartóla – einfaldlega með því að halda tækinu að eyranu eins og í venjulegu símtali. Allt hljóð sem búið er til er vatnsmerkt með SynthID til að hjálpa til við að bera kennsl á efni sem gervigreind hefur búið til.India Today+2

DiffusionGemma: Textagerð í gegnum dreifingu

Sérstaklega gaf Google DeepMind út DiffusionGemma, 26 milljarða færibreyta blöndu-af-sérfræðingum líkan sem býr til texta á sama hátt og mynddreifingarlíkön búa til myndir – byrjar á suði og betrumbætir heilar blokkir af allt að 256 táknum samhliða í stað þess að spá fyrir um eitt orð í einu.blogs.nvidia+1

DiffusionGemma er byggt á Gemma 4 arkitektúrnum og virkjar aðeins 3,8 milljarða færibreyta við ályktun, og nær yfir 1.000 táknum á sekúndu á einu Nvidia ↘ 4.40% H100 GPU og um það bil 700 táknum á sekúndu á GeForce RTX 5090 fyrir neytendur. Þyngdir líkansins eru fáanlegar á Hugging Face undir Apache 2.0 opna hugbúnaðarleyfinu.blog+2

Sundar Pichai, forstjóri Google, vakti athygli á DiffusionGemma á samfélagsmiðlum og kallaði það "kapphlaupahest sem nær allt að 4x hraðari ályktun" sem færir rannsóknir fyrirtækisins á textadreifingu til Gemma 4 fjölskyldunnar.x

Málamiðlanir milli hraða og gæða

Google varaði við því að DiffusionGemma væri tilraunakennt og væri á eftir staðlaða Gemma 4 í viðmiðum um gæði úttaks, og mælti með því fyrst og fremst fyrir staðbundna vinnuflæði þar sem hraði skiptir máli, svo sem innbyggðri klippingu, hraðri endurtekningu og umboðslykkjum frekar en framleiðsluútfærslum sem krefjast hámarksgæða. Nvidia hefur fínstillt líkanið yfir alla vélbúnaðarlínu sína, frá GPU-tækjum fyrir neytendur til DGX Spark kerfa, með stuðningi frá fyrsta degi í vLLM, Hugging Face Transformers og Unsloth.thenewstack+2