Як Google навчає штучний інтелект розуміти 300 мов і все одно пропускає мільярди людей

Google вже забезпечує щоденну комунікацію понад 300 мовами, охоплюючи 86 відсотків населення планети. Компанія переходить від текстового перекладу до моделей, що обробляють аудіо безпосередньо, улавляючи інтонацію, зміну мов і культурні нюанси.

Майлстоун оголосили 15 вересня 2026 року. Автор публікації — Джеймс Манїка, старший віце-президент з досліджень, лабораторій, технологій та суспільства.

Від текстових конвеєрів до нативної аудіо-інтелекту

Десятиліттями розпізнавання мови йшло жорстким ланцюжком: перетворити звук у текст, обробити текст, знову синтезувати аудіо. Такий конвеєр позбавляє мову інтонації, темпу, емоцій і контексту. Люди не говорлять ідеально складеними реченнями. Жива мова — хаотична. Ми сміємося, перебиваємося, заплутуємося, плетемо кілька мов у одному реченні. Спангліш і хінгліш — щоденна реальність.

Зміна курсу веде далі текстових транскрипцій — до нативної аудіо-інтелекту. Моделі на кшталт Gemini тепер обробляють звук безпосередньо. Вони одночасно розуміють і акустику, і намір. Це відображається в трьох конкретних інструментах.

Gemini 3.5 Live Translate забезпечує переклад у реальному часі для 70 мов і понад 2000 мовних пар. Він природно ловить зміну мов. Емоційні відтінки також зберігаються. Gemini 3.5 Transcribe — найточніша модель перетворення мови в текст. Вона перетворює сирий звук у відформатований текст навіть у шумі чи при складній термінології. Вона також працює в Rambler на Android Gboard: прибирає слова-паразити, виправляє граматику. Пунктуація ставиться автоматично. Дозволяє редагувати чи переписувати голосовими командами, плавно перемикаючись між мовами.

Universal Speech Model навчався на 12 мільйонах годин аудіо. Він використовує перехресне мовне перенесення знання — методи, що дозволяють моделям застосовувати патерни від мов з великими даними до мов із малою ресурсною базою. Робота ґрунтується на 25 роках відкритих досліджень і понад 400 рецензованих статтях про мовлення.

Громадські партнерства замість скрапінгу вебу

Оскільки веб переважно відображає кілька домінуючих мов, навчання штучного інтелекту розуміти менш представлені мови вимагало передумов збору даних. Рішення — локальні громадські партнерства. Три відкриті ініціативи ілюструють підхід.

WAXAL — волофське «говорити», вимовляється «Ва-халь» — створено з партнерами, серед яких Університет Макерере та Digital Umuganda. Це масштабний відкритий аудіо-корпус, що охоплює 27 мов південно-сахарної Африки. На них говорять понад 100 мільйонів людей в більш ніж 26 країнах. Дані фіксують тональну варіацію та розмовні ритми, яких бракує в традиційних наборах.

Проєкт Vaani, у партнерстві з Індійським інститутом науки та Bhashini, картує мовне різноманіття Індії через регіональний, а не мовний підхід. На сьогодні зібрано понад 30 000 годин мови по 109 мовах від понад 155 000 носіїв.

Amplify Initiative об'єднала понад 1600 локальних експертів і 20 університетів на чотирьох континентах. Серед них — бразильський UFMG, індійський IIT Kharagpur. Також доєднався угандський університет Макерере. Вони внесли 15 000 мультимодальних точок даних, що фіксують локальні нюанси.

Інтерактивний інструмент Language Explorer візуалізує LinguaMeta — найбільше відкрите сховище мовних даних у світі. Визнаний Fast Company за дизайн-інновації, він безперервно мапує понад 7000 мов. Усі вони — усні та писемні, а також жестові.

Ініціативи, що підтримуються Google.org, зокрема Центр цифрової мовної інклюзивності та проєкт Aquarium від AI Singapore, допомагають принести мультимовні інструменти фермерам, медикам, вчителям та іншим важливим членам спільнот по всьому світу.

Офлайн-моделі та кнопофонів перевищують цифровий розрив

Для понад трьох мільярдів людей стабільний інтернет недоступний. Технологія справді доступна, коли працює там, де живуть люди — у зонах з обмеженим або переривистим зв'язком.

TranslateGemma — родина легких відкритих моделей перекладу, створена на базі Gemini і навчена на 55 мовах. Оскільки TranslateGemma ефективно працює на пристрої, якісний переклад більше не вимагає підключення до хмари чи інтернету.

Все одно потужні моделі потребують придатного «заліза». Це виключає сотні мільйонів користувачів кнопофонів у регіонах з обмеженими ресурсами. Щоб подолати цю прірву, Google підтримує організації на кшталт Viamo для запуску «Ask Viamo Anything» (AVA) — голосового асистента на базі Gemini для звичайних кнопофонів. Viamo успішно протестувала AVA в Руанді серед існуючих користувачів інтерактивного голосового меню. Сервіс уже відповів на понад 2 мільйони запитань за допомогою Gemini.

Доступність та культурне вимовлення

Комунікація — не лише про діалекти чи лексику. Це також про безліч інших способів вираження. Звичайні мовні інструменти часто не працюють для людей з нестандартною мовою, змушуючи їх пристосовуватися до технології, а не навпаки.

Sign Language-to-Text (SL2T) навчена на 50+ жестових мовах. Вона забезпечує диктування жестів у текст у Gboard і Live Transcribe на Pixel 11, починаючи з американської жестової мови (ASL) в англійський. Це важливий перший крок до доступності продуктів для 70 мільйонів людей по всьому світу, які спілкуються жестовою мовою.

Дрібні речі мають значення в щоденних інструментах на кшталт навігації. Коли навігатор неправильно вимовляє назву міста чи вулиці, це не лише плутає. Це ігнорує культурну спадщину місця. У Новій Зеландії Google співпрацювала з експертами з мови маорі, щоб покращити вимовлення топонімів у Google Maps. Досвід став точнішим і справді локальним. Вбудовування культурно автентичного вимовлення безпосередньо в моделі текст-у-мову гарантує, що технологія відображає мову та спадщину спільнот, яким вона служить.

Де інструменти доступні зараз

Сьогодні мовні технології Google вже вбудовані в ядро екосистеми, з'єднуючи понад п'ять мільярдів людей на дев'яти платформах, серед яких Search, Android, Chrome, YouTube та Google Play. Мета — підтримати 1000 найпоширеніших мов світу. Компанія заявляє, що продовжить тісно співпрацювати з локальними спільнотами, створюючи технології, що допомагають більшій кількості людей спілкуватися та брати участь, а також бути почутими на власних умовах.

Повідомлення не каже, скільки з 300+ мов мають повну функціональні парність на всіх дев'яти платформах. Воно не вказує, які з 1000 цільових мов наступні в черзі для нативних аудіо-моделей. Немає термінів розширення SL2T за межі ASL-англійської пари на Pixel 11.