ตอนเด็ก ๆ ผมเคยหลงทางที่ฮ่องกง ผมพูดภาษาที่นั่นไม่ได้
ทริปหลัง ๆ ที่ไปจีนและประเทศอื่นที่ผมไม่รู้ภาษา ผมใช้อินเทอร์เน็ตมือถือไม่ได้ ทุกครั้งผมอยากได้สิ่งเดียวกัน คือเครื่องมือแปลภาษาที่ไม่ต้องใช้อินเทอร์เน็ต ผมจะได้เข้าใจคนอื่นและคุยกับเขาได้
Knowless คือความพยายามของผมที่จะทำสิ่งนั้น แอปนี้เปลี่ยนเสียงพูดเป็นข้อความถอดเสียงและคำแปลแบบสด บนตัวโทรศัพท์เอง ผมออกแบบเอง และสร้างด้วยเครื่องมือที่มี AI ช่วย1 นี่น่าจะเป็นแอปที่เรียบง่ายที่สุดที่ผมเคยทำ มีหน้าจอเดียว ปุ่มเดียว กว่าจะเรียบง่ายได้ขนาดนี้ ผมเดินผิดทางไปสามครั้ง
ลองครั้งแรก: เรดาร์
เวอร์ชันแรกเป็นเรดาร์ที่ฟังอยู่ตลอดเวลา ผมนึกภาพว่ามันจะบอกได้ว่าคนพูดอยู่ตรงไหนจากเสียงเพียงอย่างเดียว
ไม่นานผมก็รู้ว่ามันทำไม่ได้ โทรศัพท์ของผมอัดเสียงแล้วไม่ได้เสียงตามตำแหน่ง ในไฟล์เสียงจึงไม่มีอะไรบอกว่าเสียงพูดมาจากทางไหน เท่าที่ผมอ่านมา รุ่นใหม่กว่าอาจทำได้ ผมไม่มีรุ่นนั้น ผมเลยเลิกพยายามทำด้วยเสียง
ลองครั้งที่สอง: กล้องทั้งสองตัว
ผมเลยลองใช้ตาแทนหู เปิดกล้องหน้าและกล้องหลังพร้อมกัน มองหาใบหน้าที่กำลังพูด เพื่อให้แอปรู้ว่าคนคนนั้นอยู่ตรงไหน
มันไปได้ถึงขั้นมีบิลด์ที่ใช้งานได้บนโทรศัพท์ของผม ทุกอย่างอยู่บนเครื่อง ไม่มีเซิร์ฟเวอร์ มันดูผ่านกล้องทั้งสองตัวและพยายามจับคู่แต่ละเสียงกับใบหน้า มันไปไม่รอดตรงจุดที่สำคัญ โทรศัพท์ร้อน แบตเตอรี่หมดเร็ว เครื่องค้าง และค้างบ่อย วิธีนี้ผมก็ทิ้งเหมือนกัน
ฟังด้วยหูตัวเอง
การตัดสินใจบางเรื่องเล็กกว่านั้น แต่สำคัญไม่แพ้กัน ตามทฤษฎี การลดเสียงรบกวนสำหรับสถานที่เสียงดังก็ฟังดูสมเหตุสมผล แล้วผมก็ฟังไฟล์เสียงที่มีเสียงรบกวนด้วยหูตัวเอง ขนาดตัวผมเองพูดอะไร ผมยังฟังไม่ออก ลดเสียงรบกวนแค่ไหนก็แก้เรื่องนี้ไม่ได้ ผมเลยทิ้งไอเดียนี้ไป
นี่คือสิ่งที่ผมหมายถึงเวลาพูดว่า “human in the loop” ผมสร้างแอปด้วย AI และผมต้องคอยตรวจอยู่เสมอว่าสิ่งที่ผมขอนั้นสมเหตุสมผลในสถานการณ์จริงหรือเปล่า การตัดสินใจสำคัญมาก ๆ
กับโมเดลก็เหมือนกัน ผมทดสอบทีละตัว ซึ่งใช้เวลานาน ช่วงแรก ถ้าดาวน์โหลดโมเดลไว้ในโทรศัพท์ แอปจะมีขนาดราวสี่กิกะไบต์ โปรโตไทป์แรกยังเก็บประวัติการสนทนาไว้ด้วย ผมตัดส่วนนั้นออกเพื่อให้ปล่อยแอปทัน Shipaton แต่ก็ยังเกือบไม่ทันเดดไลน์
ถ้าผมยังฟังไม่ออก ตัวกรองไหนก็ฟังไม่ออก
สิ่งที่เหลืออยู่
หน้าจอเดียว ปุ่มเดียว กด พูด แปล
บรรทัดคำแปลตัวใหญ่ ต้นฉบับอยู่ใต้บรรทัดนั้นพอดี ตัวเล็กกว่า สีเทา ตัวเอียง
ตัวอักษรใหญ่ขึ้น ลำดับนี้ก็ยังเหมือนเดิม ขนาดปรับได้ตั้งแต่ 50% ถึง 300% ด้วยการใช้สองนิ้วย่อขยาย ภาษาที่จะฟัง เลือกไว้ล่วงหน้าได้สูงสุดสามภาษา และคุณเอาบรรทัดไหนติดตัวไปก็ได้ จะคัดลอก หรือให้อ่านออกเสียงก็ได้
สองวันนั้น
ฟีเจอร์เล็กมากอย่างหนึ่งกลับซับซ้อนมาก ๆ นั่นคือคำจะปรากฏขึ้นอย่างไร
ดูเหมือนว่าเสียงกลายเป็นข้อความ แล้วข้อความก็ขึ้นบนหน้าจอ แต่ไม่ใช่ เสียงกลายเป็นคำเดา และคำเดาขึ้นบนหน้าจอทันที จึงรู้สึกว่าเกิดขึ้นสด ๆ จากนั้นแอปจะแก้คำเดา และถ้าคำที่แก้แล้วต่างออกไป หน้าจอก็เปลี่ยนตาม พอจบประโยคยาว ๆ จะมีอีกรอบหนึ่งที่แก้ซ้ำ โดยใช้บริบทของทั้งประโยค
แต่ละสถานะต้องดูใช่ ช่วงรอระหว่างนั้นก็ด้วย บรรทัดที่ยังมาไม่ครบจะแสดงเป็นอักขระที่เปลี่ยนไปมาอยู่หลังเคอร์เซอร์สีอำพัน บรรทัดที่นิ่งแล้วเป็นข้อความธรรมดา และไม่ขยับ
ผมสลับไปมาระหว่างแอปกับม็อกอัปดีไซน์อยู่สองวันกว่า ผมรู้ตั้งแต่ต้นว่าอยากให้มันใช้แล้วรู้สึกเข้าใจได้เอง และผมเชื่อว่าคนจะรู้สึกแบบนั้น ผมไม่คิดว่าจะใช้เวลานานขนาดนี้
บางอย่างไม่ควรอยู่ตรงนั้น ไม่ใช่ทุกคนจะสังเกตเห็น
จริงแค่ไหน บอกแค่นั้น
การถอดเสียงพูดและการแปลทำงานบนโทรศัพท์ ภาษาต้องดาวน์โหลดหนึ่งครั้งตอนที่มีอินเทอร์เน็ต หลังจากนั้นส่วนหลักใช้งานได้โดยไม่ต้องเชื่อมต่อ ภาพหน้าจอสำหรับ App Store ที่ผมเตรียมไว้จึงเขียนว่า “works offline” และบอกเงื่อนไขไว้ในประโยคเดียวกันเลยว่า หลังจากดาวน์โหลดภาษาที่รองรับแล้ว
สิ่งที่บทความนี้ไม่ได้พิสูจน์
ในบทความนี้ไม่มีผลลัพธ์ใด ๆ ไม่มีคะแนนวัดความเข้าใจ ไม่มีการศึกษาด้าน usability ไม่มีตัวเลขจำนวนผู้ใช้ สิ่งที่ผมให้ดูได้คือเส้นทางที่ผ่านมา และจุดที่มันมาลงเอย
ขั้นต่อไป ผมอยากให้คนสองคน ถือโทรศัพท์คนละเครื่อง คุยกันผ่านคำแปลสด ส่วนนี้ยังไม่ได้ทำ