बंगळुरू : गुगल डीपमाइंड आणि मेटाच्या फेअर प्रयोगशाळेतील माजी संशोधकांनी स्थापन केलेल्या चॅरियट या एआय संशोधन संस्थेने गुरुवारी 'चॅरियट-1-एएसआर रिअलटाइम' हे भाषण ओळख मॉडेल सादर केले. 10 सर्वाधिक बोलल्या जाणाऱ्या भारतीय भाषांमध्ये सर्व स्पर्धकांपेक्षा याने कमी चुका नोंदवल्या, असा कंपनीचा दावा आहे.
हे मॉडेल इंडियाएआय मिशनअंतर्गत निवडल्या गेलेल्या पहिल्या चार संघांपैकी एक आहे. बहुतेक भाषण ओळख मॉडेल एकाच कामासाठी बनवली जातात, तर चॅरियट-1 हे भाषणासाठीचे पायाभूत मॉडेल असल्याचे कंपनीने सांगितले. मोठ्या भाषा मॉडेल्स मजकूर शिकतात त्याच पद्धतीने हे भाषण शिकते.
भाषण ओळख दोन प्रकारची असते. व्हॉइस एजंट, कॉल सेंटर व कॅप्शनमध्ये वापरली जाणारी थेट प्रणाली बोलतानाच मजकूर लिहिते, तर 'बॅच' प्रणाली रेकॉर्डिंग संपल्यावर त्यावर काम करते. चॅरियटचे म्हणणे आहे की त्यांची थेट प्रणाली दोन्ही प्रकारांपेक्षा अधिक अचूक ठरली.
79 सार्वजनिक चाचणी संचांवर या मॉडेलने सर्वांत मजबूत 'बॅच' प्रणालीपेक्षा 9 टक्के कमी चुका आणि गुगलच्या जेमिनी 3.5 ट्रान्स्क्राइबपेक्षा 26 टक्के कमी चुका केल्या, असे कंपनीने म्हटले. हिंदीत त्याने दुसऱ्या क्रमांकाच्या प्रणालीपेक्षा 23 टक्के कमी चुका केल्या. वास्तववादी हिंदी व भारतीय-इंग्रजी फोन कॉल, जिल्ह्यांतील हिंदी उच्चार आणि गोंगाटाच्या रेकॉर्डिंगवरही हे मॉडेल अव्वल ठरल्याचा दावा कंपनीने केला.
प्रादेशिक उच्चार व भाषांचे मिश्रण असलेले बोलणे हाताळण्याची क्षमता या मॉडेलमध्ये असून, ते हिंदीसाठी देवनागरी किंवा इंग्रजी शब्द लॅटिन लिपीतही लिहू शकते. बँका, विमा कंपन्या, दूरसंचार सेवा व सार्वजनिक हेल्पलाइन यांना एकाच मॉडेलमधून 10 भाषांत ग्राहकसेवा देता येईल, असे कंपनीचे म्हणणे आहे. हे मॉडेल platform.chariot.in वर उपलब्ध आहे. स्वतंत्र पडताळणी झालेली नसल्याचे नमूद केले आहे. स्पीच रिकग्निशनसह भाषण निर्मितीही एकाच मॉडेलमार्फत हाताळण्याचा चॅरियटचा दृष्टिकोन आहे. या मॉडेलच्या पुढील आवृत्त्या भाषण निर्मिती व गायन या क्षेत्रांतही अपेक्षित असल्याचे कंपनीने म्हटले आहे.