मॉड्युलेट ने समूहबद्ध श्रवण मॉडल पेश किए हैं, जो कृत्रिम बुद्धिमत्ता द्वारा मानव आवाज को समझने के तरीके को पुनर्परिभाषित करते हैं।

कृत्रिम बुद्धिमत्ता ने तेजी से प्रगति की है, फिर भी एक क्षेत्र लगातार चुनौतीपूर्ण बना हुआ है: मानव आवाज को सही मायने में समझना। न केवल बोले गए शब्द, बल्कि उनके पीछे की भावना, स्वर और समय से निर्मित इरादा, और वे सूक्ष्म संकेत जो दोस्ताना मजाक को निराशा, धोखे या नुकसान से अलग करते हैं। आज, मिलाना इसके परिचय के साथ एक बड़ी सफलता की घोषणा की गई। समूह श्रवण मॉडल (ईएलएम)एक नई एआई आर्किटेक्चर जिसे विशेष रूप से वास्तविक दुनिया की आवाजों को समझने के लिए डिजाइन किया गया है।

शोध की घोषणा के साथ ही, मॉड्युलेट ने अनावरण किया वेल्मा 2.0वेल्मा 2.0, एनसेंबल लिसनिंग मॉडल का पहला प्रोडक्शन डिप्लॉयमेंट है। कंपनी का कहना है कि वेल्मा 2.0 बातचीत की सटीकता में अग्रणी फाउंडेशन मॉडलों को पीछे छोड़ देता है, जबकि इसकी लागत बहुत कम है। यह एक उल्लेखनीय दावा है ऐसे समय में जब उद्यम बड़े पैमाने पर एआई डिप्लॉयमेंट की स्थिरता का पुनर्मूल्यांकन कर रहे हैं।

एआई के लिए आवाज का उपयोग करना क्यों मुश्किल रहा है?

भाषण का विश्लेषण करने वाले अधिकांश एआई सिस्टम एक परिचित दृष्टिकोण का पालन करते हैं। ऑडियो को टेक्स्ट में परिवर्तित किया जाता है, और फिर उस ट्रांसक्रिप्ट को एक बड़े भाषा मॉडल द्वारा संसाधित किया जाता है। हालांकि यह प्रक्रिया प्रतिलेखन और सारांश के लिए प्रभावी है, लेकिन यह आवाज को अर्थपूर्ण बनाने वाले कई तत्वों को हटा देती है।

स्वर, भावनात्मक उतार-चढ़ाव, झिझक, व्यंग्य, अतिव्यापी भाषण और पृष्ठभूमि का शोर, ये सभी महत्वपूर्ण संदर्भ प्रदान करते हैं। जब भाषण को पाठ में रूपांतरित किया जाता है, तो ये आयाम खो जाते हैं, जिसके परिणामस्वरूप अक्सर इरादे की गलत व्याख्या या भावना। यह समस्या ग्राहक सहायता, धोखाधड़ी का पता लगाने, ऑनलाइन गेमिंग और एआई-संचालित संचार जैसे वातावरणों में विशेष रूप से बढ़ जाती है, जहां बारीकियां सीधे परिणामों को प्रभावित करती हैं।

मॉड्युलेट के अनुसार, यह सीमा डेटा-आधारित होने के बजाय संरचनात्मक है। बड़े भाषा मॉडल टेक्स्ट प्रेडिक्शन के लिए अनुकूलित होते हैं, न कि वास्तविक समय में कई ध्वनिक और व्यवहारिक संकेतों को एकीकृत करने के लिए। इस कमी को दूर करने के लिए एन्सेम्बल लिसनिंग मॉडल बनाए गए थे।

समूहबद्ध श्रवण मॉडल क्या है?

एनसेंबल लिसनिंग मॉडल एक ऐसा एकल न्यूरल नेटवर्क नहीं है जिसे एक ही बार में सब कुछ करने के लिए प्रशिक्षित किया गया हो। इसके बजाय, यह कई विशिष्ट मॉडलों से बना एक समन्वित तंत्र है, जिनमें से प्रत्येक ध्वनि अंतःक्रिया के एक अलग आयाम का विश्लेषण करने के लिए जिम्मेदार होता है।

ईएलएम के भीतर, अलग-अलग मॉडल भावना, तनाव, धोखे के संकेत, वक्ता की पहचान, समय, लय, पृष्ठभूमि शोर और संभावित कृत्रिम या प्रतिरूपित आवाज़ों की जांच करते हैं। ये संकेत एक समय-संरेखित ऑर्केस्ट्रेशन परत के माध्यम से सिंक्रनाइज़ किए जाते हैं जो बातचीत में जो कुछ हो रहा है उसकी एक एकीकृत और व्याख्यात्मक व्याख्या प्रदान करता है।

श्रम का यह स्पष्ट विभाजन ईएलएम दृष्टिकोण का केंद्रबिंदु है। अर्थ को अप्रत्यक्ष रूप से निकालने के लिए किसी एक विशाल मॉडल पर निर्भर रहने के बजाय, एन्सेम्बल लिसनिंग मॉडल कई लक्षित दृष्टिकोणों को संयोजित करते हैं, जिससे सटीकता और पारदर्शिता दोनों में सुधार होता है।

वेल्मा 2.0 के अंदर

वेलमा 2.0, मॉड्युलेट के पहले के एन्सेम्बल-आधारित सिस्टमों का एक महत्वपूर्ण उन्नत संस्करण है। यह पाँच विश्लेषणात्मक स्तरों में संरचित, वास्तविक समय में एक साथ काम करने वाले 100 से अधिक घटक मॉडलों का उपयोग करता है।

पहली परत बुनियादी ऑडियो प्रोसेसिंग पर केंद्रित है, जिसमें वक्ताओं की संख्या, भाषण का समय और विराम निर्धारित किए जाते हैं। इसके बाद ध्वनिक संकेत निष्कर्षण आता है, जो भावनात्मक अवस्थाओं, तनाव के स्तर, धोखे के संकेतों, कृत्रिम आवाज के चिह्नों और पर्यावरणीय शोर की पहचान करता है।

तीसरी परत कथित इरादे का आकलन करती है, जिसमें सच्ची प्रशंसा और व्यंग्यात्मक या शत्रुतापूर्ण टिप्पणियों के बीच अंतर किया जाता है। व्यवहार मॉडलिंग समय के साथ वार्तालाप की गतिशीलता को ट्रैक करती है, जिससे निराशा, भ्रम, पूर्वनिर्धारित भाषण या सामाजिक हेरफेर के प्रयासों का पता चलता है। अंतिम परत, वार्तालाप विश्लेषण, इन जानकारियों को उद्यम-संबंधी घटनाओं जैसे असंतुष्ट ग्राहक, नीति उल्लंघन, संभावित धोखाधड़ी या खराब कार्य करने वाले एआई एजेंटों में परिवर्तित करती है।

मॉड्युलेट की रिपोर्ट के अनुसार, वेल्मा 2.0 प्रमुख एलएलएम-आधारित दृष्टिकोणों की तुलना में वार्तालाप के अर्थ और इरादे को लगभग 30 प्रतिशत अधिक सटीकता से समझता है, जबकि बड़े पैमाने पर यह 10 से 100 गुना अधिक लागत प्रभावी है।

गेमिंग मॉडरेशन से लेकर एंटरप्राइज इंटेलिजेंस तक

एनसेंबल लिसनिंग मॉडल्स की उत्पत्ति मॉड्युलेट के ऑनलाइन गेम्स पर किए गए शुरुआती काम से हुई है। कॉल ऑफ ड्यूटी और ग्रैंड थेफ्ट ऑटो ऑनलाइन जैसे लोकप्रिय गेम्स में ध्वनि संबंधी कुछ सबसे चुनौतीपूर्ण वातावरण उत्पन्न होते हैं। बातचीत तेज गति वाली, शोरगुल भरी, भावनात्मक रूप से आवेशित और बोलचाल की भाषा तथा प्रासंगिक संदर्भों से भरपूर होती है।

वास्तविक उत्पीड़न से मज़ाकिया गाली-गलौज को अलग करने के लिए केवल प्रतिलेखन से कहीं अधिक की आवश्यकता होती है। मॉड्युलेट ने अपनी ध्वनि मॉडरेशन प्रणाली को संचालित करते हुए, टोक्समॉडधीरे-धीरे, इसने इन बारीकियों को समझने के लिए मॉडलों के अधिक जटिल समूह तैयार किए। आवश्यक सटीकता प्राप्त करने के लिए दर्जनों विशिष्ट मॉडलों का समन्वय करना अनिवार्य हो गया, जिसके परिणामस्वरूप अंततः टीम ने इस दृष्टिकोण को एक नए वास्तुशिल्प ढांचे में औपचारिक रूप दिया।

वेलमा 2.0 उस आर्किटेक्चर को गेमिंग से आगे ले जाता है। आज, यह मॉड्युलेट के एंटरप्राइज प्लेटफॉर्म को शक्ति प्रदान करता है, जो विभिन्न उद्योगों में करोड़ों वार्तालापों का विश्लेषण करके धोखाधड़ी, दुर्व्यवहार, ग्राहक असंतोष और असामान्य एआई गतिविधि की पहचान करता है।

बुनियादी मॉडलों के लिए एक चुनौती

यह घोषणा ऐसे समय में आई है जब उद्यम अपनी एआई रणनीतियों का पुनर्मूल्यांकन कर रहे हैं। भारी निवेश के बावजूद, एआई से जुड़ी कई पहलें उत्पादन स्तर तक पहुंचने में विफल रहती हैं। या स्थायी मूल्य प्रदान करें। सामान्य बाधाओं में शामिल हैं: मतिभ्रमइसके परिणामस्वरूप अनुमान लगाने की लागत में वृद्धि होती है, निर्णय लेने की प्रक्रिया अपारदर्शी हो जाती है और एआई से प्राप्त जानकारियों को परिचालन कार्यों में एकीकृत करना मुश्किल हो जाता है।

एनसेंबल लिसनिंग मॉडल्स (ELMs) इन समस्याओं का सीधा समाधान करते हैं। एक एकल प्रणाली के बजाय कई छोटे, विशेष रूप से निर्मित मॉडलों पर निर्भर रहने से, ELMs का संचालन कम खर्चीला होता है, ऑडिट करना आसान होता है और इन्हें समझना अधिक सुगम होता है। प्रत्येक आउटपुट को विशिष्ट संकेतों से जोड़ा जा सकता है, जिससे संगठनों को यह समझने में मदद मिलती है कि किसी निष्कर्ष पर क्यों पहुंचा गया।

पारदर्शिता का यह स्तर विशेष रूप से विनियमित या उच्च जोखिम वाले वातावरणों में महत्वपूर्ण है जहां गुप्त निर्णय अस्वीकार्य हैं। मॉड्युलेट ईएलएम को बड़े भाषा मॉडलों के प्रतिस्थापन के रूप में नहीं, बल्कि उद्यम-स्तरीय ध्वनि बुद्धिमत्ता के लिए अधिक उपयुक्त आर्किटेक्चर के रूप में प्रस्तुत करता है।

स्पीच टू टेक्स्ट से परे

वेलमा 2.0 की सबसे दूरदर्शी विशेषताओं में से एक यह है कि यह न केवल यह विश्लेषण कर सकती है कि कोई बात कैसे कही गई है, बल्कि यह भी कि क्या कहा गया है। इसमें कृत्रिम या प्रतिरूपित आवाजों का पता लगाना भी शामिल है, जो आवाज निर्माण तकनीक के अधिक सुलभ होने के साथ-साथ एक बढ़ती हुई चिंता का विषय है।

वॉइस क्लोनिंग में सुधार के साथ, उद्यमों को धोखाधड़ी, पहचान की हेराफेरी और सोशल इंजीनियरिंग से संबंधित बढ़ते जोखिमों का सामना करना पड़ रहा है। सिंथेटिक वॉइस डिटेक्शन को सीधे अपने सिस्टम में एकीकृत करके, वेल्मा 2.0 प्रामाणिकता को एक वैकल्पिक ऐड-ऑन के बजाय एक मुख्य संकेत के रूप में मानता है।

सिस्टम का व्यवहार संबंधी मॉडलिंग सक्रिय अंतर्दृष्टि प्रदान करता है। यह पहचान सकता है कि वक्ता कब स्क्रिप्ट पढ़कर बोल रहा है, कब हताशा बढ़ रही है, या कब कोई बातचीत संघर्ष की ओर बढ़ रही है। ये क्षमताएं संगठनों को समय रहते और अधिक प्रभावी ढंग से हस्तक्षेप करने में सक्षम बनाती हैं।

एंटरप्राइज एआई के लिए एक नई दिशा

मिलाना यह लेख एनसेंबल लिसनिंग मॉडल को एआई आर्किटेक्चर की एक नई श्रेणी के रूप में वर्णित करता है, जो पारंपरिक सिग्नल प्रोसेसिंग पाइपलाइन और बड़े फाउंडेशन मॉडल दोनों से अलग है। इसके पीछे मूल विचार यह है कि जटिल मानवीय अंतःक्रियाओं को brute-force स्केलिंग के बजाय समन्वित विशेषज्ञता के माध्यम से बेहतर ढंग से समझा जा सकता है।

जैसे-जैसे उद्यमों को जवाबदेह, कुशल और वास्तविक परिचालन आवश्यकताओं के अनुरूप एआई प्रणालियों की मांग बढ़ रही है, एन्सेम्बल लिसनिंग मॉडल एक ऐसे भविष्य की ओर इशारा करते हैं जहां बुद्धिमत्ता कई केंद्रित घटकों से मिलकर बनती है। वेल्मा 2.0 के उत्पादन वातावरण में लाइव होने के साथ, मॉड्युलेट को उम्मीद है कि यह आर्किटेक्चरल बदलाव वॉयस मॉडरेशन और ग्राहक सहायता से कहीं आगे तक अपना प्रभाव छोड़ेगा।

एक ऐसे उद्योग में जो लगातार बड़े होते जा रहे ब्लैक बॉक्स के विकल्पों की तलाश कर रहा है, एन्सेम्बल लिसनिंग मॉडल यह सुझाव देते हैं कि एआई में अगली बड़ी प्रगति केवल अधिक आक्रामक रूप से गणना करने से नहीं, बल्कि अधिक सावधानीपूर्वक सुनने से आ सकती है।