Deepgram เปิดตัว Flux Multilingual เพื่อขับเคลื่อนรุ่นต่อไปของ Global Voice AI

Deepgram ได้เปิดตัว Flux Multilingual ซึ่งเป็นการขยายความสามารถของแพลตฟอร์มการรู้จำสนทนาที่สามารถเข้าใจภาษาได้หลายภาษา ซึ่งสามารถเปลี่ยนแปลงวิธีการที่บริษัทต่างๆ ติดตั้งระบบเสียงทั่วโลกได้อย่างมาก รุ่นใหม่นี้สามารถเข้าใจภาษาได้หลายภาษาในแบบเรียลไทม์ โดยไม่ต้องใช้ระบบที่ซับซ้อนในการรวมการถอดเสียง การตรวจจับภาษา และการกำหนดเส้นทาง

ที่核心ของ Flux Multilingual คือการเปลี่ยนแปลงจากการรู้จำเสียงอัตโนมัติ (ASR) ที่เน้นการถอดเสียงเป็นข้อความ ไปสู่การรู้จำสนทนา (CSR) ที่สามารถเข้าใจว่าสนทนาเกิดขึ้นได้อย่างไร โดยจัดการการเปลี่ยนผู้พูด การขัดจังหวะ และการกำหนดเวลาในแบบเรียลไทม์

จากการถอดเสียงเป็นการสนทนา

ในช่วงหลายปีที่ผ่านมา ระบบ AI ที่เกี่ยวข้องกับเสียงได้รับการออกแบบให้เข้าใจการสนทนาเป็นกระแสของคำ แต่วิธีนี้ไม่เพียงพอสำหรับการสนทนาแบบเรียลไทม์ где การกำหนดเวลา ความตั้งใจ และการขัดจังหวะมีบทบาทสำคัญ

Flux นำเสนอวิธีการใหม่โดยการรวมการถอดเสียงกับการรู้จำสนทนา แทนที่จะใช้การตรวจจับเสียงเงียบเพื่อกำหนดว่าผู้พูดได้พูดจบแล้วหรือยัง รุ่นนี้ใช้สัญญาณบริบทเพื่อกำหนดว่าความคิดหนึ่งๆ ได้เสร็จสิ้นแล้ว ซึ่งสามารถตอบสนองได้ภายในเวลาไม่กี่ร้อยมิลลิวินาที

ความก้าวหน้านี้มีความสำคัญอย่างยิ่งสำหรับการใช้งานจริง เช่น การสนับสนุนลูกค้า ซึ่งความล่าช้าหรือการตอบสนองที่ไม่เหมาะสมสามารถทำให้ประสบการณ์ผู้ใช้เสียหายได้ โดยการฝังการตรวจจับการเปลี่ยนผู้พูดเข้าไปในโมเดลโดยตรง Deepgram สามารถกำจัดความจำเป็นในการใช้ระบบแยกและลดความซับซ้อนโดยรวม

หนึ่งรุ่น สิบภาษา การติดตั้งที่ง่ายขึ้น

Flux Multilingual รองรับภาษาได้สิบภาษา รวมถึงภาษาอังกฤษ สเปน ฝรั่งเศส เยอรมัน ฮินดี รัสเซีย โปรตุเกส ญี่ปุ่น อิตาลี และดัตช์ ทั้งหมดอยู่ในโมเดลเดียว

ข้อได้เปรียบหลักคือความสามารถในการเปลี่ยนภาษาได้อย่างมีประสิทธิภาพระหว่างการสนทนา ซึ่งสะท้อนถึงวิธีการพูดภาษาหลายภาษาในสถานการณ์จริง ระบบเดิมๆ มักต้องการการกำหนดภาษาที่เข้มงวดหรือการกำหนดเส้นทางด้วยตนเอง ซึ่งสามารถทำให้เกิดข้อผิดพลาดและความล่าช้าได้ ในทางกลับกัน Flux สามารถรักษาความแม่นยำได้แม้ว่าผู้พูดจะเปลี่ยนภาษาในช่วงกลางประโยค

สำหรับนักพัฒนา สิ่งนี้กำจัดอุปสรรคหลักออกไป แทนที่จะสร้างระบบแยกสำหรับแต่ละภาษา ทีมสามารถพึ่งพา API เดียวเพื่อจัดการการตรวจจับ การถอดเสียง และการไหลของการสนทนา

โครงสร้างพื้นฐานเบื้องหลังการเติบโตของ AI เสียง

Deepgram ได้กำหนดตำแหน่งของตัวเองเป็นชั้นหลักในระบบนิเวศ AI เสียงที่กำลังเติบโต แพลตฟอร์มของบริษัทรวมการรู้จำเสียงเป็นข้อความ (STT) การแปลงข้อความเป็นเสียง (TTS) และการรู้จำเสียงเป็นเสียง (STS) เข้าด้วยกัน ทำให้นักพัฒนาสามารถสร้างแอปพลิเคชันเสียงแบบเรียลไทม์โดยไม่ต้องอาศัยผู้ให้บริการหลายราย

บริษัทได้รับการยอมรับอย่างกว้างขวาง โดยมีนักพัฒนามากกว่าหลายแสนคนและองค์กรมากกว่าหนึ่งพันแห่งที่ใช้เทคโนโลยีของ Deepgram ในอุตสาหกรรมต่างๆ เช่น การดูแลสุขภาพ การเงิน และการบริการลูกค้า

เบื้องหลังการทำงานของ Deepgram คือโมเดลที่ได้รับการฝึกฝนจากชุดข้อมูลเสียงขนาดใหญ่ ทำให้สามารถจัดการกับเสียงพื้นหลังและเสียงที่ทับซ้อนกันได้

ทำไมสิ่งนี้จึงมีความสำคัญในขณะนี้

อินเทอร์เฟซเสียงกำลังกลายเป็นวิธีการมาตรฐานสำหรับผู้ใช้ในการโต้ตอบกับเทคโนโลยี องค์กรต่างๆ กำลังใช้ AI เพื่อสนับสนุนลูกค้า การขาย และการทำงานภายใน โดยที่การสนทนาที่เป็นธรรมชาติเป็นสิ่งจำเป็น

การขยายระบบเหล่านี้ไปสู่หลายภาษาเป็นเรื่องที่ท้าทาย การติดตั้งหลายภาษามักต้องการการรวมโมเดลหลายรุ่น ซึ่งทำให้เกิดความล่าช้า ความแม่นยำลดลง และความซับซ้อนของระบบเพิ่มขึ้น Flux Multilingual จัดการกับความท้าทายนี้โดยการรวมทุกอย่างเข้าด้วยกันในโมเดลเดียว

สิ่งนี้สะท้อนถึงการเปลี่ยนแปลงที่กว้างขึ้นไปสู่ระบบ AI ที่รวมเข้าด้วยกัน ซึ่งลดภาระทางวิศวกรรมลง เมื่อ AI เสียงกลายเป็นส่วนหนึ่งของผลิตภัณฑ์ทั่วไป ความสามารถในการติดตั้งระดับโลกด้วยความพยายามน้อยที่สุดก็กลายเป็นสิ่งสำคัญมากขึ้น

ก้าวหนึ่งไปสู่อินเทอร์เฟซเสียงระดับโลก

Deepgram มีวิสัยทัศน์ระยะยาวที่ขยายไปไกลกว่าการถอดเสียงและความเข้าใจการสนทนา บริษัทกำลังทำงานเพื่อสร้างระบบที่สามารถฟัง เข้าใจ และตอบสนองในแบบเรียลไทม์ โดยไม่มีข้อจำกัดทางภาษา

Flux Multilingual เป็นก้าวสำคัญในทิศทางนี้ โดยการรวมชั้นหลายชั้นของสแต็กเสียงเข้าเป็นโมเดลเดียว ทำให้การพัฒนาง่ายขึ้นในขณะเดียวกันก็ปรับปรุงคุณภาพของการโต้ตอบ

สำหรับนักพัฒนาและองค์กร คำตอบคือเรื่องง่ายๆ การสร้างตัวแทนเสียงหลายภาษาที่มีศักยภาพระดับโลกไม่ใช่ความท้าทายทางเทคนิคที่ซับซ้อนอีกต่อไป มันกำลังจะกลายเป็นความสามารถมาตรฐาน