August ગસ્ટ 2023 માં, મેટાએ 100 વિવિધ ભાષાઓની નજીક સમજવા માટે સક્ષમ ‘-લ-ઇન-વન’ એઆઈ અનુવાદ મોડેલ જાહેર કર્યું.
ડબ સીમલેસએમ 4 ટી (મોટા પ્રમાણમાં બહુભાષી અને મલ્ટિમોડલ મશીન અનુવાદ), ડગ્લાસ એડમ્સની ક્લાસિક વૈજ્ .ાનિક સિરીઝ ધ હિચિકરની ગાઇડ ટુ ધ ગેલેક્સીમાં બેબલ ફિશને ‘યુનિવર્સલ ટ્રાન્સલેટર’ બનાવવાનો આ મેટાનો પ્રયાસ છે.
સીમલેસએમ 4 ટી ટૂલની પાછળની ટીમે હવે પ્રકૃતિ જર્નલમાં તેના કામની વિગતવાર વિગત આપી છે, જે અદ્યતન સિસ્ટમનો ખુલાસો કરે છે, તે ટેક્સ્ટ-ટુ-ટેક્સ્ટ, સ્પીચ-ટુ-ટેક્સ્ટ, સ્પીચ-ટુ-સ્પીચ, માટે ઓલ-ઇન-વન સોલ્યુશન આપે છે, અને ભાષાઓના પ્રભાવશાળી અને વધતા જતા, ટેક્સ્ટ-ટુ-સ્પીચ અનુવાદો.
400 વર્ષથી વધુ કાચા audio ડિઓ
સીમલેસએમ 4 ટી, જે અન્ય વસ્તુઓની વચ્ચે, ફેસબુક અને ઇન્સ્ટાગ્રામ પર આપમેળે વિડિઓઝને ડબ કરવા માટે ઉપયોગમાં લેવાય છે, હાલમાં 101 થી 36 ભાષાઓ, સ્પીચ-ટુ-ટેક્સ્ટ અનુવાદ, 101 થી 96 ભાષાઓ માટે, સ્પીચ-ટુ-ટેક્સ્ટ અનુવાદને સમર્થન આપે છે -96 ભાષાઓ માટે ટેક્સ્ટ અનુવાદ, to 96 થી 36 ભાષાઓ સુધીના ટેક્સ્ટ-ટુ-સ્પીચ અનુવાદ અને 96 ભાષાઓ માટે સ્વચાલિત ભાષણ માન્યતા. આ એકીકૃત અભિગમ પરંપરાગત કાસ્કેડ સિસ્ટમોની મર્યાદાઓને દૂર કરે છે, જેને ઘણીવાર વાણી માન્યતા, અનુવાદ અને ટેક્સ્ટ-ટુ-સ્પીચ સંશ્લેષણ માટે અલગ સબસિસ્ટમ્સની જરૂર પડે છે.
આ પ્રક્રિયાઓને સુવ્યવસ્થિત કરીને, મેટા કહે છે કે સીમલેસએમ 4 ટી હાલના મોડેલોને આગળ ધપાવે છે, અનુવાદની ચોકસાઈમાં 23% ઉચ્ચ બ્લુ (દ્વિભાષી મૂલ્યાંકન અલ્પોક્તિ) સ્કોર્સ પ્રાપ્ત કરે છે અને પૃષ્ઠભૂમિ અવાજ અને સ્પીકર ભિન્નતા માટે પ્રભાવશાળી સ્થિતિસ્થાપકતા દર્શાવે છે.
સીમલેસએમ 4 ટી બનાવવા માટે, મેટાએ ક્રોલ્ડ વેબ ડેટાના જાહેરમાં ઉપલબ્ધ ભંડારમાંથી ઉદ્ભવતા બહુભાષી કાચા audio ડિઓના 4 મિલિયન કલાક (400 વર્ષથી વધુ) સાથે પ્રારંભ કર્યો. ટીમે સીમલેસલિગન વિકસિત કર્યું, મલ્ટિમોડલ કોર્પસ, જેમાં 470,000 કલાકથી વધુ સંરેખિત ભાષણનો સમાવેશ થાય છે અને ડેટાસેટને કટીંગ-એજ મશીન લર્નિંગ તકનીકો સાથે જોડવામાં આવે છે, જેમાં સોનાર (વાક્ય-સ્તરના મલ્ટિમોડલ અને ભાષા-એગ્નોસ્ટિક રજૂઆતો) એમ્બેડિંગ્સનો સમાવેશ થાય છે, જે બહુભાષી અને મોડ્યુલિટી-એગ્નોસ્ટિક એન્કોડિંગને સક્ષમ કરે છે ટેક્સ્ટ અને ભાષણ માટે.
મેટા કહે છે કે સલામતીના ઉપયોગ દ્વારા સામાજિક અને નૈતિક પડકારોને સંબોધિત કરીને, સીમલેસએમ 4 ટી વૈશ્વિક સંદેશાવ્યવહાર માટે મૂલ્યવાન સાધન બની શકે છે. આ સલામતી લિંગ પૂર્વગ્રહ ઘટાડે છે – વ્યાકરણ લિંગ નિર્ધારણમાં ભૂલો – અને ઉમેરવામાં આવેલી ઝેરીકરણની સમસ્યાને ઘટાડે છે – જ્યાં આક્રમક શબ્દો અનુવાદોમાં દેખાય છે પરંતુ મૂળ સ્રોતમાં નહીં.