वॉइस वर्तमान में एआई के साथ संवाद करने का सबसे खराब तरीका है

नई रिसर्च से पता चलता है कि साइंस फिक्शन के सबसे लोकप्रिय रूप से चित्रित एआई के साथ इंटरफेस करने का तरीका वास्तव में बुरी तरह से टाइप किए गए प्रॉम्प्ट्स की तुलना में भी बदतर परिणाम उत्पन्न कर सकता है।

एचएएल से लेकर डीप थॉट तक, सी3पी0 से लेकर वॉल-ई तक, मानव/एआई संबंधों का आदर्श रूप हमेशा वॉइस-कंट्रोल के इर्द-गिर्द केंद्रित रहा है; और यह वास्तविक दुनिया में भी प्रकट हुआ है, शुरुआती सहायक प्रणालियों जैसे सिरी और एलेक्सा से लेकर वर्तमान फ्रंटियर एलएलएम के साथ भाषा-आधारित प्रश्न और संवाद तक।

यह विचार कम स्वतंत्र युगों के दौरान उत्पन्न हुआ, जहां – लेखकों और पत्रकारों को छोड़कर – टाइप करने का कार्य ‘अर्ध-कुशल श्रम’ माना जाता था, और यह कार्य लगभग विशेष रूप से महिलाओं द्वारा किया जाता था – जिन महिलाओं ने स्वयं अक्सर सामग्री की उत्पत्ति नहीं की थी जो वे टाइप कर रही थीं।

शक्ति और एजेंसी को बैठकों और शिखर सम्मेलनों के माध्यम से संकेत दिया गया था; इसलिए, जटिल भाषा बुद्धिमत्ता को दर्शाती है, यह स्वाभाविक था कि बोली हुई शब्द एआई का प्राकृतिक माध्यम बन जाएगा।

इसके अलावा अन्य विचारों के, पाठकीय आदान-प्रदान टीवी और फिल्मों के लिए अच्छी तरह से अनुकूल नहीं थे; यहां तक कि साहसी एसएफ थ्रिलर जैसे कोलोसस: द फोर्बिन प्रोजेक्ट (1970), जिसमें एक कंप्यूटर को मानव वोकल कमांड के जवाब में लिखित-पाठ में प्रतिक्रिया देने का चित्रण किया गया था, जल्द ही पूरी तरह से मौखिक प्रतिक्रियाओं में बदल गया:

एक दृश्य ‘कोलोसस: द फोर्बिन प्रोजेक्ट’ (1970) से, जिसमें एक विशाल सुपरकंप्यूटर को दिखाया गया है जो जल्दी से पाठ-आधारित भाषा की सीमाओं को पार कर जाता है और चालू होने के तुरंत बाद मौखिक और दमनकारी हो जाता है। स्रोत: यूनिवर्सल पिक्चर्स

टाइप या बात करें?

हालांकि दुनिया के अग्रणी एआई मॉडल उपयोगकर्ताओं के लिए मूल ऑडियो इंटरफेस प्रदान करते हैं, अमेरिका से एक नए शोध ने निष्कर्ष निकाला है कि एआई से बात करना आपको जो परिणाम चाहिए हो सकता है सबसे कम प्रभावी तरीका है – खासकर यदि आप महत्वपूर्ण रूप से आउटपुट की अपेक्षा कर रहे हैं, जैसे कि आपके प्रश्न के उत्तर में कोड।

लेख के अनुसार, बोलने से एलएलएम जैसे चैटजीपीटी या जेमिनी के साथ बात करने से टाइप किए गए प्रॉम्प्ट या प्रश्न की तुलना में भी बदतर परिणाम मिलते हैं, यहां तक कि जब टाइप किए गए प्रॉम्प्ट में सामान्य त्रुटियां होती हैं।

इसका कारण यह है कि बोली हुई इनपुट अधिक संभावना है कि ट्रांसक्रिप्शन सिस्टम द्वारा पुनर्गठित किया जाएगा, जो मॉडल पर निर्भर करता है उस जानकारी को हटा देता है। यह इसलिए होता है क्योंकि ऑडियो से ट्रांसक्रिप्शन में ‘erm’ और ‘like’ जैसी अस्पष्टताओं को हटाना होता है, साथ ही साथ गलत शुरुआत (यानी, ‘शुरू करने’) की प्रवृत्ति को नेविगेट करना होता है, साथ ही साथ व्याकरण और ‘अनौपचारिक’ निर्माण (यानी, वाक्य जो नए वाक्य में बदल जाते हैं) की अस्पष्टताओं को नेविगेट करना होता है।

लेखक कहते हैं:

‘बोलना अब एक प्राथमिक मार्ग है जो एक भाषा मॉडल में प्रवेश करता है, न कि एक निश्चित मार्ग। कोडिंग एजेंट जैसे क्लॉड कोड और कोडेक्स डिक्टेटेड निर्देश स्वीकार करते हैं। फोन सहायक जैसे गूगल असिस्टेंट और सिरी एक बोले हुए अनुरोध को एलएलएम बैकएंड में रूट करते हैं। डिक्टेशन फ्रंट-एंड्स जैसे टाइपलेस एक और एलएलएम-पावर्ड लेयर जोड़ते हैं जो उपयोगकर्ता के बोले हुए अनुरोध को साफ और पुनर्गठित करता है इससे पहले कि यह मॉडल में भेजा जाए। ‘

‘प्रत्येक मामले में, मॉडल एक ट्रांसक्रिप्ट प्राप्त करता है, और प्रत्येक मामले में, स्पीकर यह सुनिश्चित नहीं कर सकता है कि ट्रांसक्रिप्शन पाइपलाइन क्या छोड़ देती है या पुनर्लिखित करती है, यही मॉडल को जवाब देने के लिए मिलता है।’

यह किसी भी पूर्वाग्रह को दूर करता है कि टाइप किए गए इनपुट को मूल रूप से श्रेष्ठ माना जाता है; यह किसी भी意义 में मूल नहीं है, क्योंकि यह हमेशा या तो गुप्त रूप से या खुले तौर पर कुछ हद तक पुनर्लिखित किया जाता है trước प्रसारण के लिए एआई में, और ब) पाठ लैटेंट स्पेस में केवल एक घटक है जो एक उत्तर लौटा रहा है।

अध्ययन के प्रयोगों से पता चला कि सामान्य टाइपिंग त्रुटियों का प्रदर्शन पर केवल एक मामूली प्रभाव था, जबकि संवादात्मक भाषण, साफ किए हुए ट्रांसक्रिप्ट, और विशेष रूप से एआई-संकुचित ट्रांसक्रिप्ट, लगातार तर्क और कोड-जेनरेशन कार्यों में सटीकता में बहुत बड़ी गिरावट का कारण बने।

नई कार्य का शीर्षक क्या हमें एलएलएम एजेंटों के साथ टाइप करना चाहिए या बात करनी चाहिए? वॉइस और कीबोर्ड इनपुट परिवर्तनों का एक व्यापक अध्ययन है, और यह सांता मोनिका कॉलेज और दक्षिणी कैलिफोर्निया विश्वविद्यालय के चार लेखकों से है।

(नोट: इस विशेष अध्ययन में ‘विधि’ और ‘परीक्षण/परिणाम’ को एक तरह से जोड़ा गया है जिसे मैं आसानी से अपने सामान्य विश्लेषण के क्रम में नहीं तोड़ सकता। इसलिए मुझे मजबूर होना पड़ा कि मैं इसे भारी हाथ से संपीड़ित और चुनना होगा।)

विधि

एक ‘परिवर्तन सूट’ जिसे ह्यूमन इनपुट वेरिएशन इंजन (एचआईवी) कहा जाता है, लेखकों द्वारा विकसित किया गया था, ताकि यह देखा जा सके कि जब लोग या तो क्यूबोर्ड पर प्रॉम्प्ट टाइप करते हैं या उन्हें वॉइस-ट्रांसक्रिप्शन सिस्टम के माध्यम से बोलते हैं, तो किस प्रकार की त्रुटियां उत्पन्न होती हैं:

<img class=" wp-image-451392" src="https://arxiv.org/pdf/2608.03970" alt="मानव इनपुट वेरिएशन इंजन (एचआईवी) का एक आरेख। एक उपयोगकर्ता का प्रॉम्प्ट वॉइस, क्यूबोर्ड या सीधे कॉपी-पेस्ट के माध्यम से भाषा मॉडल तक पहुंचता है, जिसमें बाद वाला 'साफ' संदर्भ के रूप में कार्य करता है। रंग इनपुट चैनल को पहचानता है, न कि कार्यान्वयन विधि को, जिसमें वॉइस ऑपरेटर फ्यू-शॉट एलएलएम शैली के हस्तांतरण और निर्धारित नियमों को जोड़ते हैं, जबकि कीबोर्ड ऑपरेटर पूरी तरह से निर्धारित नियमों पर निर्भर करते हैं। दायीं पैनल दिखाता है कि मॉडल कितने सारे उत्तर दे सकता है जब इनपुट खराब हो। स्रोत – https://www.unite.ai/wp-content/uploads/2026/08/figure-1.jpg

एचआईवी तीन मार्गों को मॉडल करता है जिनके द्वारा प्रॉम्प्ट भाषा मॉडल तक पहुंचते हैं: वॉइस के माध्यम से; क्यूबोर्ड के माध्यम से; या सीधे कॉपी-पेस्ट के माध्यम से – जिसमें बाद वाला संदर्भ के रूप में कार्य करता है। दो अतिरिक्त ऑपरेटर प्रयोगात्मक नियंत्रण के रूप में कार्य करते हैं, जो प्रश्न और उसके संदर्भ को पुनर्व्यवस्थित करते हैं या बहु-विकल्प उत्तर विकल्पों को परमुत्तते हैं।

प्रतिबंध ऑपरेटर स्वयं निर्धारित नियमों या फ्यू-शॉट एलएलएम शैली के हस्तांतरण के माध्यम से लागू किए जाते हैं क्यूवेन2.5-7बी का उपयोग करके। यह दोनों इनपुट विधियों को नियंत्रित और सीधे तुलनीय परिस्थितियों में मूल्यांकन करने की अनुमति देता है।

परीक्षण स्थितियां और परिणाम

प्रयोग लामा-3.1-8बी; क्यूवेन2.5-7बी; क्यूवेन3-8बी; मिस्ट्रल-7बी-वी0.3; और फाई-4, पांच बीज का उपयोग करके। छह बेंचमार्क जो उपयोग किए गए थे जीएसएम8के; जीएसएम-सимвोलिक; जीएसएम1के; ह्यूमनइवल; एमएमएलयू-प्रो स्टेम; और सत्यनिष्ठक्यू एमसी1 थे।

प्रत्येक बेंचमार्क के लिए 200 आइटम का उपयोग किया गया था, और ह्यूमनइवल सेट के लिए 164 आइटम का उपयोग किया गया था। ग्रीडी डिकोडिंग (प्रत्येक समय सबसे संभावित अगले टोकन का चयन) का उपयोग किया गया था, ताकि प्रत्येक परिवर्तित प्रॉम्प्ट की तुलना उसी मॉडल रन में अपने साफ-सुथरे समकक्ष के साथ की जा सके, जिससे 550,000 स्कोर किए गए उत्तर प्राप्त हुए सeventeen प्रॉम्प्ट परिवर्तन और दो नियंत्रण परीक्षण (तुलना परीक्षण जो विशिष्ट प्रभावों को अलग करने के लिए उपयोग किए जाते हैं) के साथ।

यह सुनिश्चित करने के लिए कदम उठाए गए थे कि परीक्षण-सेट दूषण (मॉडल को प्रशिक्षण के दौरान देखे गए डेटा के साथ ओवरलैप) नहीं हुआ था:

अध्ययन में उपयोग किए गए पूरे परिवर्तन सूट को दिखाता है, जो दिखाता है कि स्वच्छ प्रॉम्प्ट के खिलाफ सटीकता में परिवर्तन होता है वॉइस ट्रांसक्रिप्शन परिवर्तन, क्यूबोर्ड त्रुटियों और नियंत्रण परीक्षणों के माध्यम से। पहली पंक्ति स्वच्छ बेसलाइन सटीकता देती है, जबकि बाद की पंक्तियां प्रतिशत-बिंदु परिवर्तन दिखाती हैं। लाल सबसे हानिकारक ऑपरेटर को प्रत्येक ब्लॉक और कॉलम में चिह्नित करता है, नीला कम से कम हानिकारक को चिह्नित करता है।

अध्ययन का सबसे स्पष्ट परिणाम यह है कि वॉइस इनपुट मुख्य परीक्षण स्थितियों में कीबोर्ड इनपुट की तुलना में अधिक हानिकारक था, जिसमें भाषण-आधारित परिवर्तन मॉडल की सटीकता को लगभग तीन गुना अधिक कम कर दिया गया था। सबसे खराब परिणाम तब मिले जब बोले गए अनुरोधों को स्वचालित रूप से पुनर्लिखित किया गया ताकि वे साफ और अधिक संक्षिप्त लगें, क्योंकि उस साफ-सफाई ने अक्सर मॉडल द्वारा प्राप्त अनुरोध की संरचना को बदल दिया।

यह महत्वपूर्ण है, क्योंकि वॉइस के लिए कमजोर परिणाम मुख्य रूप से स्पष्ट भाषण ‘मलबे’ के कारण नहीं थे: हालांकि फिलर जैसे ‘um’ और ‘like’ को साफ लिखित प्रॉम्प्ट में जोड़ने से सटीकता कम हो गई, लेकिन बोले हुए ट्रांसक्रिप्ट से फिलर को हटाने से प्रदर्शन को पुनर्स्थापित नहीं किया गया।

स्व-संरक्षण

इसलिए, बड़ी समस्या बोले हुए प्रॉम्प्ट को मॉडल तक पहुंचने से पहले पुनर्गठित करने की थी।

अध्ययन के लिए एक केंद्रीय प्रश्न यह था कि क्या मॉडल अभी भी मूल प्रॉम्प्ट से पर्याप्त जानकारी प्राप्त करता है ताकि उपयोगकर्ता के इरादे का पुनर्निर्माण किया जा सके; टाइपिंग त्रुटियां अक्सर शब्द की ‘सतह’ को नुकसान पहुंचाती हैं बिना इसे पूरी तरह से हटाए, ताकि आसपास का संदर्भ मॉडल को यह अनुमान लगाने में मदद कर सके कि क्या मतलब था।

इसके विपरीत, एक ‘साफ’ वॉइस ट्रांसक्रिप्ट उपयोगकर्ता की मूल वाक्य रचना को एक छोटी और चिकनी संस्करण में बदल सकती है जो अब उन तथ्यों के बीच समान संबंधों को संरक्षित नहीं करती है.

यही कारण है कि कीबोर्ड त्रुटियां अक्सर कम हानिकारक थीं: शोधकर्ताओं ने पाया कि ट्रांसपोज्ड अक्षर, डुप्लिकेट अक्षर, मिस्ड स्पेस और निकट-कुंजी त्रुटियां आमतौर पर मूल शब्द को बहुत कुछ पुनर्प्राप्त करने योग्य छोड़ देती हैं, जबकि भाषण साफ-सफाई अक्सर मॉडल के व्याख्या करने से पहले ही जानकारी को हटा देती है या पुनर्व्यवस्थित कर देती है।

अनुवाद में खोया हुआ

एक उदाहरण जिसमें एक संदर्भ इन प्रवासों पर परिवर्तन से खो सकता है उपयोगकर्ता से एलएलएम तक, जो कि पेपर में शामिल है, वह है जहां वाक्यांश ‘उसने अपने बच्चों को समान मात्रा [किताबें] दी’ का अर्थ है पैसे (न कि किताबों का) के रूप में व्याख्या किया गया था। इस मामले में, ‘मात्रा’ शब्द अपने संदर्भ से अलग हो गया था और गलती से अपने सबसे सामान्य संबंध (पैसे) से जुड़ गया था:

प्रत्येक इनपुट परिवर्तन के बाद मूल प्रश्न का कितना हिस्सा बचा है। बड़े बिंदु व्यक्तिगत परिवर्तन प्रकार दिखाते हैं, जबकि छोटे बिंदु एक ही कीबोर्ड त्रुटियों के मजबूत संस्करण दिखाते हैं।

यह प्रभाव तब सबसे मजबूत था जब मॉडल को प्रॉम्प्ट से उत्तर बनाना था, न कि पहले से ही दिए गए विकल्पों में से चुनना था: गणित और कोड-जेनरेशन कार्यों को अधिक नुकसान हुआ क्योंकि वे मूल अनुरोध में सटीक संबंधों को बनाए रखने पर निर्भर करते थे, जबकि बहुविकल्पी परीक्षण इस प्रकार के नुकसान के लिए कम असुरक्षित थे।

लेखक निष्कर्ष निकालते हैं:

‘हम पाते हैं कि बोलना महंगा चैनल है, जो नुकसान की लागत है कि यह प्रश्न के मूल टोकनाइजेशन को कितना नष्ट कर देता है, और न ही परीक्षण-सेट दूषण और न ही हल्के अनुकूलन नुकसान के लिए खाता है या इसकी मरम्मत करता है। ‘

‘कई निष्कर्ष इसका पालन करते हैं। यदि आप टाइप करते हैं, तो एक तर्क मॉडल आपकी त्रुटियों को अवशोषित करता है। यदि आप निर्देश देते हैं, तो यह नहीं करता है, इसलिए जो वाक्यांश आप बोलते हैं वह मॉडल के साथ काम करने वाला वाक्यांश है। ‘

‘और यदि आप डिक्टेशन टूल बनाते हैं, तो उपयोगकर्ता द्वारा कही गई बात को पुनर्गठित या पुनर्व्यवस्थित न करें: अस्पष्टता को न्यूनतम रूप से हटाएं और समानार्थी शब्दों को अकेला छोड़ दें। ‘

‘यह सबसे ज्यादा मायने रखता है, क्योंकि डिक्टेशन फ्रंट-एंड्स मॉडल तक पहुंचने का एक डिफ़ॉल्ट तरीका बन रहे हैं और उनकी पुनर्लेखन परत हमारे द्वारा मापी गई सबसे बड़ी क्षति है।’

निष्कर्ष

जिस किसी ने भी कभी मैनुअल रूप से एक साक्षात्कार को ट्रांसक्राइब करना पड़ा है (पूर्व-एआई युग में एक सामान्य और एकांत पत्रकारिता की दुर्भाग्यता), वह जानता है कि यह कितना व्याख्यात्मक प्रक्रिया हो सकती है, जब तक कि साक्षात्कारकर्ता असाधारण रूप से स्पष्टवादी न हो या – जैसा कि अक्सर होता है – बस अपनी सामान्य रोस्टर की कहानियों को एक यांत्रिक तरीके से दोहरा रहा हो।

इसके अलावा विशेष मामलों के अलावा, जब हम लोगों से बात करते हैं, तो हम स्वचालित रूप से अस्पष्टताओं को छोड़ देते हैं और अर्थ की गणना करते हैं। यह अनिवार्य रूप से उपयोगी ट्रांसक्रिप्शन को एक व्याख्यात्मक कार्य बना देता है, जो एक साहित्यिक, वाउल-परिपूर्ण ट्रांस्लिटरेशन की तुलना में बोलने वाले के इरादों का बेहतर प्रतिनिधित्व करता है; और यह देखना दिलचस्प है कि एआई के लिए ऑडियो ब्रिज भी मौखिक और पाठ समकक्षों के रूप में एक ही अर्थ प्राप्त करने या प्राप्त करने के लिए संघर्ष करते हैं।

यह उम्मीद करना तर्कसंगत है कि बाद के फ्रेमवर्क आगे के अध्ययन और (आशा है कि) जनसंख्या डेटासेट से लाभान्वित होंगे जो नए कार्य में रेखांकित अंतराल को पाटने में मदद करेंगे। जब तक वह समय नहीं आता, नए अध्ययन से पता चलता है कि एआई के साथ वॉइस संचार अधिक उपयुक्त हो सकता है उपभोक्ता-स्तर के ‘सहायक’ प्रणालियों द्वारा प्रतिबिम्बित लघु कमांड के प्रकार के लिए।

पहली बार बुधवार, 12 अगस्त, 2026 को प्रकाशित हुआ