नवी दिल्ली : भारतीय भाषांसाठी आंतरराष्ट्रीय स्तरावरील भाषण तंत्रज्ञान स्वदेशी बनवण्याच्या दिशेने एक पाऊल पडले आहे. इंडियाएआय मिशनच्या पाठिंब्याने काम करणाऱ्या चॅरियट या स्टार्टअपने 'चॅरियट-1-एएसआर रिअलटाइम' हे भाषण ओळख (स्पीच रेकग्निशन) मॉडेल सादर केले आहे.
कंपनीच्या दाव्यानुसार, हे मॉडेल भारतातील दहा सर्वाधिक बोलल्या जाणाऱ्या भाषांमध्ये गुगल, इलेव्हनलॅब्स आणि भारतीय एआय विकसकांच्या विशेष भाषण ओळख मॉडेल्सपेक्षा सरस कामगिरी करते. प्रादेशिक उच्चार, पार्श्वभूमीचा गोंगाट आणि हिंदी-इंग्रजी अशा मिश्र भाषिक संभाषणांमध्येही ते अचूकतेने काम करते, असे कंपनी म्हणते.
"सध्या ही स्पर्धा खालच्या पातळीवर जाणारी आहे. प्रत्येक व्हॉइस एआय कंपनी स्वतःची एएसआर प्रणाली बनवत आहे, कारण स्वतःचे तंत्रज्ञान असल्यास मार्जिन जास्त मिळेल असे त्यांना वाटते," असे चॅरियटचे संस्थापक व मुख्य कार्यकारी अधिकारी पार्थ सारथी यांनी सांगितले.
कंपनीने 79 सार्वजनिक डेटासेटवर आपल्या मॉडेलची चाचणी केली. आव्हानात्मक परिस्थितीत भाषण ओळख तपासणारे निकषही त्यात होते. एनव्हिडिया या कंपनीच्या नीमो फ्रेमवर्कचा वापर करून चॅरियट रिअल-टाइम मजकूर-ते-भाषणासाठी 8 अब्ज पॅरामीटर्सचे मॉडेल विकसित करत आहे.
सारथी यांनी स्टॅनफोर्ड विद्यापीठात संगणक विज्ञानाचे शिक्षण घेतले असून ते गुगल डीपमाइंडमध्ये काम करत होते. आपली प्राथमिकता मूलभूत मॉडेल्स सुधारणे हीच राहील, असे ते म्हणाले.
भाषण ओळख तंत्रज्ञान सरकारी योजना, आरोग्यसेवा, ग्राहक सेवा आणि शिक्षण यांसारख्या क्षेत्रांत मोठ्या प्रमाणावर वापरले जाऊ शकते. भारतीय भाषांसाठी स्वदेशी तंत्रज्ञान उभे राहिल्यास परदेशी मॉडेल्सवरील अवलंबित्व घटेल, असे तज्ज्ञांचे मत आहे.
भाषण तंत्रज्ञानातील स्पर्धा जगभर वाढली असून किंमत हा मोठा घटक बनला आहे. कंपन्यांना स्वस्त व अचूक मॉडेल्सची गरज आहे. भारतात अनेक भाषा बोलल्या जात असल्याने मिश्र भाषिक संभाषण हाताळणे आव्हानात्मक असते. सरकारच्या इंडियाएआय मिशनअंतर्गत भाषा तंत्रज्ञानावर विशेष भर दिला जात आहे. या तंत्रज्ञानाचा वापर शेतकऱ्यांसाठी सल्ला, आरोग्य माहिती आणि बँकिंग सेवा स्थानिक भाषांत उपलब्ध करण्यासाठी होऊ शकतो. तज्ज्ञांच्या मते, अचूक भाषण ओळख ही कृत्रिम बुद्धिमत्तेच्या पुढील टप्प्यातील पायाभूत गरज आहे.