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 ("traduction automatique de qualité ") est un projet de recherche de pointe financé par l'appel d'offres ouvert ELISE, qui vise à créer une TA responsable pour les données conversationnelles : une TA de haute qualité pour débloquer de nouveaux marchés où les erreurs critiques liées à la TA ne peuvent pas être tolérées.

MAIA utilisera des technologies de pointe en matière d'apprentissage automatique et du traitement de langage naturel pour mettre au point des agents assistants multilingues IA, éliminant ainsi les barrières linguistiques. La "couche de traduction" de MAIA permettra aux agents humains de fournir une assistance à la clientèle en temps réel, dans n'importe quelle langue, avec une qualité humaine.

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).

Une communication rapide et précise est essentielle pour la gestion des crises, mais que se passe-t-il si la seule information disponible est dans une langue que vous ne comprenez pas ? Créé pour répondre à la nécessité d'une traduction de qualité dans les scénarios de crise sanitaire, INTERACT est un projet européen interdisciplinaire.

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).

L'apprentissage profond est en train de révolutionner le domaine du traitement du langage naturel (PNL), avec des percées dans la traduction automatique, la reconnaissance vocale et la réponse aux questions. Les nouvelles interfaces linguistiques (assistants numériques, applications de messagerie, robots de service à la clientèle) apparaissent comme les prochaines technologies permettant une communication multilingue transparente entre les humains et les machines.

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: A new ecosystem of Machine + Crowd Translation » est un projet mené par Unbabel et cofinancé par le Portugal 2020 – Sistema de Incentivos à Investigação e Desenvolvimento Tecnológico (SI I&DT).

En savoir plus
Papier

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.

En savoir plus

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.

En savoir plus

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.

En savoir plus

MT-Telescope permet de comparer visuellement et avec précision la qualité de deux systèmes de traduction automatique (TA). Il lève le voile sur le score de qualité automatique, permettant aux utilisateurs de filtrer les performances de qualité par mots-clés, terminologie et longueur de segment. MT-Telescope est disponible en tant que source ouverte au profit de l'ensemble de la communauté MT R-D.

COMET (Crosslingual Optimized Metric for Evaluation of Translation) est un nouveau cadre neuronal pour la formation de modèles d'évaluation de traduction automatique (TA) multilingues. COMET prédit les jugements humains de la qualité de la TA. Ce modèle COMET "prêt à l'emploi" est disponible en tant que source ouverte au profit de l'ensemble de la communauté MT R-D.

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.