DeepMind ส่ง SL2T แปลภาษามือเป็นข้อความมากับ Pixel 11 : AI ภาษามือเข้าสู่ฟีเจอร์ในตัวเครื่อง

เมื่อวันที่ 12 สิงหาคม พ.ศ. 2569 Google DeepMind ออกประกาศว่า โมเดลแปลภาษามือเป็นข้อความ SL2T ออกมาพร้อมเครื่อง Pixel 11 และถูกผนวกเข้ากับฟังก์ชันของระบบที่มีอยู่เดิมสองส่วน ได้แก่ การพิมพ์ด้วยภาษามือใน Gboard และการถอดความแบบเรียลไทม์ใน Live Transcribe ผู้ใช้ไม่ต้องเสียค่าใช้จ่ายเพิ่มและไม่ต้องติดตั้งแอปแยก โดย Google ระบุว่านี่เป็นครั้งแรกที่ AI ภาษามือออกจากห้องทดลอง เข้าสู่ฟีเจอร์ของสินค้าที่วางจำหน่ายจริง

สิ่งที่ออกมาพร้อมเครื่องคืออะไร

SL2T ฝึกจากวิดีโอมากกว่า 100,000 ชั่วโมง ครอบคลุมภาษามือกว่า 50 ระบบ โดยราวหนึ่งในสี่เป็นภาษามืออเมริกัน (ASL) แต่ทิศทางการแปลที่เปิดใช้จริงในระยะแรกมีเพียงเส้นทางเดียว คือ ASL เป็นภาษาอังกฤษ กล่าวคือโมเดลเห็นภาษามาแล้วจำนวนมาก แต่ที่ส่งมอบจริงมีเพียงภาษาเดียว ช่องว่างตรงนี้คือการบ้านของเวอร์ชันถัดไป

ในเชิงรูปแบบการใช้งาน สิ่งนี้ไม่ใช่แอปแปลภาษาแยกต่างหาก แต่เชื่อมเข้ากับแป้นพิมพ์และเครื่องมือถอดความที่ผู้ใช้ใช้อยู่แล้ว ผู้ใช้ทำท่าต่อหน้ากล้อง ข้อความจะปรากฏในช่องพิมพ์เดิมของ Gboard เทียบเท่ากับการพิมพ์ด้วยเสียงของคนทั่วไป แนวทางนี้ไม่ต้องเปิดแอปใหม่และผลลัพธ์ยังตกอยู่ในช่องพิมพ์เดิม แลกกับการที่ต้องเปิดกล้องและให้สิทธิ์เข้าถึงกล้อง

ภาพต้นฉบับไม่ออกจากเครื่อง : ทางเลือกของสถาปัตยกรรมแบบผสม

SL2T ใช้สถาปัตยกรรมแบบผสม ฝั่งอุปกรณ์ใช้ MediaPipe Holistic ติดตามจุดสำคัญราว 130 จุดบนใบหน้า ลำตัว และมือทั้งสองข้างแบบเฟรมต่อเฟรม แล้วแปลงเป็นจุดพิกัดเชิงเรขาคณิต จากนั้นส่งเฉพาะจุดพิกัดขึ้นเซิร์ฟเวอร์เพื่อแปล ส่วนภาพต้นฉบับถูกทิ้งทันที และ SL2T แปลลำดับพิกัดเป็นข้อความโดยตรง ข้ามขั้นตอนการกำกับกลาง (gloss) แบบเดิม

การออกแบบนี้ตอบสองโจทย์พร้อมกัน คือการรู้จำภาษามือจำเป็นต้องเห็นใบหน้าเพราะสีหน้าคือส่วนหนึ่งของไวยากรณ์ การส่งเพียงพิกัดจึงลดความเสี่ยงที่ภาพจะรั่วไหลได้มาก และข้อมูลพิกัดมีขนาดเล็กกว่าสตรีมวิดีโอมาก จึงเหมาะกับการแปลแบบเรียลไทม์ แต่ต้องย้ำว่าจุดสำคัญบนใบหน้าและมือยังถือเป็นข้อมูลชีวมิติที่ระบุตัวบุคคลได้ การส่งขึ้นเซิร์ฟเวอร์ (ซึ่งมักเป็นการส่งข้ามประเทศ) ยังคงเป็นการประมวลผลข้อมูลส่วนบุคคล หน้าที่ในการแจ้งและขอความยินยอมตาม PDPA และ GDPR จึงไม่หายไป ทั้งนี้ทางการยังไม่เปิดเผยตัวเลขความหน่วงต้นทางถึงปลายทางและจำนวนพารามิเตอร์

ควรอ่านคะแนน 70 BLEURT อย่างไร

DeepMind ระบุว่า SL2T ทำคะแนน 70 BLEURT บนเกณฑ์ FLEURS-ASL แบบ zero-shot และอ้างว่าสูงกว่าคะแนนสาธารณะใด ๆ ที่เคยมีอย่างมีนัยสำคัญ คำว่า zero-shot ในที่นี้หมายถึงไม่ได้ปรับจูนเพิ่มกับชุดข้อมูลของเกณฑ์นี้โดยเฉพาะ มิใช่ว่าโมเดลไม่เคยเรียน ASL เพราะข้อมูลฝึกราวหนึ่งในสี่เป็น ASL อยู่แล้ว ตัวเลขนี้เป็นคะแนนที่ผู้ผลิตรายงานเอง และ ณ วันที่ 12 สิงหาคม พ.ศ. 2569 ยังไม่มีการทำซ้ำโดยบุคคลที่สามอย่างอิสระ สื่ออย่าง SiliconANGLE, Engadget และ Unite.AI รายงานในวันเดียวกัน แต่เป็นการยืนยันข่าวการเปิดตัว มิใช่การทดสอบอิสระ เกณฑ์ตัดสินจริงยังอยู่ที่หน้างาน ทั้งร้านสาขาที่แสงไม่ดีและข้างสายการผลิตที่ผู้ใช้สวมถุงมือ

ความหมายสำหรับผู้บริหาร

เมื่อมองข่าวนี้ในมุมการบริหาร มีสามประเด็นที่ควรบันทึกไว้

1. โครงสร้างต้นทุนของการสื่อสารแบบไร้อุปสรรคเปลี่ยนไป เดิมการจัดล่ามภาษามือให้เพื่อนร่วมงานที่บกพร่องทางการได้ยินเป็นเรื่องของตารางเวรและงบประมาณ เมื่อความสามารถนี้ติดมากับโทรศัพท์ของพนักงานเองโดยไม่มีค่าใช้จ่ายเพิ่ม โจทย์จึงเปลี่ยนจากการตั้งงบเป็นการปรับกระบวนการทำงาน
2. เปิดเพียงทิศทางเดียว จึงยังไม่ควรทุ่มทั้งหมด ทิศทางที่เปิดในระยะแรกมีเพียง ASL เป็นภาษาอังกฤษ ไม่รวมภาษามือไทย (ส่วนข้อมูลฝึกที่ครอบคลุมกว่า 50 ระบบเป็นคนละเรื่องกัน) แนวทางที่ทำได้คือทดลองในวงจำกัดและบันทึกข้อผิดพลาดจริง
3. จุดที่ข้อมูลไปตกต้องอธิบายให้ชัด แต่อย่าถือเป็นการยกเว้นความรับผิด การที่ภาพต้นฉบับไม่ออกจากเครื่องควรสื่อสารกับพนักงานและฝ่ายกฎหมาย แต่จุดพิกัดที่ส่งออกไปยังเป็นข้อมูลส่วนบุคคล ก่อนนำมาใช้จึงต้องทำขั้นตอนแจ้งและขอความยินยอมตาม PDPA ให้ครบ

สรุปสั้น ๆ คือ ทดลองในวงเล็กก่อน บันทึกข้อผิดพลาดจริง แล้วค่อยพิจารณาว่าจะบรรจุลงระเบียบปฏิบัติหรือไม่