Průlom v komunikaci: AI sluchátka pro překlad více mluvčích s klonováním hlasu a 3D zvukem

Průlom v komunikaci: AI sluchátka pro překlad více mluvčích s klonováním hlasu a 3D zvukem

Ondřej Barták
Ondřej Barták
podnikatel a programátor
21. 5. 2025
2 minut čtení · 6 zhlédnutí
Průlom v komunikaci: AI sluchátka pro překlad více mluvčích s klonováním hlasu a 3D zvukem

Průlom v jazykové komunikaci: AI sluchátka pro překlad více mluvčích s klonováním hlasu a 3D zvukem

Výzkumníci z Univerzity ve Washingtonu vyvinuli nový systém sluchátek nazvaný Spatial Speech Translation (Prostorový překlad řeči), který dokáže v reálném čase překládat projevy více mluvčích najednou, klonovat jejich hlasy a zachovávat prostorové směrování zvuku každého řečníka.

Jak se to povedlo?

Systém využívá běžně dostupná sluchátka s aktivním potlačením hluku, která jsou vybavena mikrofony pro zachycení okolních konverzací. Pokročilé algoritmy dokáží rozlišit různé mluvčí - a to i v hlučném prostředí - a sledovat je, když se pohybují v prostoru. Hlas každého mluvčího je izolován, přeložen do preferovaného jazyka posluchače a poté přehrán přes sluchátka s krátkou prodlevou, která typicky činí 2-4 sekundy. Zásadní inovací je, že překlad zachovává nejen informaci o tom, kdo mluví, ale také odkud zvuk přichází vzhledem k pozici posluchače. Vytváří se tak pohlcující 3D zvukový zážitek, kde každý přeložený hlas zní, jako by přicházel z původního směru. "Poprvé se nám podařilo zachovat zvuk hlasu každé osoby a směr, ze kterého přichází," říká profesor Shyam Gollakota z Paul G. Allen School of Computer Science & Engineering na Univerzitě ve Washingtonu. Tato technologie také klonuje jedinečné hlasové kvality každého člověka, takže překlady si zachovávají individuální tón a barvu tónu, místo aby používaly generické robotické hlasy.

Prototyp kombinuje komerčně dostupná sluchátka (například Sony SH-100XM4) s binaurálními mikrofony, které napodobují lidský sluch. Zvukové signály jsou zpracovávány neuronovými sítěmi běžícími na výkonném lokálním hardwaru, jako jsou čipy Apple M2 - pro zajištění soukromí není vyžadováno žádné připojení ke cloudu. Algoritmy fungují "jako radar", neustále skenují prostor v okruhu 360 stupňů, aby detekovaly, kolik lidí mluví, a aktualizují situaci, když se účastníci pohybují nebo se připojují či opouštějí konverzaci. Současná verze podporuje španělštinu, francouzštinu a němčinu, ale cílem je rozšířit podporu až na přibližně 100 jazyků. Zdrojový kód byl uvolněn jako open source, aby umožnil další vývoj této technologie odborníky v oboru. Výzkumníci předpokládají využití v různých oblastech od cestování a turistiky až po mezinárodní obchodní jednání.

Technické inovace systému zahrnují schopnost zpracovávat více mluvčích současně - na rozdíl od předchozích systémů omezených na jednoho mluvčího; klonování hlasu, které zachovává jedinečné hlasové charakteristiky každého mluvčího; prostorový (3D) zvuk, který uchovává směrové podněty, takže slyšíte překlady z míst, kde lidé skutečně stojí; zpracování v reálném čase, které poskytuje překlady během 2-4 sekund; a zpracování přímo na zařízení, které zajišťuje soukromí, protože veškeré zpracování probíhá lokálně na zařízeních jako jsou notebooky nebo náhlavní soupravy Apple Vision Pro.

Tato technologie je významný pokrok v překonávání jazykových bariér během skupinových interakcí a činí vícejazyčnou komunikaci přirozenější než kdykoli předtím. Výzkumníci z Univerzity ve Washingtonu tak otevírají nové možnosti pro interkulturní komunikaci a spolupráci v globalizovaném světě.

Reklama

S tvorbou obsahu pomáhá UpTier.

SEO a GEO na autopilota. Multiagentní systémy UpTier píší a optimalizují obsah pro vyhledávače i AI odpovědi.

Objevte UpTier ↗

Kategorie:AI
Líbil se vám tento článek?
Objevte další zajímavé příspěvky na blogu
Zpět na blog

Související články

Trump chce vytlačit čínskou AI ze světových trhů. Šampiony jsou Nvidia, OpenAI a AnthropicTrump chce vytlačit čínskou AI ze světových trhů. Šampiony jsou Nvidia, OpenAI a Anthropic
Washington chce z Nvidie, OpenAI a dalších firem udělat národní šampiony a pomocí hotových AI balíčků vytlačit čínskou konkurenci ze světových trhů.
3 min čtení
18. 11. 2026
OpenAI vytáhlo do boje proti zneužívání dětí. ChatGPT zablokuje účet na celý denOpenAI vytáhlo do boje proti zneužívání dětí. ChatGPT zablokuje účet na celý den
OpenAI posiluje ochranu dětí: nový systém odhalí i dosud neznámé AI obrázky a za pokus o jejich získání ChatGPT účet na 24 hodin zablokuje.
4 min čtení
18. 11. 2026
Google zpřístupňuje Tasks zdarma uživatelům Gemini 4 HydrogenGoogle zpřístupňuje Tasks zdarma uživatelům Gemini 4 Hydrogen
Režim Tasks se zdarma dostává ke stovkám milionů uživatelů Gemini 4 Hydrogen. Podle Googlu může za uživatele volat firmám, sjednávat schůzky a dokončovat nákupy.
1 min čtení
18. 11. 2026
Přihlaste se k odběru našeho newsletteru
Zůstaňte informováni o nejnovějších příspěvcích, exkluzivních nabídkách, a aktualizacích.
CodedTrip

Provozovatel: CodedTrip LLC, USA.

YouTube
TikTok