बंगळुरू : देशी एआय लॅब चॅरियटने गुरुवारी आपले बहुभाषिक भाषण-संश्लेषण मॉडेल चॅरियट-१-टीटीएस-मल्टीलिंग्वल सादर केले. ११ भारतीय भाषा आणि इंग्रजी, ५० हून अधिक आवाज, आणि एकाच वाक्यात कोणत्याही दोन समर्थित भाषा मिसळून बोलण्याची क्षमता — ही या मॉडेलची वैशिष्ट्ये कंपनीने जाहीर केली.
लेख लिहिलेला असतो तसा तो वाचता येत नाही. ‘₹५,०००’ हे रक्कम म्हणून वेगळे वाचले जाते आणि तारखेचा भाग म्हणून वेगळे. ‘बी प्लस’ रक्तगट असताना एका पद्धतीने आणि ग्रेड असताना दुसऱ्या पद्धतीने म्हणावे लागते. संक्षेप, तांत्रिक संज्ञा आणि आकडे यांच्याबाबतही हाच प्रश्न येतो. चॅरियटच्या दाव्यानुसार या मॉडेलमध्ये संदर्भ ओळखून शब्द कसा उच्चारावा, हे ठरवण्याची क्षमता आतूनच बसवली आहे, त्यामुळे स्वतंत्र नियम लिहिण्याची किंवा प्रॉम्प्ट जुळवण्याची गरज कमी होते.
कंपनीच्या मूल्यांकनात इलेव्हनलॅब्स, कार्टेशिया, मायक्रोसॉफ्ट, ओपनएआय, एडब्ल्यूएस आणि सार्व्हम यांच्या निवडक आवृत्त्यांशी तुलना करण्यात आली. कंपनीच्या दाव्यानुसार तीन मापदंडांत हे मॉडेल पहिले आले.
स्पष्टतेत सर्वात कमी अक्षर-त्रुटी दर — हिंदीत 7.60 टक्के आणि इतर नऊ भारतीय भाषांमध्ये 6.47 टक्के. हे मोजमाप सामान्य मजकूर, आकडे आणि तांत्रिक कसोट्या तसेच संभाषणात्मक मजकुरावर घेतले गेले.
इंग्रजीतील उच्चार-निर्णयाची अचूकता 93.78 टक्के — चलनविषयक रक्कम, तारखा, क्रमवाचक, यूआरएल, रासायनिक सूत्रे आणि शेअर बाजारातील संक्षेप अशा 40 हून अधिक प्रकारांतील हजाराहून अधिक वाक्यांच्या कसोटीवर.
आवाजाच्या गुणवत्तेसाठी इंग्रजी मजकुरावर एनआयएसक्यूए मूल्यांकनात सर्वोच्च गुण.
मॉडेल काही सेकंदांच्या संदर्भ आवाजावरून आवाजाची नक्कल करू शकते आणि एका विनंतीत १,००० अक्षरांपर्यंतचे मजकूर बोलून देऊ शकते. ही सर्व आकडेवारी कंपनीने दिलेली असून स्वतंत्र पडताळणी झालेली नाही.
आवाजाची नक्कल हीच जिची तिची नसते. सहमती, खोटे आवाज ओळखण्याची व्यवस्था आणि फसवणुकीपासून संरक्षण यावर या तंत्रज्ञानाचा वापर अवलंबून राहील. भारतीय भाषांसाठी असलेली ही स्पर्धा आता बोलण्याच्या बाजूला रंगत आहे.