Index-Translate od Bilibili: modele, języki i wyspecjalizowane wersje

Index-Translate to rodzina modeli tłumaczeniowych Bilibili oparta na Qwen3.5. Obejmuje narzędzia do przekładu tekstu, mowy, dubbingu z kontrolą długości oraz długich dokumentów. Modele tekstowe są dostępne w rozmiarach 2B i 9B, a także jako 35B-A3B w wersji preview. Według opisu obsługują 150 języków i mogą stosować się do instrukcji dotyczących terminologii, formatowania czy zachowania treści. Pozostałe gałęzie koncentrują się na konkretnych wyzwaniach — nie oznacza to, że każda funkcja działa w każdym modelu. 25

Modele tekstowe: trzy rozmiary, jeden główny cel

Rodzina tekstowa obejmuje modele 2B i 9B oraz oznaczony jako preview model 35B-A3B. Ten ostatni wykorzystuje architekturę mixture-of-experts (MoE): ma łącznie 35 mld parametrów, z czego około 3 mld jest aktywnych przy przetwarzaniu pojedynczego tokenu. Opisy modeli mówią o tłumaczeniu w 150 językach oraz wykonywaniu instrukcji dotyczących terminologii, formatowania, stylu, struktury i innych wymagań wobec wyniku. Nie wynika z nich jednak, że wszystkie rozmiary radzą sobie tak samo dobrze z każdą parą językową. 245

Karta modelu Index-Translate 2B wskazuje licencję Apache-2.0. Doniesienia o premierze opisują w ten sposób całą rodzinę, ale przed użyciem warto sprawdzić licencję przypisaną do konkretnego zestawu wag i plików. 49

Wyspecjalizowane gałęzie

• Index-Echo zajmuje się tłumaczeniem mowy. Wariant speech-to-text tworzy znakowane czasem napisy do chińskiego audio lub wideo, tłumacząc je na angielski, japoński albo hiszpański. Wykorzystuje segmentację aktywności głosowej, kontekst przesuwany między fragmentami oraz opcjonalny glosariusz. Wariant speech-to-speech ma w dubbingu uwzględniać cechy głosu osoby mówiącej w materiale źródłowym. To opisane możliwości i założenia, a nie gwarancja identycznej jakości głosu w każdym nagraniu. 2123
• Index-Homura dostosowuje brzmienie tłumaczenia do wskazanej liczby sylab. Ma to zastosowanie przy przygotowywaniu tekstów do dubbingu, gdzie długość wypowiedzi ma znaczenie. Samo spełnienie limitu sylab nie gwarantuje jednak naturalnego brzmienia ani idealnego dopasowania do konkretnej sceny. 2527
• Index-NativeLong, publikowany również pod nazwą Index-Nailong, jest przeznaczony do tłumaczenia dokumentów z uwzględnieniem całości tekstu. Ma to pomagać w zachowaniu ciągłości, terminologii i odniesień w dłuższych materiałach. Udostępniony klient dokumentowy zawiera gotowe szablony dla par chiński–angielski i chiński–japoński, więc opisany sposób użycia jest węższy niż deklarowana obsługa 150 języków przez modele tekstowe. 326

Narzędzia, przykłady i granice dostępnych danych

Repozytorium zawiera rozszerzenie do przeglądarki, które tłumaczy strony za pomocą lokalnie uruchomionego modelu udostępnionego przez API zgodne z OpenAI. W opisanym procesie dubbingu wideo trzeba też wyodrębnić dźwięk, oddzielić głos od pozostałych ścieżek, podzielić mowę na fragmenty ze znacznikami czasu, przetłumaczyć ją i dopasować wynik do osi czasu filmu. To pokazuje, że dubbing wymaga więcej niż samego przekładu. 2022

Przykłady i materiały zespołu dotyczą różnych zadań: tłumaczenia tekstu, napisów, przekładu ograniczonego liczbą sylab oraz długich dokumentów. Nie należy jednak traktować przykładów ani przedstawianych ocen jako niezależnego dowodu, że dany model jest najlepszy w każdym języku i zastosowaniu. Model tekstowy 35B-A3B jest wyraźnie oznaczony jako preview, a udostępnienie materiałów NativeLongBench zespołu figuruje jako plan. Dostępne informacje pozwalają więc opisać, do czego poszczególne gałęzie zostały zaprojektowane, ale nie uzasadniają obietnicy równych wyników, idealnego zachowania głosu ani bezbłędnego dopasowania napisów czy spójności całego dokumentu. 526