เวลาที่เรานั่งฟังการประชุมใหญ่ที่มีคนจากหลายประเทศมาคุยกัน บางคนพูดไทย บางคนพูดอังกฤษ หรือบางทีก็พูดปนกันไปมาในประโยคเดียว การจะจดบันทึกให้ทันหรือถอดความออกมาให้ถูกต้องนั้นถือเป็นเรื่องที่ท้าทายมาก แม้แต่สำหรับมนุษย์เราเอง แต่ล่าสุดเมตาได้เปิดตัวเทคโนโลยีใหม่ที่ชื่อว่า มิวส์ วอยซ์ ทรานสไครบ์ ซึ่งเป็นโมเดลปัญญาประดิษฐ์ที่ถูกออกแบบมาเพื่อแก้ปัญหาความยุ่งยากเหล่านี้โดยเฉพาะ

ก้าวสำคัญของเทคโนโลยีถอดความเสียง

เทคโนโลยีตัวนี้เป็นผลงานล่าสุดจากห้องปฏิบัติการซูเปอร์อินเทลลิเจนซ์ของเมตา ซึ่งถือเป็นโมเดลรับรู้เสียงแบบเรียลไทม์ตัวแรกที่ทางบริษัทปล่อยออกมาอย่างเป็นทางการ ความสามารถที่โดดเด่นของมันคือการจัดการกับการสั่งงานด้วยเสียงและการถอดความได้พร้อมกันมากกว่า 20 คนในคราวเดียว โดยระบบสามารถแยกแยะได้ว่าใครเป็นคนพูดและสลับภาษาไปมาได้อย่างลื่นไหลโดยไม่มีสะดุด

มาร์ก ซักเคอร์เบิร์ก ซีอีโอของเมตา ได้โชว์ศักยภาพของโมเดลนี้ผ่านคลิปวิดีโอที่แสดงให้เห็นว่า ระบบสามารถตรวจจับการพูดที่สลับภาษาไปมาหรือที่เรียกว่าการสลับรหัสภาษาได้อย่างแม่นยำ แม้จะเป็นประโยคที่มีการใช้คำจากหลายภาษาผสมกัน ตัวโมเดลก็ยังสามารถถอดความออกมาได้อย่างถูกต้อง ซึ่งถือเป็นจุดแข็งที่เหนือกว่าระบบถอดความทั่วไปที่เราเคยเห็นกันมา

กลไกการทำงานที่ชาญฉลาด

ความลับเบื้องหลังความแม่นยำนี้อยู่ที่วิธีการที่โมเดลตัดสินใจว่าจะฟังเมื่อไหร่ โดยระบบจะใช้เทคนิคการหน่วงเวลาแบบปรับตัวเพื่อคาดการณ์แต่ละโทเค็นหรือหน่วยย่อยของข้อมูลเสียง หากเป็นคำที่ยากหรือซับซ้อน ระบบจะรอประมวลผลนานขึ้นอีกนิดเพื่อให้มั่นใจว่าถอดความได้ถูกต้อง แต่ถ้าเป็นคำที่ง่าย ระบบก็จะประมวลผลให้เสร็จสิ้นอย่างรวดเร็ว

โมเดลนี้ถูกฝึกฝนด้วยฐานข้อมูลเสียงจากกว่า 70 ภาษา โดยในเวอร์ชันเปิดตัวนี้มีการรับรองความแม่นยำแล้วถึง 25 ภาษา นอกจากนี้ยังสามารถจัดการกับเสียงที่มีความวุ่นวายหรือเสียงรบกวนในสภาพแวดล้อมจริงได้เป็นอย่างดี รวมถึงสามารถรองรับการสนทนาที่ยาวนานต่อเนื่องถึงหนึ่งชั่วโมงที่มีผู้พูดมากกว่า 20 คนได้อย่างมีประสิทธิภาพ

การเข้าถึงและอนาคตของระบบ

ในปัจจุบันผู้ใช้งานสามารถสัมผัสความสามารถของระบบนี้ได้ผ่านแอปพลิเคชัน เมตา เอไอ บนเครื่องแมค ซึ่งนอกจากจะช่วยเรื่องการถอดความแล้ว ตัวแอปยังสามารถส่งต่อฟีเจอร์การสั่งงานด้วยเสียงไปให้แอปพลิเคชันอื่นใช้งานได้ด้วย สำหรับนักพัฒนาที่สนใจ เมตายังเปิดให้ใช้งานผ่าน เอพีไอ ของโมเดลและใน มิวส์ โค้ด โดยมีค่าบริการอยู่ที่ 3 ดอลลาร์ต่อการใช้งาน 1,000 นาทีของเสียง

การเปิดตัวครั้งนี้เกิดขึ้นหลังจากที่กูเกิลเพิ่งปล่อย เจมินาย 3.5 ทรานสไครบ์ ออกมาได้ไม่ถึงสัปดาห์ ซึ่งเป็นโมเดลที่มีความสามารถใกล้เคียงกัน อย่างไรก็ตาม ในขณะที่กูเกิลมีแผนจะนำเทคโนโลยีนี้ไปรวมไว้ในระบบปฏิบัติการแอนดรอยด์และเบราว์เซอร์โครม แต่สำหรับเมตานั้นยังไม่มีความชัดเจนว่าจะมีแผนนำ มิวส์ วอยซ์ ทรานสไครบ์ ไปรวมไว้ในบริการหลักตัวอื่น ๆ ของบริษัทหรือไม่

ถือเป็นช่วงเวลาที่คึกคักมากสำหรับห้องปฏิบัติการซูเปอร์อินเทลลิเจนซ์ของเมตา เพราะนอกจากโมเดลถอดความเสียงตัวนี้แล้ว ในช่วงไม่กี่สัปดาห์ที่ผ่านมาพวกเขายังปล่อยเครื่องมืออัจฉริยะอื่น ๆ ออกมาอีกมากมาย ทั้งเอเจนท์เขียนโค้ดโดยเฉพาะและโมเดลแบบเปิดน้ำหนัก ซึ่งแสดงให้เห็นว่าเมตากำลังเร่งเครื่องพัฒนาเทคโนโลยีปัญญาประดิษฐ์อย่างเต็มกำลัง หากคุณมีโอกาสได้ลองใช้เทคโนโลยีที่ถอดความเสียงได้แม่นยำขนาดนี้ คุณคิดว่างานประเภทไหนที่จะได้รับประโยชน์จากเครื่องมือนี้มากที่สุด