वॉइस एआई तेजी से बढ़ रहा है – लेकिन क्या यह इतना व्यावहारिक है कि कोई प्रभाव डाल सके?

एआई वॉइस एजेंट का वैश्विक बाजार तेजी से बढ़ रहा है। प्रक्षेपित 2024 में 3.14 बिलियन डॉलर से बढ़कर 2034 तक 47.5 बिलियन डॉलर होने की उम्मीद है। अब यह कोई विशिष्ट तकनीक नहीं रह गई है, बल्कि अधिकांश प्रमुख तकनीकी कंपनियों (जिनमें Google, Amazon, Apple, Meta और Microsoft शामिल हैं) के पास अब वॉइस उत्पाद हैं, स्टार्टअप बाजार में नवाचार पेश कर रहे हैं, और ओपन-सोर्स मॉडल के साथ यह तकनीक तेजी से सुलभ होती जा रही है। Siri और Alexa जैसे रोजमर्रा के वर्चुअल असिस्टेंट से लेकर फिल्मों और टीवी में क्षेत्रीय डबिंग तक, वॉइस एआई को अपनाने का इससे बेहतर अवसर पहले कभी नहीं रहा।

लेकिन जैसे-जैसे वॉइस एआई की पहुंच व्यापक होती जा रही है, अनुभव अभी भी काफी असमान हैं। इसका कारण यह है कि वॉइस एआई का सबसे कठिन हिस्सा आवाज उत्पन्न करना नहीं है, बल्कि ऐसी आवाज उत्पन्न करना है जो रोजमर्रा की बातचीत में विश्वसनीय लगे। व्यापक उपलब्धता का यह अर्थ नहीं है कि ये एआई आवाजें उद्यमों की जरूरतों या दीर्घकालिक उपयोगकर्ता उपयोग के लिए पर्याप्त हैं। वास्तविक प्रतिस्पर्धा में वही लोग सफल होंगे जो वास्तविक परिस्थितियों में मानवीय, गतिशील और भावनात्मक रूप से जागरूक आवाजें प्रदान करेंगे।

अनकैनी वैली: "ठीक-ठाक" से काम नहीं चलता

उद्योग जगत में यह धारणा बढ़ती जा रही है कि मानवीय ध्वनि से मिलती-जुलती कृत्रिम आवाज़ हासिल करना व्यापक उपयोग के लिए "पर्याप्त" होगा, जिससे प्रतिस्पर्धा प्रभावी रूप से समाप्त हो जाएगी। उपयोगकर्ता थोड़ी-बहुत अस्वाभाविकता को सहन कर लेंगे क्योंकि उपयोगिता कमियों से कहीं अधिक है।

वास्तव में, यह धारणा इस बात को गलत समझती है कि लोग भाषण, भावना और प्रामाणिकता को कैसे समझते हैं। लगभग मानवीय आवाज़ें एक भ्रम पैदा करने की प्रवृत्ति रखती हैं। “अजीबोगरीब घाटी” यह प्रभाव उपयोगकर्ताओं को असहज कर देता है, खासकर ग्राहक सहायता, स्वास्थ्य सेवा संबंधी बातचीत या यात्रा योजना के दौरान, जहां भावनाएं तीव्र हो सकती हैं और यह महसूस करना कि उन्हें समझा जा रहा है, अत्यंत महत्वपूर्ण होता है। जैसे-जैसे एआई आवाजों का उपयोग बढ़ता जा रहा है, साधारणता के प्रति सहनशीलता कम होती जा रही है।

वास्तव में, अनुसंधान मानव-मशीन अंतःक्रिया पर किए गए अध्ययनों से लगातार यह पता चलता है कि जब कोई आवाज होती है लगभग हालांकि आवाज इंसानों जैसी लगती है, लेकिन उसमें भावनात्मक या लयबद्ध तालमेल की कमी होती है, जिससे उपयोगकर्ता सहज रूप से समझ जाते हैं कि कुछ गड़बड़ है। उदाहरण के लिए, कुछ कंपनियां जहां एआई रिसेप्शनिस्ट हैं, वे बताती हैं कि उपयोगकर्ता बातचीत को अजीब या असहज बताते हैं क्योंकि आवाज में लयबद्ध या भावनात्मक तालमेल की सूक्ष्म विसंगतियां होती हैं जो सही नहीं लगतीं। ग्राहक-केंद्रित वातावरण में, थोड़ी सी भी अनबन या असुविधा जल्दी ही वास्तविक असंतोष और अंततः सेवा छोड़ने का कारण बन सकती है।

व्यवसायिक उद्देश्यों के लिए "काफी अच्छा" वाली सोच से बाहर निकलना तेजी से महत्वपूर्ण होता जा रहा है। अनुमान है कि एआई लगभग 50% तक  2027 तक ग्राहक सेवा मामलों में से, फिर भी नकारात्मक स्वचालित अंतःक्रियाएँ इससे ब्रांड की छवि को सीधा नुकसान पहुंच सकता है। चैटबॉट के साथ खराब बातचीत और उसके बाद खराब या अप्राकृतिक आवाज का अनुभव होने से गहरी निराशा पैदा हो सकती है और यह संकेत मिल सकता है कि वास्तविक मदद पाने का कोई विश्वसनीय रास्ता नहीं है।

जैसे-जैसे उपभोक्ता एआई आवाजों के साथ अधिकाधिक बातचीत करते हैं, रोबोटिक या अटपटी बातचीत के प्रति सहनशीलता कम होती जाती है, और उपयोगकर्ता जल्दी ही इससे अलग हो जाएंगे, जिससे ऐसे उपकरणों पर निर्भर कंपनियों के लिए गंभीर व्यावसायिक परिणाम उत्पन्न होंगे।

सच्चा यथार्थवाद

वॉइस एआई में, मानवीय स्तर की यथार्थता का अर्थ केवल उच्चारण की सटीकता या रोबोटिक ध्वनि को दूर करना ही नहीं है। इसके लिए भावना, संदर्भ, सांस्कृतिक बारीकियां, समय और अन्य सूक्ष्म कारकों का बहुआयामी संयोजन भी आवश्यक है। इसलिए, असली चुनौती उन परतों को विश्लेषित करने, समझने और अंततः दोहराने में निहित है जो मानवीय संचार को आकार देती हैं, जैसे कि:

भावनात्मक विस्तार और प्रामाणिकता

मानव आवाजों की सुंदरता उनकी उस क्षमता में निहित है जिसके द्वारा वे शब्दों के साथ-साथ गर्माहट, तात्कालिकता, हास्य, निराशा, उत्साह और अनगिनत अन्य भावनाओं को व्यक्त कर सकती हैं। भावनाओं की यह सूक्ष्मता सीधे तौर पर प्रभावित करती है कि कोई व्यक्ति खुद को समझा हुआ महसूस करता है या उपेक्षित, आश्वस्त महसूस करता है या चिढ़ जाता है।

उदाहरण के लिए, कल्पना कीजिए कि एक एआई सपोर्ट एजेंट किसी परेशान ग्राहक से बात कर रहा है। बॉट कह सकता है, "मैं पूरी तरह समझता हूँ कि यह कितना निराशाजनक होगा। चलिए देखते हैं कि हम इसे कैसे ठीक कर सकते हैं।" जब ये शब्द सहानुभूतिपूर्ण ढंग से बोले जाते हैं, तो इससे कॉलर का तनाव कम हो सकता है और समस्या के वास्तविक समाधान का संकेत मिलता है। वहीं, इन्हीं शब्दों को नीरस या अप्राकृतिक आवाज़ में बोलने से विपरीत प्रतिक्रिया हो सकती है।

प्रासंगिक बुद्धि

मनुष्य सहज रूप से परिस्थितिजन्य तात्कालिकता, श्रोता की भावनात्मक स्थिति, सूचना की जटिलता और सामाजिक संदर्भ के आधार पर अपने भाषण को समायोजित करते हैं। आज की कृत्रिम बुद्धिमत्ता (AI) की आवाज़ें एकसमान ढंग से वाक्य बोलती हैं, जिससे वे प्रासंगिक संकेत छूट जाते हैं जो भाषण को प्रतिक्रियाशील और जीवंत बनाते हैं। यथार्थवादी भाषण के लिए न केवल शब्दों को समझना आवश्यक है, बल्कि यह भी समझना आवश्यक है कि वे क्यों बोले जा रहे हैं और उन्हें बोलने वाले व्यक्ति की मानसिकता क्या है।

ऑडियो में सूक्ष्म अभिव्यक्तियाँ

स्वाभाविक भाषण में सांस लेना, रुकना, झिझकना और अनियमित गति जैसी सूक्ष्म खामियां शामिल होती हैं। यही मुख्य कारण है कि त्रुटिहीन, निर्बाध कृत्रिम भाषण स्वाभाविक रूप से कम मानवीय लगता है। दुर्भाग्य से, इन संकेतों को विश्वसनीय रूप से दोहराना तकनीकी रूप से चुनौतीपूर्ण बना हुआ है।

सांस्कृतिक और भाषाई बारीकियां

उच्चारण को दोहराने के साथ-साथ, प्रामाणिक क्षेत्रीय संचार विभिन्न संस्कृतियों की गति, स्वर, मुहावरों, औपचारिकता के स्तर और संचार शैलियों की समझ पर निर्भर करता है। उदाहरण के लिए, एक संस्कृति में मित्रता और उत्साह का संकेत देने वाला बढ़ता स्वर पैटर्न दूसरी संस्कृति में अनिश्चितता या प्रश्नवाचक के रूप में समझा जा सकता है, जिससे इरादे या भावना के बारे में उपयोगकर्ता की धारणा बदल सकती है।

एआई मॉडल में इन सूक्ष्म स्वर-विवरणों को शामिल किए बिना, तकनीकी रूप से सटीक आवाजें भी विभिन्न सांस्कृतिक पृष्ठभूमि के उपयोगकर्ताओं के लिए अनुपयुक्त या भ्रामक लग सकती हैं। वास्तविक यथार्थता के लिए किसी भी उपयोगकर्ता की अपेक्षाओं के आधार पर स्वर और शैली को अनुकूलित करने की क्षमता आवश्यक है।

इन सभी सूक्ष्म, लेकिन महत्वपूर्ण कारकों को ध्यान में रखते हुए, यह स्पष्ट हो जाता है कि एआई आवाजों को न केवल ध्वनि एक इंसान की तरह लेकिन साथ ही प्रतिक्रिया वास्तविक समय में, ठीक वैसे ही जैसे कोई इंसान करता है। इसीलिए, किसी AI की आवाज़ कितनी मानवीय लगती है, इसका मूल्यांकन करने में लेटेंसी एक महत्वपूर्ण तत्व है। स्वाभाविक बातचीत में, मनुष्य औसतन अंतराल पर बारी-बारी से बोलते हैं। 250 मिसेइससे अधिक समय होने पर बातचीत धीमी, असावधान या भ्रमित सी लगने लगती है। एक विचारपूर्ण विराम और तकनीकी विलंब के बीच का मामूली अंतर ही स्वाभाविक बातचीत के भ्रम को भंग कर सकता है और आवाज को कम ध्यान देने योग्य बना सकता है।

क्यों इस मामले

आगे चलकर, बाजार अनिवार्य रूप से उन कंपनियों को प्राथमिकता देगा जो यथार्थवाद और वास्तविक समय में प्रतिक्रिया देने की क्षमता दोनों प्रदान कर सकती हैं।

एआई एजेंटों और सहायकों के लिए, उपयोगकर्ताओं द्वारा इन्हें अपनाना और इनका निरंतर उपयोग करना इस बात पर निर्भर करता है कि लोग वास्तव में इस तकनीक के साथ बातचीत करना चाहते हैं या नहीं। किसी टूल को लोग एक बार आजमाते हैं और किसी टूल पर वे हर दिन निर्भर रहते हैं, इन दोनों के बीच का अंतर संवादात्मक अनुभव की गुणवत्ता है।

मनोरंजन उद्योग में, दर्शकों की रुचि और जुड़ाव इस बात पर निर्भर करता है कि सामग्री कितनी विश्वसनीय है, और एक भी अस्वाभाविक वाक्य दर्शकों की रुचि को भंग कर सकता है। डबिंग या चरित्र अभिनय में उपयोग की जाने वाली कृत्रिम आवाज़ों को भावनात्मक प्रभाव बनाए रखने के लिए कथा में पूरी तरह से एकीकृत होना चाहिए।

ग्राहक सहायता में विश्वास और सहानुभूति सर्वोपरि हैं, खासकर जब ग्राहकों के साथ कई बातचीत निराशा या भ्रम की स्थिति में होती है। कठोर या भावनात्मक रूप से उदासीन आवाज स्थिति को सुलझाने के बजाय और बिगाड़ सकती है। उपयोगकर्ता ऐसी आवाज की अपेक्षा करते हैं जो चिंता, धैर्य या आश्वासन को दर्शाती हो, न कि केवल रटे-रटाए जवाब।

अगला क्या हे

वॉइस एआई की दौड़ में वही कंपनियां सफल होंगी जो भावनात्मक बारीकियों में महारत हासिल करेंगी, सांस्कृतिक और प्रासंगिक विविधता को समझेंगी, तुरंत और सहजता से प्रतिक्रिया देंगी और ऐसा अनुभव प्रदान करेंगी जो किसी इंसान से बात करने से अलग न हो।

ऐसे बाज़ार में जहाँ कोई भी कृत्रिम आवाज़ बना सकता है और उपयोगकर्ताओं की अपेक्षाएँ भी लगातार बदलती रहती हैं, "ठीक-ठाक" होना जल्द ही नाकाफ़ी हो जाएगा। प्रतिस्पर्धा में बने रहने का एकमात्र तरीका कृत्रिम आवाज़ें बनाना होगा जिन्हें लोग आसानी से भूल जाएँ कि वे कृत्रिम हैं।