Skype est devenu multilingue

Katrina Rippel est une oratrice attentive qui suit toutes les règles. Hao Chen est un causeur plus libre. Et je suis un fauteur de troubles sans arrêt, laissant échapper constamment toutes les notions qui me passent par la tête. Un matin récent, nous nous sommes rencontrés tous les trois dans le cyberespace pour savoir si nous pouvions bien (ou mal) communiquer dans un mélange d'allemand, de mandarin et d'anglais. Chacun de nous ne parlait que sa langue maternelle.

Enfilant des écouteurs, nous avons puisé dans Skype Translator, une création de l'équipe de recherche de Microsoft. (Mes partenaires de discussion étaient des consultants à temps partiel de Microsoft, qui se trouvaient à des milliers de kilomètres de ma base de la côte ouest des États-Unis.) Lorsque j'ai demandé à Chen où il avait grandi, cela ne m'a pas déconcerté de l'entendre dire : 我在中国的家乡在东北,辽宁省,鞍山市. Quelques secondes plus tard, une voix synthétique amicale m'a dit : Ma ville natale est dans le nord-est de la Chine, province du Liaoning, Anshan.

Si seulement le reste de nos échanges avait fonctionné aussi bien. Lorsque Chen a essayé d'expliquer ses voyages aux États-Unis, Skype a mal géré un nom ambigu en mandarin, me disant qu'il s'était rendu au cadre de New York. Ce n'est que lorsque Chen a essayé une formulation différente que Skype a accepté d'en faire l'État de New York. Quand j'ai interrogé Rippel sur sa ville natale allemande, le logiciel de Skype, s'attendant à ce que je parle anglais, pas allemand, m'a entendu dire habillé au lieu de Dresde. Cela a donc créé une phrase charabia, dans laquelle le mot allemand bekleidet apparaissait à la place du nom de sa ville.

Comme le montrent de tels trébuchements, la traduction automatique du discours quotidien n'en est pas encore là, malgré 30 ans d'essais. C'est notre faute, vraiment. Si nous parlions avec la clarté et la précision des diplomates des Nations Unies, alors les outils d'intelligence artificielle pourraient tout décoder selon des schémas bien établis. Plus nous nous appuyons sur des mots ou une syntaxe inconnus pour faire passer nos pensées, plus il est difficile pour les logiciels de traduction de tout faire correctement sans aide supplémentaire.

Même ainsi, Microsoft, Google, Baidu, Facebook, IBM et bien d'autres se disputent la suprématie dans ce domaine difficile. Offrir une reconnaissance vocale et une traduction de qualité supérieure peut devenir une carte d'appel attrayante qui aide à fidéliser les clients pour de nombreux autres services. Celles-ci vont de la recherche sur Internet au cloud computing, dans lequel le stockage et le traitement des données sont assurés via des serveurs distants et une connexion Internet.

Selon Synergy Research, les dépenses mondiales en matière de cloud computing et d'infrastructure ont dépassé 115 milliards de dollars l'année dernière et augmentent à un taux annuel de 28 %. La traduction en temps réel peut aider les suites globales de services cloud des concurrents à se démarquer dans ce qui, autrement, devient une activité de produits de base axée sur les prix. Pour l'instant, la plupart des services de traduction sont disponibles gratuitement, mais des alternatives payantes pourraient émerger à mesure que les entreprises mondiales recherchent des outils de traduction personnalisés qui fonctionnent encore mieux.

Microsoft, en particulier, explore les moyens par lesquels les utilisateurs en entreprise peuvent développer de plus grandes capacités au-dessus du moteur de base Skype Translator que Rippel, Chen et moi avons testé. Un domaine d'intérêt : aider les clients à charger à l'avance des milliers de termes spécialisés, des documents de référence, des exemples de conversations et des locutions originales. De cette façon, les problèmes de type Dresden devraient être beaucoup moins susceptibles de se produire.

Un logiciel de traduction fonctionne beaucoup mieux s'il peut puiser dans une base de données volumineuse de modèles linguistiques que certains locuteurs sont susceptibles d'utiliser, explique Vikram Dendi, directeur de la stratégie de recherche chez Microsoft. Les consultants en gestion peuvent utiliser des termes tels que delta et granularité dans des contextes qui semblent impensables pour le reste d'entre nous. Les chimistes industriels peuvent plaisanter sur plus d'une douzaine de types différents de phtalates. Et dans toute grande entreprise, les surnoms pour les projets, les processus et les cadres supérieurs sont innombrables.

Offrir une reconnaissance vocale et une traduction de qualité supérieure peut aider à fidéliser les clients pour de nombreux autres services, allant de la recherche sur Internet au cloud computing.

Depuis 2011, Microsoft permet aux gros clients de charger leurs propres glossaires ou documents écrits dans des bases de données de traduction de texte spécialisées. Cela vise à produire des résultats plus fiables que ceux fournis par le service Bing de base de Microsoft, en particulier sur du matériel technique dense. Plus de 100 000 utilisateurs ont opté pour la personnalisation, dit Dendi. Les utilisateurs légers peuvent payer aussi peu que 40 $ par mois ; les gros utilisateurs comme Adobe et Twitter peuvent payer beaucoup plus.

Microsoft a essayé un large éventail de stratégies pour déchiffrer la traduction depuis le milieu des années 1990, lorsque le fondateur de la société, Bill Gates, a prédit que la reconnaissance vocale serait largement disponible d'ici 10 ans. Les premières approches reposaient fortement sur des tentatives de cataloguer des règles spécifiques de grammaire et d'utilisation. À partir de 2009, Microsoft a élargi son champ d'action. Des techniques statistiques ont été associées à des réseaux de neurones, un système d'apprentissage automatique basé sur la structure et la nature autodidacte du cerveau humain.

Actuellement, Microsoft utilise cinq couches de réseaux de neurones pour analyser la parole, selon Peter Lee, chef de la division de recherche de l'entreprise. Les couches les plus basses analysent les sons à un niveau aussi rudimentaire que la façon dont les logiciels d'analyse d'images recherchent les bords et les surfaces, sans tenter de comprendre ce que pourraient être les objets. Comme pour de nombreuses approches avancées d'intelligence artificielle, son fonctionnement reste mystérieux, même pour les chercheurs impliqués. Cela n'a rien à voir avec les mots ou les phonèmes, dit Lee, se référant aux sons qui distinguent un mot d'un autre. Je ne pense pas qu'aucun d'entre nous comprenne exactement ce que la couche inférieure regarde. Mais cela fonctionne étonnamment bien.

Les chercheurs de Microsoft utilisent également davantage ce que l'on appelle la mémoire longue à court terme. Lors de la reconnaissance de la parole ou de la traduction, les réseaux de neurones font une série de suppositions qui sont constamment révisées à mesure que de nouvelles informations arrivent. Parfois, un schéma attendu s'effondre soudainement. Dans de tels cas, les réseaux de neurones peuvent faire un meilleur travail de regroupement s'ils peuvent revoir les hypothèses qui ont conduit à plusieurs mots de suppositions. Garder une trace plus longue dans la mémoire à court terme du système rend possible ce retraçage et les corrections ultérieures.

Il faut au moins 4 000 heures d'échantillons parlés et des millions de mots de texte pour entraîner les réseaux neuronaux de Skype Translator dans chaque nouvelle langue. Arul Menezes, chef de l'équipe de traduction automatique de Microsoft, dit qu'il s'attendait à des difficultés dans des langues comme l'arabe, où les accents des locuteurs peuvent varier considérablement. Mais en collectant des échantillons de suffisamment de voix de locuteurs différents, dit Menezes, il a été possible de développer l'oreille de Skype Translator pour différentes intonations au point que les accents régionaux ne sont pas un problème. Il en va de même pour les différences entre les voix masculines et féminines.

D'autres variations dans le discours de tous les jours s'avèrent plus délicates. Les réseaux de neurones sont extrêmement sensibles aux différences de microphones. (Les humains peuvent être bons pour détecter la différence entre statique et parole, mais c'est beaucoup plus difficile à maîtriser pour les machines.) Les pauses dans la parole sont également problématiques. Comme le note Menezes, les gens ne font généralement pas de pause à la fin d'une phrase. Ils s'arrêtent ailleurs. Les pauses finissent par être inutiles pour détecter le début ou la fin d'une phrase. Il faut se fier aux mots eux-mêmes.

Trier les bonnes traductions pour les mots ambigus est également un défi sans fin, reconnaît Menezes. En parlant allemand, Rippel utilise fréquemment le mot Sie, qui peut signifier elle, vous ou eux, selon la situation. Skype Translator réussit environ 80% du temps.

De même, Skype Translator trébuche légèrement lorsque Chen discute de la taille des familles en Chine. Indépendamment des politiques gouvernementales, me dit Chen, le simple coût de la parentalité en Chine signifie que beaucoup de gens ne veulent donner naissance qu'à un enfant.

Quelques minutes plus tard, assis dans le bâtiment 99 du siège social de Microsoft, Menezes et moi examinons une transcription de la conversation. Menezes pointe tristement l'échange d'enfants. Cela devrait être «un enfant», dit-il. Mais en chinois, il n'y a pas de distinction entre 'un' et 'a'. Il y a une différence en anglais, mais elle doit être prise entièrement en contexte.

Je ne pense pas que les traducteurs professionnels tremblent encore devant ce que nous faisons, ajoute-t-il avec un mince sourire. Leurs emplois sont en sécurité pendant un certain temps.

Rippel, un traducteur professionnel, n'est pas aussi critique. Tant que les utilisateurs parlent lentement et font des phrases courtes, dit-elle, les services automatisés tels que Skype Translator peuvent faire un travail utile pour surmonter les barrières linguistiques.

C'est très important que cet outil existe, dit-elle. À l'heure actuelle, il est plus important que jamais que les gens de toutes les communautés puissent se parler.

cacher