💬 NLP

Language-free Experience at Expo 2025 Osaka

Este artigo descreve o desenvolvimento e a implementação no mundo real de tecnologias avançadas de tradução multilíngue, incluindo sistemas de interpretação simultânea com segmentação baseada em blocos e processamento consciente do contexto, para alcançar uma experiência sem barreiras linguísticas na Expo 2025 Osaka.

Autores originais: Michael Paul, Kenji Imamura, Xiaolin Wang, Shohei Higashiyama, Masao Utiyama

Publicado 2026-05-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Michael Paul, Kenji Imamura, Xiaolin Wang, Shohei Higashiyama, Masao Utiyama

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está em uma festa internacional massiva (Expo 2025 em Osaka) onde as pessoas estão falando 15 idiomas diferentes. Normalmente, para entender a todos, você precisaria de um tradutor humano parado bem ao seu lado, sussurrando traduções em seu ouvido. Mas tradutores humanos ficam cansados, não há suficientes deles e eles não podem estar em todos os lugares ao mesmo tempo.

Este artigo descreve uma equipe de engenheiros do NICT do Japão que construiu um tradutor robótico para resolver esse problema. Seu objetivo foi criar um sistema que escuta alguém falando e traduz para outro idioma quase instantaneamente, sem fazer o falante parar de falar.

Veja como eles fizeram isso, explicado com algumas analogias do cotidiano:

1. O Truque da "Fragmentação": Comer Sopa com uma Colher

Normalmente, se você quiser traduzir uma frase inteira, precisa esperar até que a pessoa termine a frase completa. Isso cria um silêncio longo e desconfortável (latência).

A equipe do NICT percebeu que os intérpretes humanos não esperam a frase inteira; eles escutam pequenos pedaços significativos e traduzem imediatamente. Eles chamam esses pedaços de "fragmentos".

A Analogia: Imagine que uma frase é uma tigela grande de sopa. Um tradutor tradicional espera até que a tigela inteira seja despejada antes de servir. O sistema do NICT usa uma colher. Assim que a sopa enche a colher (um "fragmento"), eles servem para você. Depois, enchem a colher novamente e servem o próximo pedaço.
O Resultado: Você recebe a informação muito mais rápido porque não precisa esperar que toda a "tigela" (frase) seja terminada.

2. O Detetive do "Contexto": Conhecendo a Cena

Tradução não é apenas trocar palavras; é entender a situação. A palavra "banco" pode significar um lugar para guardar dinheiro ou a margem de um rio. Um computador precisa saber qual delas você quer dizer.

A Analogia: Pense no tradutor como um detetive que coloca diferentes chapéus dependendo do cômodo em que está.
- Se o cômodo é um hospital, o detetive usa um "Chapéu Médico" e sabe que "Estou tonto" é uma emergência médica.
- Se o cômodo é um shopping, o detetive usa um "Chapéu de Compras" e sabe que "Estou tonto" pode significar apenas que a pessoa está cansada de andar.
Como eles fizeram: Eles treinaram seu sistema com "etiquetas" especiais (como rótulos em um arquivo) que informam ao computador quem está falando (um estrangeiro ou um local), qual é o tema (negócios, desastre, turismo) e até o gênero do falante. Isso ajuda o robô a escolher a tradução que soa mais natural.

3. A Equipe de "Carros de Corrida": Escolhendo o Melhor Motor

A equipe não construiu apenas um tradutor; eles construíram uma equipe de quatro motores de tradução diferentes (pense neles como quatro pilotos de carros de corrida diferentes).

A Estratégia: Quando uma frase chega, os quatro motores correm para traduzi-la. Mas, em vez de escolher o primeiro a terminar, o sistema usa um truque inteligente chamado "retrotradução".
A Analogia: Imagine que os quatro pilotos traduzem uma frase para o inglês. Então, o sistema pede que eles traduzam seu próprio inglês de volta para o idioma original.
- Se o Piloto A traduz "Gato" para "Cat" e depois de volta para "Gato", ele fez um bom trabalho.
- Se o Piloto B traduz "Gato" para "Cachorro" e de volta para "Cachorro", ele errou.
O Resultado: O sistema escolhe o piloto cuja tradução de "ida e volta" corresponde mais de perto à mensagem original. Isso garante a mais alta qualidade.

4. A Rede de Segurança de "Verificação Dupla"

Como traduzir em pequenos "fragmentos" é mais rápido, a qualidade pode ser ligeiramente inferior à de esperar por uma frase completa. Para corrigir isso, o sistema faz uma dança de dois passos:

Passo 1: Ele fornece a tradução rápida, fragmento por fragmento, imediatamente, para que você não precise esperar.
Passo 2: Assim que o falante termina a frase completa, o sistema re-traduz rapidamente tudo perfeitamente e atualiza a tela ou o fone de ouvido.

É como um ticker de notícias: você recebe a manchete urgente instantaneamente e, alguns segundos depois, a história completa e polida aparece.

O Que Eles Realmente Construíram

O artigo afirma que essas tecnologias foram testadas com sucesso e estão sendo usadas na vida real na Expo 2025 Osaka. Elas não são apenas teorias; estão alimentando:

Aplicativos um-para-um para turistas conversando com locais.
Guias remotos para grupos de turismo.
Legendas ao vivo para seminários e apresentações.
Cabines de chat virtuais onde avatares conversam com visitantes.

Em resumo, eles construíram um sistema que age como um intérprete incansável e superinteligente, que nunca fica cansado, conhece o contexto da conversa e fala 15 idiomas instantaneamente, fazendo com que a Expo pareça um lugar onde as barreiras linguísticas simplesmente não existem.

1. Declaração do Problema

O artigo aborda os desafios críticos na interpretação simultânea, especificamente o compromisso entre latência (velocidade) e qualidade de tradução.

Limitações Humanas: Intérpretes humanos enfrentam altos encargos cognitivos, restrições de tempo e dificuldades com terminologia especializada ou diferenças linguísticas, tornando-os indisponíveis para muitos cenários cotidianos.
Limitações da Tradução Automática (TA): Embora a Tradução Automática Neural (TAN) tenha melhorado a tradução de documentos, a tradução de linguagem falada em tempo real exige traduzir enquanto o orador ainda está falando.
- Traduzir imediatamente (baixa latência) frequentemente resulta em baixa qualidade devido à falta de contexto.
- Aguardar frases completas (alta qualidade) introduz atrasos significativos, interrompendo o fluxo da conversa.
Objetivo: Desenvolver um sistema que alcance baixa latência sem sacrificar a qualidade de tradução, permitindo uma experiência "livre de barreiras linguísticas" para as 15 línguas suportadas na Expo 2025 Osaka.

2. Metodologia

O Instituto Nacional de Tecnologia da Informação e Comunicações (NICT) desenvolveu um sistema abrangente que integra recursos de dados avançados, técnicas de segmentação, consciência contextual e seleção de múltiplos motores.

A. Recursos Linguísticos

Para treinar modelos robustos, o NICT construiu corpora específicos:

Corpus de Conversa Básica: Diálogos simulados (por exemplo, médicos, turismo) traduzidos por humanos para cobrir diversos domínios.
Corpus de Interpretação Simultânea: Um conjunto de dados único construído fazendo com que intérpretes humanos dividissem textos originais em fragmentos semânticos e os traduzissem sequencialmente. Isso imita o processo cognitivo da interpretação simultânea humana, fornecendo uma verdade fundamental para treinar modelos de segmentação e tradução.

B. Segmentação de Entrada (A Inovação Central)

O sistema preenche a lacuna entre o Reconhecimento Automático de Fala (ASR) e a TA utilizando segmentação online baseada em fragmentos:

Fragmentação: Em vez de aguardar uma frase completa, o sistema divide a fala em "fragmentos" (unidades semânticas curtas, por exemplo, algumas palavras).
Rede Neural Recursiva: Um modelo processa a entrada palavra por palavra, prevendo limites para fragmentos ou frases. Ele considera um número variável de palavras futuras ( $N$ ) para determinar se existe um limite, otimizando para a língua específica.
Processamento em Dois Níveis: O sistema utiliza tanto um modelo de nível de fragmento (para tradução inicial de baixa latência) quanto um modelo de nível de frase (para re-tradução de alta precisão assim que a frase completa estiver concluída).

C. Processamento de Contexto

Para melhorar a naturalidade e a precisão, o sistema incorpora contexto consciente de diálogo:

Etiquetas de Contexto: Os dados de treinamento são aumentados com etiquetas para tipo de falante (Japonês/Estrangeiro), cenário (médico, negócios, etc.), assunto e gênero.
Memória Interfrase: O sistema memoriza enunciados anteriores e suas traduções para resolver ambiguidades na frase atual, garantindo consistência na terminologia e no fluxo.

D. Tradução e Seleção de Múltiplos Motores

O sistema emprega uma arquitetura de múltiplos motores executada em paralelo:

GPMT: Modelos de TAN de propósito geral.
TSEG: Modelos adaptados a domínios treinados no corpus de interpretação simultânea com etiquetas de contexto.
UNIV: Um modelo universal que lida com 32×31 pares de idiomas.
RWKV: Uma abordagem de Modelo de Linguagem de Grande Escala (LLM) para compreensão contextual superior.

Mecanismo de Seleção: O sistema utiliza retrotradução para selecionar a melhor saída. Ele traduz a saída de cada motor de volta para a língua de origem e calcula a similaridade cosseno entre a entrada original e o resultado retrotraduzido. O motor com a pontuação de similaridade mais alta é selecionado para a saída final.

3. Contribuições Principais

Segmentação de Entrada Baseada em Fragmentos: Uma técnica de segmentação online inovadora que divide a fala em fragmentos semânticos mais curtos que frases, reduzindo significativamente o tempo de espera antes do início da tradução.
Corpus de Interpretação Simultânea: A criação de um conjunto de dados especializado onde intérpretes humanos segmentaram e traduziram texto sequencialmente, servindo como padrão-ouro para treinar modelos de baixa latência.
Contextualização Consciente de Diálogo: A integração de etiquetas de falante, cenário e histórico de conversa no modelo de tradução para lidar com ambiguidades e manter o fluxo conversacional.
Seleção Híbrida de Motores: Um framework de seleção dinâmica usando similaridade de retrotradução para escolher a tradução ótima entre múltiplos motores TAN e LLM em tempo real.
Implantação no Mundo Real: A integração bem-sucedida dessas tecnologias em serviços ao vivo na Expo 2025 Osaka, cobrindo 15 idiomas.

4. Resultados

O sistema foi avaliado usando pontuações BLEU e análise de comprimento de segmento:

Redução de Latência: A segmentação baseada em fragmentos reduziu o comprimento médio do segmento em 20% a 60% em comparação com a segmentação de nível de frase. Para o japonês, o comprimento médio do segmento caiu de 23,6 palavras para 7,8 palavras (uma redução de 39%), permitindo uma entrega de informações muito mais precoce.
Qualidade de Tradução:
- Ganho Contextual: Adicionar etiquetas de contexto (TSEG-S) melhorou as pontuações BLEU em uma média de 3,03 pontos sobre modelos gerais (GPMT). Melhorias significativas foram observadas em línguas asiáticas (por exemplo, Cambojano +6,78, Filipino +5,77).
- Vantagem de Segmentação: A técnica de segmentação online (TSEG-S) superou a segmentação de comprimento fixo (BASE) em 10,84 pontos BLEU.
- Compromisso Fragmento vs. Frase: Embora a tradução baseada em fragmentos (TSEG-C) tivesse uma pontuação BLEU 3,68 pontos menor do que a tradução baseada em frases (TSEG-S), foi significativamente melhor que a linha de base de comprimento fixo. Isso confirma que a fragmentação inteligente minimiza a perda de qualidade enquanto maximiza a velocidade.
Seleção de Motores: A métrica de similaridade de retrotradução identificou com sucesso o melhor motor (frequentemente o RWKV baseado em LLM ou o TSEG consciente de contexto) para entradas específicas.

5. Significância

Aplicação Prática: O artigo demonstra que a interpretação automática simultânea de alta qualidade e baixa latência é viável para eventos públicos de grande escala.
Impacto na Expo 2025: As tecnologias foram implantadas em múltiplos serviços na Expo 2025 Osaka, incluindo:
- "EXPO Honyaku" (aplicativo de tradução 1 para 1).
- "EXPO Honyaku Remote" (tour guiado).
- Sistemas de legendas em tempo real para seminários.
- Cabines de interação virtual com chat e avatares.
Implementação Futura: O projeto serve como catalisador para a "implementação social" da tradução por IA, movendo-se da pesquisa para a utilidade no mundo real. Estabelece um framework para superar barreiras linguísticas na comunicação global, resposta a desastres e turismo, pavimentando o caminho para uma sociedade verdadeiramente livre de idiomas.