चीन में एआई वॉइस की होड़ तेज, आईफ्लाईटेक ने स्पार्कऑडियो 1.0 पेश किया
चीनी कृत्रिम बुद्धिमत्ता कंपनी आईफ्लाईटेक ने गुरुवार को अपने वार्षिक 1024 डेवलपर फेस्टिवल में स्पार्कऑडियो 1.0 पेश किया, जिसे कंपनी अपने वॉइस टेक्नोलॉजी स्टैक का पहला निर्माण खंड बताती है। यह मॉडल मशीन अनुवाद, स्पीच रिकग्निशन और सार्थक समझ को एक ही सिस्टम में समेटता है, बजाय हर काम के लिए अलग-अलग टूल जोड़ने के।
एक फिल्म क्लिप पर आधारित प्रदर्शन में मॉडल ने पृष्ठभूमि की आवाज से आवाज़ों को अलग किया, वक्ताओं का लिंग पहचाना और दृश्य के बारे में सटीक अनुमान लगाए। आईफ्लाईटेक का कहना है कि सिस्टम रीयल-टाइम स्पीकर सेपरेशन, पर्यावरणीय समझ, ऑडियो समझ और भावना पहचान संभालता है। वैश्विक पाठकों के लिए पेशकश सीधी है: एक ऐसा मॉडल जो बातचीत को चलते-चलते सुन, समझ और अनुवाद कर सके, जो कॉल सेंटर, लाइव कैप्शनिंग, सीमा पार बैठकों और वॉइस असिस्टेंट के लिए मायने रखता है, जो अभी कई अलग-अलग इंजनों पर निर्भर हैं।
वॉइस लॉन्च के साथ स्पार्क एक्स2.6 भी जारी हुआ, एक एंड-क्लाउड बड़ा मॉडल जो 293 अरब पैरामीटर वाली मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर पर बना है, जिसमें 30 अरब सक्रिय पैरामीटर और दस लाख टोकन की कॉन्टेक्स्ट विंडो है। आईफ्लाईटेक कहती है कि अपग्रेड कोडिंग और एजेंट क्षमताओं पर केंद्रित है, और मॉडल पूरी तरह घरेलू कंप्यूटिंग हार्डवेयर पर प्रशिक्षित किया गया है। कंपनी ने एक ओपन-सोर्स ऑन-डिवाइस मॉडल भी पेश किया, जिसका लक्ष्य फोन और अन्य उपकरणों पर एआई को स्थानीय रूप से चलाना है।
व्यापक संदर्भ एआई असिस्टेंट और वॉइस इंटरफेस के लिए भीड़ भरा चीनी बाजार है। एंथ्रोपिक का क्लॉड डुएट, एक स्टैंडअलोन मोबाइल ऐप जो ईमेल और कैलेंडर देखता है और उपयोगकर्ता की मंजूरी से ऑर्डर दे सकता है, व्यक्तिगत एजेंट के पश्चिमी उदाहरण के रूप में ध्यान खींच चुका है। चीनी डेवलपर तुलनीय उत्पाद बनाने की दौड़ में हैं, और वॉइस उनके लिए सबसे स्वाभाविक इंटरफेस में से एक है, क्योंकि फोन पर टाइप करना अब भी धीमा है और कई उपयोगकर्ता पहले से बोलकर उपकरणों से बातचीत करते हैं।
स्पार्कऑडियो 1.0 का भावना और पर्यावरणीय समझ पर जोर बताता है कि प्रतिस्पर्धा किस ओर बढ़ रही है। क्या कहा गया, यह पहचानना अब पर्याप्त नहीं है; सिस्टम का आकलन इस पर हो रहा है कि वे बता सकते हैं कि कौन बोल रहा है, वे कैसा महसूस कर रहे हैं और उनके आसपास क्या हो रहा है। यही क्षमताओं का वह समूह है जिसका पीछा ह्यूमनॉइड रोबोटिक्स शोधकर्ता फिजिकल एआई के बैनर तले कर रहे हैं, जहां मशीनों को शोर भरे वास्तविक परिवेश में बोले गए निर्देशों की व्याख्या करनी होती है।
आईफ्लाईटेक का घरेलू चिप्स पर प्रशिक्षण का दावा चीन के एआई उद्योग के व्यापक पैटर्न से भी मेल खाता है, जहां कंपनियां विदेशी हार्डवेयर पर निर्भरता घटाने के लिए काम कर रही हैं। कंपनी ने विस्तृत बेंचमार्क तुलना नहीं बताई, और स्पार्कऑडियो 1.0 के स्वतंत्र मूल्यांकन अभी आने बाकी हैं। शोर भरे कॉल सेंटरों, क्षेत्रीय लहजों और मिश्रित भाषा की बातचीत में मॉडल का वास्तविक प्रदर्शन तय करेगा कि एकीकृत दृष्टिकोण अपना वादा पूरा करता है या नहीं।
जो स्पष्ट है वह गति है। एक ही डेवलपर आयोजन में आईफ्लाईटेक ने एक वॉइस फाउंडेशन मॉडल, एक बड़ा भाषा-मॉडल अपग्रेड और एक ओपन-सोर्स एज मॉडल की घोषणा की, जो संकेत है कि चीनी एआई कंपनियां एक ही फ्लैगशिप पर ध्यान देने के बजाय पूरे स्टैक पर उत्पाद जारी कर रही हैं। डेवलपर्स के लिए सवाल यह है कि क्या ये टुकड़े इतने अच्छे से जुड़ते हैं कि उन पर निर्माण किया जा सके। उपयोगकर्ताओं के लिए परीक्षा शांत होगी: क्या दूसरी ओर का वॉइस असिस्टेंट आखिरकार समझने वाला लगता है।