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 ("Quality-Aware maskinöversättning") är ett banbrytande forskningsprojekt som finansieras av ELISE Open Call för att bygga upp Responsible MT för samtalsdata: högkvalitativ MT för att öppna upp nya marknader där kritiska MT-fel inte kan tolereras.

MAIA kommer att använda avancerad teknik för maskininlärning och behandling av naturligt språk för att bygga flerspråkiga AI-assistenter som eliminerar språkbarriärer. MAIA:s översättningsskikt kommer att göra det möjligt för mänskliga agenter att ge kundsupport i realtid, på alla språk och med mänsklig kvalitet.

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).

Snabb och korrekt kommunikation är avgörande för krishantering, men vad händer om den enda information du har tillgång till är på ett språk som du inte förstår? INTERACT är ett tvärvetenskapligt europeiskt projekt som skapats för att tillgodose behovet av kvalitetsöversättning i krissituationer på hälsoområdet.

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).

Djupinlärning håller på att revolutionera området för bearbetning av naturligt språk (NLP), med genombrott inom maskinöversättning, taligenkänning och svar på frågor. Nya språkgränssnitt (digitala assistenter, Messenger-appar, kundtjänstrobotar) är på väg att bli nästa teknik för sömlös, flerspråkig kommunikation mellan människor och maskiner.

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” är ett projekt som leds av Unbabel och samfinansieras av Portugal 2020 – Sistema de Incentivos à Investigação e Desenvolvimento Tecnológico (SI I&DT)

Mer information
Papper

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.

Mer information

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.

Mer information

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.

Mer information

MT-Telescope ger en detaljerad visuell jämförelse av kvalitetsprestandan för två maskinöversättningssystem. Den lyfter på huven på den automatiska kvalitetsbedömningen och gör det möjligt för användare att filtrera kvalitetsprestanda efter nyckelord, terminologi och segmentlängd. MT-Telescope är tillgänglig som öppen källkod för att gynna den bredare MT FoU-gemenskapen.

COMET (Crosslingual Optimized Metric for Evaluation of Translation) är ett nytt neuralt ramverk för utbildning av flerspråkiga utvärderingsmodeller i maskinöversättning. COMET förutsäger mänskliga bedömningar av MT-kvalitet. Denna "färdiga COMET-modell" är tillgänglig som öppen källkod för att gynna den bredare MT FoU-gruppen.

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.