貓語翻譯機A I

 

由於上週日（6/15），我在高雄寵物展現場談到關於貓語翻譯App的事情，就有網友跟我分享這則由「魚漿夫婦」粉專分享「貓語翻譯 AI」的消息。

我想先說，我並不反對，也不打算批判這類研究。相反的，我非常喜歡這種結合科技與動物行為想像的產物，我認為非常有趣！

長期在我粉專上的朋友，或許有發現我非常熱愛科幻題材，因為我相信，科技不是憑空出現，而是從人性深處對理解與連結的渴望中誕生的。即使多數發展並非一蹴可及，也許十年、二十年後，正是因為今天的幻想，我們才踏出了未來的第一步。

回到正題，我們來談談這則最新發表的FGC2.3「貓語翻譯研究」。

這則在網路上廣為流傳的《FGC2.3 Feline Vocalization Classification and Cat Translation Project》，來自一位名為 Vlad Reznikov 的開發者。他提出透過人工智慧（CNN、LSTM、Vision Transformer）訓練出一個能即時辨識 40 種貓咪聲種（vocal types） 的模型，並轉譯為人類語意。

這些聲種依用途分為五大類（飲食需求、日常生活、打鬥／防衛、發情／交配、抱怨／不適），舉例如下：

• f140A：飢餓的喵喵聲
• f150A：吃乾糧時的咬合聲
• f180A：喝水時的啵啵聲
• f275A：如廁後撥砂聲
• f530A：打噴嚏聲
• f520A：嘔吐聲

研究聲稱辨識準確率超過 95%，並期許未來能偵測貓咪的早期病痛訊號。

但這份研究從學術角度來看，目前仍屬早期構想，因為存在以下爭議與限制：

1. 尚未經過同行審查：
   FGC2.3 僅以預印本形式發表於 ResearchGate，未經學術期刊審查，也未提供完整數據集、程式碼或重複驗證機制。研究中亦無公開聲音來源或聲音對應行為的影像紀錄。
2. 研究主導者非行為學專家：
   Reznikov 本身並非動物行為或獸醫背景。他是美國科技公司 Pattern of USA Inc. 的創辦人與 CEO，在各平台自述中，強調的是 AI 模式辨識與跨領域應用，而非基礎行為科學研究。
3. 語言風格偏重感性敘事：
   研究介紹中帶有大量強烈情感語彙與敘事風格（如「我想你了」「謝謝你一直在」），更像是一篇品牌敘事或行銷文本，而非嚴謹的科學語言。這樣的包裝容易強化人類情感投射，但不利於辨識其科學可信度。
4. 聲音來源未必為「語音」：如「喝水聲」「撥沙聲」「打噴嚏聲」等，其實是由身體或環境所產生的機械音（non-vocal mechanical sounds），並不屬於行為學中定義的鳴音（vocalization）。這類聲音被納入語意分析，可能誤導讀者將所有聲響都視為「語言」。
5. 部分內容屬誇張推論或概念誤用
   例如文中提及「貓可能有地方腔調／方言（dialect）」等說法，目前僅存在非常初步的行為觀察假設，尚無實證。再如將「撥沙聲」或「卡哩卡哩聲」視為語言訊號，也屬誇大延伸。
6. 準確率與臨床應用間缺乏銜接驗證
   即使模型能區分「疼痛叫」與「飢餓叫」，但在真正臨床應用上，診斷仍需結合身體評估、血檢、觸診與影像。行為醫學研究普遍認為：聲音是重要的觀察線索，但無法單獨用於診斷疾病或痛苦。

那我們該怎麼看待這類研究？

誠如開頭所說，我認為這份研究最可貴的地方，不在於它是否已經做到了什麼，而是在於它正在嘗試表達人類對動物理解的渴望。

我們無需將它當作既成事實，也不該視之為笑話。它像一個尚未成型的夢，不穩定、帶著誤差，卻透露出一種人類最根本的溫柔與想像。

也許有一天，我們真的可以更準確地理解我們所愛的動物，哪怕只是一點點。

我們人類會編寫故事、創造傳說與信仰，是為了讓世界更有方向。而科技，則是讓我們一步步靠近那個方向的橋。這也是為什麼我樂見「貓語翻譯機」這種發展，即使它現在還不成熟，依然值得我們關注與期待。

※備註：FGC2.3 尚未經學術審查，且由科技創業者而非行為學專家主導，主要語言風格偏向感性敘述。分類中納入多項非語音性機械聲響（如撥沙聲、喝水聲），其對應語意尚無實證。模型準確率與臨床診斷之間亦無驗證橋接，建議僅作為創新方向之參考，勿作為行為或醫療依據。

參考來源

1. Reznikov V. FGC 2.3 Feline Vocalization Classification and Cat Translation Project．ResearchGate 預印本，2025 

2. Deni Ellis Béchard．What Is Your Cat Trying to Say? These AI Tools Aim to Decipher Meows．Scientific American，2025 

3. Pandeya YR 等．Domestic Cat Sound Classification Using Learned Features from Deep Neural Nets．Applied Sciences 8(10)：1949，2018