The Center for Responsible AI is one of the largest centers dedicated to Responsible AI, bringing together ten startups, eight research centers, a law firm, and five industry leaders, that will collaborate to develop 21 innovative AI products leveraged by Responsible AI technologies such as equity, explainability, and sustainability. The center is co-funded by the Portuguese PRR.

UTTER – Unified Transcription and Translation for Extended Reality – is a collaborative Research and Innovation project funded under Horizon Europe that aims to leverage large language models to build the next generation of multimodal eXtended reality (XR) technologies for transcription, translation, summarisation, and minuting. UTTER’s use-case prototypes will cover (i) a personal assistant for meetings that can improve communication in the online world and (ii) an advanced customer service assistant to support global markets.

QUARTZ („Qualitätsbewusste maschinelle Übersetzung“) ist ein innovatives Forschungsprojekt, das von ELISE Open Call zur Erstellung einer verantwortungsbewussten MT für Konversationsdaten finanziert wird: Eine qualitativ hochwertige maschinelle Übersetzung zur Erschließung neuer Märkte, in denen kritische MT-Fehler nicht toleriert werden können.

MAIA wird modernste Technologien für maschinelles Lernen und eine natürliche Verarbeitung von Sprache einsetzen, um mehrsprachige KI-Assistenten für Kundenberater zu entwickeln, die Sprachbarrieren beseitigen. Die „Übersetzungsschicht“ von MAIA wird menschliche Kundenberater in die Lage versetzen, Kundensupport in Echtzeit, in jeder Sprache und in menschlicher Qualität zu leisten.

Improve the pre-existing neural machine translation toolkit “Marian” to address the needs of CEF eTranslation and to broaden its user base (H2020 Co-Funded Project). Terminology, on-the-fly domain adaptation, better documentation and GPU optimization are the focus areas in this Marian iteration.

Aims at building data for under-resourced languages in fields of public interest, such as Health and Justice. It’ll contribute to the CEF Automated Translation Building block by enlarging its coverage for language pairs and domains for which parallel data does not exist (H2020 Co-Funded Project).

We’re working on advancing European language engines for borderless business communication. Create Europe’s Translation Layer, specifically, by enabling seamless human-quality translation between any pairing of the 24 official languages of the EU in different content types such as Email, Chat and Listings (P2020 Co-Funded Project).

Setting up a quality gate and crowdsourcing workflow to improve translation quality in specific domains. Boost CEF eTranslation with Automated Post-Editing (APE) & Quality Estimation (QE) for Electronic Exchange of Social Security Information (EESSI) and Online Dispute Resolution (ODR) DSIs and related national services (H2020 Co-Funded Project).

Rechtzeitige und präzise Kommunikation ist für das Krisenmanagement unerlässlich. Was aber, wenn die einzigen Informationen, die Ihnen zur Verfügung stehen, in einer Sprache sind, die Sie nicht verstehen? INTERACT ist ein interdisziplinäres europäisches Projekt, das als Antwort auf den Bedarf an qualitativ hochwertiger Übersetzung in Gesundheitskrisenszenarien entwickelt wurde.

Transcription can be a big piece of translation flows, especially when it comes to audiovisual content. This project aims to research & develop a technical solution for automatic transcription and translation of audiovisual content by leveraging a community of human translators (P2020 Co-Funded Project).

Deep Learning revolutioniert den Bereich von Natural Language Processing (NLP) mit Durchbrüchen im Bereich maschinelle Übersetzung, Spracherkennung und Fragebeantwortung. Neue Sprachschnittstellen (digitale Assistenten, Messenger-Apps, Kundenservice-Bots) entwickeln sich als die nächsten Technologien für eine nahtlose, mehrsprachige Kommunikation zwischen Menschen und Maschinen.

Unbabel’s Internationalization Plan (“Unbabel 2017-2019: Plano de Internacionalização”) is a project led by Unbabel and co-funded by Portugal 2020 – Sistema de Incentivos à Internacionalização das PME.

„Unbabel 2017: Ein neues Ökosystem von maschineller + Crowd-Übersetzung“ ist ein von Unbabel geleitetes und von Portugal 2020 – Sistema de Incentivos à Investigação e Desenvolvimento Tecnológico (SI I&DT) – mitfinanziertes Projekt.

Weitere Informationen
Abhandlung

XCOMET is a cutting-edge, open-source metric designed to be more interpretable and better aligned with MQM human evaluations. XCOMET combines sentence-level evaluation, similar to neural metrics such as COMET and BLEURT, and error span detection capabilities.

Weitere Informationen

TowerLLM is a suite of multilingual large language models (LLM) optimized for translation-related tasks ranging from pre-translation, to translation and evaluation tasks, such as machine translation (MT), automatic post-editing (APE), and translation ranking. Tower is built on top of LLaMA2 [1], comes in two sizes — 7B and 13B parameters —, and currently supports 10 languages.

Weitere Informationen

CometKiwiXL is large language model (LLM) specialized in predicting the quality of a translation. CometKiwi XL (3.5B) and CometKiwi XXL (10.7B) are the open-sourced versions of our state-of-the-art Quality Estimation model.

Weitere Informationen

Das MT-Telescope bietet einen feinkörnigen, visuellen Vergleich der Qualitätsleistung von zwei maschinellen Übersetzungssystemen (MT). Benutzer können unter die Haube der automatischen Qualitätsbewertung sehen und die Qualitätsleistung nach Schlüsselwörtern, Terminologie und Segmentlänge filtern. Das MT-Telescope ist als Open-Source verfügbar, damit die breitere MT F&E-Gemeinschaft davon profitieren kann.

COMET (Crosslingual Optimized Metric for Evaluation of Translation) ist ein neues neuronales Rahmenprogramm für das Trainieren von Bewertungsmodellen für die mehrsprachige maschinelle Übersetzung (MT). COMET sagt menschliche Beurteilungen der MT-Qualität voraus. Dieses „einsatzbereite“ trainierte COMET-Modell ist als Open-Source verfügbar, damit die breitere Gemeinschaft, die sich mit Forschung und Entwicklung im MT-Bereich beschäftigt, davon profitieren kann.

Quality estimation (QE) is one of the challenges in MT: it evaluates a system’s quality without access to reference translations. We released OpenKiwi, a PyTorch-based open-source framework that implements the best QE systems from WMT 2015-18 shared tasks. The accompanying paper won the best system paper at ACL 2019.