मॉड्युलेट एन्सेम्बल लिस्टनिंग मॉडल्स की शुरुआत करता है, जो एआई को मानव आवाज को समझने के तरीके को फिर से परिभाषित करता है

आर्टिफिशियल इंटेलिजेंस ने तेजी से प्रगति की है, लेकिन एक क्षेत्र ऐसा है जो लगातार कठिन रहा है: वास्तव में मानव आवाज को समझना। न केवल बोले गए शब्द, बल्कि उनके पीछे का भाव, समय और टोन द्वारा आकार दिया गया इरादा, और सूक्ष्म संकेत जो मित्रता पूर्ण बातचीत को धोखाधड़ी या नुकसान से अलग करते हैं। आज, मॉड्युलेट ने एक बड़ा कदम उठाया है और एन्सेम्बल लिस्टनिंग मॉडल (ELM) की शुरुआत की है, जो वास्तविक दुनिया में आवाज समझने के लिए विशेष रूप से डिज़ाइन किया गया एक नया एआई आर्किटेक्चर है।

शोध की घोषणा के साथ, मॉड्युलेट ने वेल्मा 2.0 का अनावरण किया, जो एन्सेम्बल लिस्टनिंग मॉडल का पहला उत्पादन रूप है। कंपनी का दावा है कि वेल्मा 2.0 बातचीत की सटीकता में अग्रणी फाउंडेशन मॉडल्स को पार करता है, जबकि यह लागत का केवल एक अंश है, जो एक उल्लेखनीय दावा है जब उद्यम बड़े पैमाने पर एआई तैनाती की स्थिरता का पुनः मूल्यांकन कर रहे हैं।

एआई के लिए आवाज क्यों मुश्किल रही है

अधिकांश एआई सिस्टम जो भाषण का विश्लेषण करते हैं वे एक परिचित दृष्टिकोण का पालन करते हैं। ऑडियो को पाठ में परिवर्तित किया जाता है, और फिर उस प्रतिलिपि को एक बड़े भाषा मॉडल द्वारा संसाधित किया जाता है। जबकि प्रतिलेखन और सारांश के लिए यह प्रभावी है, इस प्रक्रिया में आवाज को अर्थपूर्ण बनाने वाली अधिकांश चीजें हटा दी जाती हैं।

स्वर, भावनात्मक प्रभाव, हिचकिचाहट, व्यंग्य, ओवरलैपिंग भाषण, और पृष्ठभूमि शोर सभी महत्वपूर्ण संदर्भ ले जाते हैं। जब भाषण को पाठ में समतल किया जाता है, तो वे आयाम खो जाते हैं, जिसके परिणामस्वरूप अक्सर इरादे या भावना की व्याख्या होती है। यह विशेष रूप से ग्राहक सहायता, धोखाधड़ी का पता लगाने, ऑनलाइन गेमिंग, और एआई-संचालित संचार जैसे वातावरण में समस्याग्रस्त हो जाता है, जहां सूक्ष्मता सीधे परिणामों को प्रभावित करती है।

मॉड्युलेट के अनुसार, यह सीमा वास्तविक समय में कई अकουσ्टिक और व्यवहार संबंधी संकेतों को एकीकृत करने के लिए बड़े भाषा मॉडल्स की वास्तुकला की सीमा है, न कि डेटा से संबंधित है। एन्सेम्बल लिस्टनिंग मॉडल्स को इस अंतर को पूरा करने के लिए बनाया गया था।

एन्सेम्बल लिस्टनिंग मॉडल क्या है?

एक एन्सेम्बल लिस्टनिंग मॉडल एक एकल न्यूरल नेटवर्क नहीं है जो एक बार में सब कुछ करने के लिए प्रशिक्षित है। इसके बजाय, यह कई विशेषज्ञ मॉडलों से बना एक समन्वित प्रणाली है, प्रत्येक एक आवाज संवाद के एक अलग आयाम का विश्लेषण करने के लिए जिम्मेदार है।

एक ईएलएम के भीतर, अलग-अलग मॉडल भावना, तनाव, धोखाधड़ी संकेतक, वक्ता पहचान, समय, प्रोसोडी, पृष्ठभूमि शोर, और संभावित सिंथेटिक या नकली आवाजों की जांच करते हैं। ये संकेत एक समय-समय पर सिंक्रोनाइज़ किए गए ऑर्केस्ट्रेशन परत द्वारा एक एकीकृत और समझने योग्य व्याख्या का उत्पादन करते हैं कि एक बातचीत में क्या हो रहा है।

यह स्पष्ट श्रम विभाजन एन्सेम्बल लिस्टनिंग मॉडल दृष्टिकोण के लिए केंद्रीय है। एक बड़े मॉडल पर निहित होने के बजाय जो अर्थ को स्पष्ट रूप से अनुमान लगाता है, एन्सेम्बल लिस्टनिंग मॉडल कई लक्षित दृष्टिकोणों को जोड़ते हैं, जिससे सटीकता और पारदर्शिता दोनों में सुधार होता है।

वेल्मा 2.0 के अंदर

वेल्मा 2.0 मॉड्युलेट की पहले की एन्सेम्बल-आधारित प्रणालियों का एक महत्वपूर्ण विकास है। यह वास्तविक समय में 100 से अधिक घटक मॉडल का उपयोग करता है, जो पांच विश्लेषणात्मक परतों में संरचित है।

पहली परत बुनियादी ऑडियो प्रसंस्करण पर केंद्रित है, जो वक्ताओं की संख्या, भाषण का समय, और रुकावटों का निर्धारण करती है। अगली परत अकουσ्टिक संकेत निष्कर्षण है, जो भावनात्मक स्थितियों, तनाव के स्तर, धोखाधड़ी संकेतों, सिंथेटिक आवाज मार्कर, और पर्यावरण शोर की पहचान करती है।

तीसरी परत वास्तविक इरादे का मूल्यांकन करती है, जो सच्ची प्रशंसा और व्यंग्य या हानिकारक टिप्पणियों के बीच अंतर करती है। व्यवहार मॉडलिंग तब समय के साथ बातचीत की गतिविधियों को ट्रैक करती है, जो निराशा, भ्रम, स्क्रिप्टेड भाषण, या सामाजिक इंजीनियरिंग के प्रयासों को झंडा देती है। अंतिम परत, बातचीत विश्लेषण, इन अंतर्दृष्टि को उद्यम-प्रासंगिक घटनाओं में अनुवाद करती है जैसे असंतुष्ट ग्राहक, नीति उल्लंघन, संभावित धोखाधड़ी, या दोषपूर्ण एआई एजेंट।

मॉड्युलेट का दावा है कि वेल्मा 2.0 बातचीत के अर्थ और इरादे को लगभग 30 प्रतिशत अधिक सटीकता से समझता है, जबकि यह लागत का केवल एक अंश है, जो एक उल्लेखनीय दावा है जब उद्यम बड़े पैमाने पर एआई तैनाती की स्थिरता का पुनः मूल्यांकन कर रहे हैं।

गेमिंग मॉडरेशन से उद्यम बुद्धिमत्ता तक

एन्सेम्बल लिस्टनिंग मॉडल्स की उत्पत्ति मॉड्युलेट के ऑनलाइन गेम्स के साथ शुरुआती काम में है। लोकप्रिय शीर्षक जैसे कॉल ऑफ ड्यूटी और ग्रांड थेफ्ट ऑटो ऑनलाइन सबसे चुनौतीपूर्ण आवाज वातावरण पैदा करते हैं। बातचीत तेज, शोरगुल, भावनात्मक रूप से चार्ज की जाती है, और स्लैंग और संदर्भ से भरी होती है।

वास्तविक समय में खेल के मॉडरेशन प्रणाली, टॉक्समॉड का संचालन करते हुए, मॉड्युलेट ने धीरे-धीरे जटिल मॉडलों के एन्सेम्बल को इकट्ठा किया ताकि वे इन सूक्ष्मताओं को पकड़ सकें। दर्जनों विशेषज्ञ मॉडलों को समन्वित करना आवश्यक सटीकता प्राप्त करने के लिए आवश्यक हो गया, जो अंततः टीम को दृष्टिकोण को एक नए वास्तुकला ढांचे में औपचारिक बनाने के लिए प्रेरित किया।

वेल्मा 2.0 ने उस वास्तुकला को गेमिंग से परे बढ़ाया है। आज, यह मॉड्युलेट के उद्यम प्लेटफ़ॉर्म को शक्ति प्रदान करता है, जो उद्योगों में सैकड़ों मिलियन बातचीत का विश्लेषण करता है ताकि धोखाधड़ी, दुर्व्यवहार, ग्राहक असंतुष्टता, और असामान्य एआई गतिविधि की पहचान की जा सके।

फाउंडेशन मॉडल्स के लिए एक चुनौती

यह घोषणा ऐसे समय में आती है जब उद्यम अपनी एआई रणनीतियों का पुनः मूल्यांकन कर रहे हैं। बड़े पैमाने पर निवेश के बावजूद, एआई पहल का एक बड़ा प्रतिशत उत्पादन तक पहुंच नहीं पाता या स्थायी मूल्य प्रदान नहीं करता है। सामान्य बाधाएं हॉलुसिनेशन, बढ़ती अनुमान लागत, अपारदर्शी निर्णय लेने, और एआई अंतर्दृष्टि को संचालन प्रवाह में एकीकृत करने में कठिनाई हैं।

एन्सेम्बल लिस्टनिंग मॉडल्स इन मुद्दों का सीधे सामना करते हैं। एक बड़े मोनोलिथिक सिस्टम के बजाय कई छोटे, विशिष्ट मॉडल पर निर्भर करके, ईएलएम्स संचालित करने के लिए कम खर्चीले हैं, ऑडिट करने में आसान हैं, और अधिक व्याख्या योग्य हैं। प्रत्येक आउटपुट को विशिष्ट संकेतों के लिए वापस ट्रेस किया जा सकता है, जिससे संगठनों को यह समझने में मदद मिलती है कि एक निष्कर्ष क्यों पहुंचाया गया था।

यह स्तर की पारदर्शिता विशेष रूप से नियंत्रित या उच्च जोखिम वाले वातावरण में महत्वपूर्ण है जहां ब्लैक-बॉक्स निर्णय अस्वीकार्य हैं। मॉड्युलेट ईएलएम्स को बड़े भाषा मॉडल्स के प्रतिस्थापन के रूप में नहीं, बल्कि उद्यम-ग्रेड आवाज बुद्धिमत्ता के लिए एक अधिक उपयुक्त वास्तुकला के रूप में स्थिति देता है।

भाषण से परे

वेल्मा 2.0 की सबसे आगे की बात यह है कि यह कैसे कहा गया है, न कि क्या कहा गया है, इसका विश्लेषण करने में सक्षम है। इसमें सिंथेटिक या नकली आवाजों का पता लगाना शामिल है, जो आवाज पीढ़ी प्रौद्योगिकी अधिक सुलभ होती जा रही है।

जैसे-जैसे आवाज क्लोनिंग में सुधार होता है, उद्यमों को धोखाधड़ी, पहचान की नकल, और सामाजिक इंजीनियरिंग से संबंधित बढ़ते जोखिमों का सामना करना पड़ता है। अपने एन्सेम्बल में सिंथेटिक आवाज का पता लगाने को एम्बेड करके, वेल्मा 2.0 प्रामाणिकता को एक मूल संकेत के रूप में मानता है, न कि एक वैकल्पिक ऐड-ऑन के रूप में।

प्रणाली का व्यवहार मॉडलिंग भी सक्रिय अंतर्दृष्टि को सक्षम बनाता है। यह पहचान सकता है कि जब एक वक्ता एक स्क्रिप्ट से पढ़ रहा है, जब निराशा बढ़ रही है, या जब एक बातचीत संघर्ष की ओर बढ़ रही है। ये क्षमताएं संगठनों को पहले और अधिक प्रभावी ढंग से हस्तक्षेप करने की अनुमति देती हैं।

उद्यम एआई के लिए एक नया दिशा

मॉड्युलेट एन्सेम्बल लिस्टनिंग मॉडल को एक नए एआई आर्किटेक्चर श्रेणी के रूप में वर्णित करता है, जो पारंपरिक सिग्नल प्रोसेसिंग पाइपलाइनों और बड़े फाउंडेशन मॉडल्स दोनों से अलग है। अंतर्निहित अंतर्दृष्टि यह है कि जटिल मानव इंटरैक्शन को समन्वित विशेषज्ञता के माध्यम से बेहतर ढंग से समझा जाता है, बल्कि बलपूर्वक स्केलिंग के माध्यम से नहीं।

जैसे-जैसे उद्यमों को जवाबदेह, कुशल और वास्तविक संचालन आवश्यकताओं के साथ संरेखित एआई सिस्टम की मांग बढ़ती है, एन्सेम्बल लिस्टनिंग मॉडल्स एक भविष्य की ओर इशारा करते हैं जहां बुद्धिमत्ता कई केंद्रित घटकों से इकट्ठी की जाती है। वेल्मा 2.0 अब उत्पादन वातावरण में लाइव है, मॉड्युलेट इस वास्तुकला परिवर्तन को आवाज मॉडरेशन और ग्राहक सहायता से परे गूंथने पर दांव लगा रहा है।

एक उद्योग में जो बड़े ब्लैक बॉक्स के विकल्पों की तलाश में है, एन्सेम्बल लिस्टनिंग मॉडल्स सुझाव देते हैं कि एआई में अगली बड़ी प्रगति अधिक आक्रामक रूप से गणना करने के बजाय अधिक सावधानी से सुनने से आ सकती है।