DeepL nasadil Aure, který má při překladu zachovat i změny nálady
DeepL nasadil hlasový model Aure, který má průběžně přenášet intonaci, důraz a tempo mluvčího do jiného jazyka. Zapíná se automaticky v DeepL Voice i v hlasovém API. Prvních osm jazyků nezahrnuje češtinu; pro ostatní jazyky služba ponechává dosavadní modely.
DeepL 11. listopadu nasadil nový hlasový model Aure do svého překladu mluvené řeči. Změna míří na situace, kdy stejná slova dostanou jiný význam podle toho, jak zaznějí. Model má do přeloženého hlasu průběžně přenášet změny nálady, důrazu a rychlosti řeči. Firma jej zapíná bez dalšího nastavování v DeepL Voice pro online schůzky, osobní rozhovory i v rozhraní DeepL API for Voice.

Hlas už se nemá řídit jen úvodním vzorkem
Dosavadní zachování hlasu vycházelo podle DeepL z krátkého vzorku na začátku hovoru. Překlad díky němu mohl znít jako konkrétní člověk, ovšem s podobou hlasu zachycenou v úvodních okamžicích. Když se mluvčí později rozčílil nebo začal mluvit ironicky, samotný původní vzorek tuto změnu neobsahoval.
Aure má poslouchat dál. Při vytváření přeložené řeči průběžně používá jak původní zvuk, tak přeložená slova. Má proto rozlišit, kdy člověk zrychlí, zdůrazní část věty nebo přejde z vážného tónu do nadšeného. Sarkasmus DeepL uvádí jako příklad přednesu, při němž se způsob vyslovení může rozcházet s doslovným významem slov. Nezveřejňuje ale údaj, jak často jej nový model zachytí správně.
The Decoder zasazuje vydání Aure do návaznosti na zářijové zavedení zachování hlasu. Nejde tedy o první možnost nechat překlad promluvit rozpoznatelným hlasem účastníka. Novinkou má být sledování toho, jak se tento hlas během rozhovoru mění.
Model se učí oddělit hlas od obsahu
DeepL popisuje trénování, při němž odděluje identitu hlasu, prozodii a obsah řeči. Prozodie znamená melodii, rytmus a důraz ve vyslovené větě. Tyto složky má model přenášet do druhého jazyka samostatně, aby zachoval rozpoznatelného mluvčího i jeho aktuální přednes. Další trénování pomocí odměn má podle firmy zlepšovat přesnost překladu a kvalitu řeči a omezovat přenesený přízvuk.
Do toho vstupuje běžný hluk hovoru. Model musí oddělit vlastnosti hlasu od šumu na pozadí, ozvěny a zkreslení nahrávky. Ztišení nebo změna zvuku nemusí pocházet od mluvčího. Výrobce proto popisuje odstraňování těchto rušivých vlivů jako součást úlohy, kterou Aure řeší.
O změně informoval také korejský list Financial News, který cituje rozhovor šéfa DeepL Jarka Kutylowského pro agenturu Jonhap. I tam firma spojuje nový model se zachováním osobitého projevu při změně jazyka. Jde o vyjádření výrobce, nikoli o nezávislý poslechový test.
Osm jazyků se týká Aure, ne celé služby
Nový model na začátku podporuje angličtinu, němčinu, španělštinu, francouzštinu, italštinu, japonštinu, portugalštinu a korejštinu. Čeština v seznamu není. DeepL slibuje přidání dalších jazyků, ale v oznámení pro ně nedává termín ani konkrétní výčet.
To neznamená, že se nabídka DeepL Voice zúžila na osm jazyků. Firma výslovně píše, že ostatní jazyky dál obsluhují dosavadní hlasové modely. Podpora jazyka v celé službě a podpora nového přenosu výrazu hlasu jsou tedy dvě různé věci. Automatické nasazení Aure samo o sobě nedokládá jeho dostupnost pro každý jazyk, který už zákazník v DeepL Voice používá.
Podle DeepL služba trvale neukládá přepisy schůzek ani překlady a po skončení sezení maže tato data z paměti. Firma to zároveň uvádí jako důvod, proč má omezené množství skutečných nahrávek stejného člověka mluvícího více jazyky. Aure se proto musí přizpůsobovat aktuálnímu hlasu za chodu, ještě během rozmluvené věty. Oznámení neobsahuje číselné měření prodlevy ani srovnání přesnosti přenosu emocí; nezávislé výsledky k těmto dvěma vlastnostem citované zprávy nepřinášejí.