भारत : इंडिया एआय मिशनच्या पाठबळावर चालणाऱ्या भारतीय एआय संशोधन लॅब 'चॅरियट'ने असा स्पीच मॉडेल लाँच केला आहे, जो वाक्य मोठ्याने वाचण्याआधी त्याचा अर्थ समजून घेतो. तो ११ भारतीय भाषांसह इंग्रजीतही चालतो.
चॅरियट-१-टीटीएस-मल्टिलिंग्वल असे या मॉडेलचे नाव असून त्यात ५० हून अधिक आवाज आहेत. एकाच वाक्यात दोन समर्थित भाषांमध्ये बदल करता येतो. काही सेकंदांच्या संदर्भ ऑडिओवरून आवाजाची क्लोनिंगही शक्य आहे. कोड-मिक्सिंग, आकडे, संक्षेप आणि मिसळलेली भाषा अशा खऱ्या भारतीय मजकुराच्या गुंतागुंतीसाठी हे बनवल्याचा कंपनीचा दावा आहे. याच ठिकाणी बहुतेक स्पीच सिस्टम्स घसरतात.
कंपनीने आपले आकडे जाहीर केले. हिंदी समजण्याच्या चाचणीत तिचा कॅरेक्टर एरर रेट ७.६० टक्के राहिला, तर एलेव्हनलॅब्स v3 चा ८ टक्के आणि सर्वम बुलबुल v3 चा ८.२१ टक्के. इतर नऊ भारतीय भाषांमध्ये सरासरी ६.४७ टक्के नोंदवला गेला, तर सर्वम बुलबुल v3 चा ६.८७ आणि एलेव्हनलॅब्स v3 चा ८.३८ टक्के. ४० हून अधिक श्रेणींतील हजाराहून अधिक वाक्यांच्या इंग्रजी व्हर्बलायझेशन चाचणीत ९३.७८ टक्के अचूकता नोंदवली. या वाक्यांत रक्कम, तारखा, वेबसाइट पत्ते, रासायनिक सूत्रे आणि शेअर टिकर आहेत. ऑडिओ गुणवत्तेच्या स्वयंचलित निकषावर (निस्का) ४.९०१ गुण मिळाले, तर एलेव्हनलॅब्स v3 चे ४.८९६.
हे निष्कर्ष आपल्या स्वतःच्या मूल्यांकनातून आले असून वेगवेगळ्या चाचण्यांमध्ये स्पर्धक मॉडेलच्या आवृत्त्या व व्याप्ती वेगळ्या होत्या, असे चॅरियटने स्पष्ट केले. स्वतंत्र चाचण्या अजून प्रकाशित झालेल्या नाहीत.
देशात फाउंडेशन मॉडेल उभारण्याच्या सरकारी कार्यक्रमात निवडल्या गेलेल्या पहिल्या चार संघांपैकी ही लॅब एक आहे.
भारतीय भाषांसाठी एआयची सर्वात कठीण परीक्षा आवाजातच होते. मराठीत कर्जाची रक्कम वाचणारा व्हॉइस एजंट, बंगालीत रेल्वेची घोषणा, पॉलिसी क्रमांक अचूक बोलायचा असलेला हेल्पलाइन. यातील प्रत्येक ठिकाणी एक चूक ऐकू येते.
किंमत किती असेल किंवा मॉडेल सर्वांसाठी कधी उपलब्ध होईल, हे चॅरियटने सांगितले नाही.