انقلاب گوگل در تایپ صوتی؛ مرورگر کروم لحن و مکث‌ های شما را به نشانه‌ های نگارشی تبدیل می‌کند!

شرکت گوگل در سکوت خبری در حال تبدیل کردن قابلیت دیکته صوتی در مرورگر کروم به تجربه‌ای بسیار طبیعی‌تر و روان‌تر است. این غول دنیای فناوری با انتشار جدیدترین نسخه آزمایشی یعنی Chrome 151 Beta، قابلیت جدیدی را معرفی کرده است که به موتور تشخیص گفتار مرورگر اجازه می‌دهد به طور خودکار و بر اساس نحوه صحبت کردن افراد، علائم نگارشی را استخراج و درج کند. با این ویژگی، دیگر نیازی به گفتن کلماتی مانند «کاما» یا «نقطه» به صورت صوتی نخواهد بود.

به گزارش بخش اخبار فناوری زوم تک به نقل از دیجیتال ترندز (Digital Trends)، این به‌روزرسانی در نگاه اول شاید جزئی به نظر برسد، اما یکی از بزرگ‌ترین نقاط ضعف و کلافه‌کننده‌ترین بخش‌های تایپ صوتی را برطرف می‌کند؛ چرا که در حالت عادی، صحبت کردنِ طبیعی معمولاً متنی بدون علائم نگارشی تولید می‌کند، مگر اینکه کاربران آگاهانه تک‌تک نشانه‌های نگارشی را با صدای بلند دیکته کنند. گوگل با آموزش دادن به مرورگر کروم برای درک مکث‌ها، ریتم و الگوهای گفتاری، گام دیگری در جهت انسانی‌تر کردن تعامل و گفتگو با کامپیوترها برداشته است.

کروم می‌ خواهد چگونگی صحبت کردن شما را بفهمد، نه فقط کلماتی که می‌گویید!

این ویژگی جدید از طریق Web Speech API در نسخه کروم ۱۵۱ بتا ارائه شده است. گوگل یک صفت بولی (Boolean attribute) جدید به نام unspokenPunctuation را به رابط کاربری SpeechRecognition اضافه کرده است. هنگامی که این قابلیت فعال باشد، موتور تشخیص گفتار به جای اینکه کاربران را مجبور به بیان صوتی دستورات نگارشی کند، بر اساس مکث‌ها، لحن صدا و نوای گفتار (Prosody)، به طور خودکار نشانه‌های نگارشی در کروم را در متن درج می‌کند.

در عمل، این بدان معناست که کاربران می‌توانند یک ایمیل، سند یا پیام را با لحن گفتاری و طبیعی‌تر دیکته کنند، در حالی که خود مرورگر کروم تشخیص می‌دهد کاما، نقطه و سایر علائم نگارشی دقیقاً باید در کجا قرار گیرند.

این بهبود به‌ویژه برای جلسات طولانی دیکته صوتی مفید است؛ جایی که تکرار مداوم کلماتی مثل «کاما»، «نقطه» یا «علامت سوال»، جریان طبیعی صحبت کردن فرد را قطع می‌کند. این قابلیت همچنین می‌تواند ابزارهای پیاده‌سازی صوت مبتنی بر مرورگر، اپلیکیشن‌های یادداشت‌برداری، نرم‌افزارهای دسترسی‌پذیری (Accessibility) و دستیارهای نویسندگی مبتنی بر هوش مصنوعی را به طرز چشمگیری روان‌تر و کارآمدتر کند.

توسعه‌ دهندگان وب نیز از این قابلیت کروم سود خواهند برد

از آنجایی که این ویژگی بخشی از Web Speech API گوگل است، اپلیکیشن‌های تحت وب که به سیستم تشخیص گفتار متکی هستند، می‌توانند بدون نیاز به ساخت مدل‌های نگارشی اختصاصی خود، این قابلیت کاربردی را پیاده‌سازی کنند.

گوگل می‌گوید این ویژگی به جای اتکای صرف به کلمات گفته‌شده، با تحلیل مکث‌های گفتاری و فراز و فرود صدا کار می‌کند و از این طریق، سیستم تشخیص گفتار مرورگر را به نحوه ارتباط طبیعی انسان‌ها بسیار نزدیک‌تر می‌سازد.

این اقدام همچنین بازتاب‌دهنده یک روند گسترده‌تر در اکوسیستم نرم‌افزاری گوگل است. با ادغام روزافزون مدل‌های زبانی هوش مصنوعی و مدل هوش مصنوعی Gemini در محصولاتی مانند کروم، اندروید و ورک‌پیس، این شرکت تاکید بیشتری بر درک مکث‌ها و گفتگوهای طبیعی انسانی دارد، به جای اینکه کاربران را مجبور کند نحوه صحبت کردن خود را با ماشین‌ها و کامپیوترها تطبیق دهند.

نسخه Chrome 151 Beta در حال حاضر این ویژگی را برای تست در اختیار توسعه‌دهندگان قرار داده است، اگرچه در دسترس بودن گسترده‌تر آن برای عموم کاربران به جدول زمانی انتشار نسخه پایدار (Stable) مرورگر بستگی دارد. مانند بسیاری از APIهای آزمایشی دیگر، در نهایت توسعه‌دهندگان تعیین خواهند کرد که این قابلیت چقدر در اپلیکیشن‌های وب مختلف مورد استقبال و استفاده قرار می‌گیرد.

اگرچه علائم نگارشی خودکار نمی‌تواند فناوری تایپ صوتی را یک‌شبه کاملاً دگرگون کند، اما از آن دست بهبودهای کیفی در تجربه کاربری (Quality-of-life improvement) است که کاربران احتمالاً هر بار که پیامی را دیکته کرده یا یک مکالمه را پیاده‌سازی می‌کنند، متوجه ارزش بالا و راحتی آن خواهند شد. گاهی اوقات بزرگ‌ترین ارتقاها، ویژگی‌های پرزرق‌وبرق هوش مصنوعی نیستند، بلکه تغییرات کوچکی هستند که تکنولوژی را در درک بهتر نحوه ارتباط برقرار کردن انسان‌ها هوشمندتر می‌کنند.