இந்திய மொழி பேசுபவர்களுக்கு ஏற்ற குரல் வழி ஏஐ சேவை அளிக்கும் Shunya Labs

பெரும்பாலான குரல் ஏஐ அமைப்புகள், இந்தியாவில் வெகு அரிதாகவே இருக்கும் பேச்சாளர்களுக்காக பயிற்சி அளிக்கப்பட்டிருகின்றன. குறிப்பிட்ட வகை இல்லாத ஆங்கிலம் பேசுபவர்களுக்காக இந்த அமைப்புகள் உருவாக்கப்பட்டுள்ளன.

மனநலம் சார்ந்த யுனைடெட் வி கேர் நிறுவனத்தை உருவாக்கிய போது, அதன் நிறுவனர்கள் ரித்து மெஹரோத்ரா மற்றும் சவுரவ் பந்தோபாத்யாவிற்கு இந்த இடைவெளி அலட்சியம் செய்ய முடியாததாக தோன்றியது.

பயனாளிகள் பாதி வாசகத்தில் மாற்றிக்கொண்டதோடு, பல வகையான உச்சரிப்புகளை கொண்டிருந்தனர். பிரத்யேகமான மருத்துவ சொற்களை பயன்படுத்தியதும், மூன்றாம் தரப்பு வழியே பாதுகாப்பு மிக்க தரவுகளை கையாள்வது கேள்விகளை எழுப்பிய நிலையில் தற்போதைய உள்கட்டமைப்பு போதாமையை உணர்த்தியது.

“சந்தையை அலசிய போது, ஆசியாவில் காணப்படும் பேச்சு பன்முகத்தன்மையை கருத்தில் கொண்ட மாடலை யாரும் உருவாக்கவில்லை எனத்தெரிந்தது,” என்கிறார் மெஹ்ரோத்ரா.

இந்த போதாமைகளோடு பணியாற்றுவதை விட, இதற்கான உள்கட்டமைப்பை தாங்களே உருவாக்க தீர்மானித்தனர். இதன் விளைவாக உருவானது தான் ‘ஷுன்யா லேப்ஸ்’ (Shunya Labs). இந்நிறுவனம் தற்போது, பல மொழி உச்சரிப்புகளுக்கு ஏற்ற சொந்த குரல் ஏஐ உள்கட்டமைப்பை உருவாக்கி வருகிறது. வங்கித்துறை, தொலைத்தொடர்பு, சுகாதார நலன், இ-காமர்ஸ் உள்ளிட்ட துறைகளில் இதன் சேவை பயன்படுகிறது. அதே நேரத்தில், செலவு மிக்க ஜிபியு அல்லாமல் சிபியு சார்ந்து இயங்குகிறது.

ஐஐஎப்டி மற்றும் ஹார்வர்டு பிஸ்னஸ் ஸ்கூலில் படித்த மெஹ்ரோத்ரா புக்கிங்.காம் மற்றும் ஜொமேட்டோவில் பணியாற்றியுள்ளார், பந்தோபாத்யா என்.ஐ,டி ஜாம்ஷெட்பூரில் படித்த பிறகு, ஐஐடி கராக்பூரில் பிஎச்டி பெற்றார். இவர்களுடன் டைன் அவுட் சி.ஒ.ஓ மற்றும் டைம்ஸ் இண்டெர்நெட்டில் பணியாற்றிய அபிஷேக் வர்மா இணைந்துள்ளார்.

ஸ்டேக்கை உருவாக்குதல்

ஷுன்யா லேப்ஸ்; குரல் ஏஐ ஸ்டேக்கை முழுவதுமாக உருவாக்கியுள்ளது. இந்த மேடை மூன்று அடுக்குகளை கொண்டுள்ளது. பேச்சு மொழியை எழுத்து வடிவாக மாற்றும் மாதிரி, தகவல்களை சூழல் மற்றும் நினைவாற்றலுடன் கையாளும் அடுக்கு மற்றும் பின்னர் குரலாக மாற்றும் மாதிரி ஆகியவற்றை கொண்டுள்ளது.

இந்த மொத்த ஸ்டேக்கும் போன் அல்லது வாகனம் அல்லது நிறுவனத்தின் சர்வர் போன்ற சிபியூவில் இயங்குவதாக நிறுவனம் சொல்கிறது. 55 இந்திய மொழிகள் உள்ளிட்ட 220 மொழிகளை கையாளும் அதே நேரத்தில், மற்ற குரல் வழி சேவை நிறுவனங்களோடு ஒப்பிடும் போது 20ல் ஒரு பங்கு செலவே ஆகிறது, என நிறுவனம் தெரிவிக்கிறது.

இந்த மாடல்கள் சொந்தமாக உருவாக்கப்பட்டவை என்றாலும், வர்த்தக வாடிக்கையாளர்கள் குறிப்பிட்ட வர்த்தகத் துறை சார்ந்த சொற்கள், பொருட்கள் பெயர், மருந்தக பெயர்கள், வங்கிச்சேவை பெயர்கள் உள்ளிட்டவை சார்ந்த கூடுதல் அடுக்கையும் பெறலாம். இத்தகைய பிரத்யேக மாடல்களை உருவாக்க 40 ஜிபியு மணி நேரம் தேவை, இந்திய மொழி ஒன்றை சேர்க்க 100 மணி நேரம் தேவை. ஆனால், வழக்கமான சராசரி 10,000 ஆக உள்ளது.

ஆடியோ பேச்சு மாற்று இயந்திரத்தை அடையும் முன், பிரத்யேக ஒலி நீக்க நுட்பம் பின்னணி ஒலிகளை நீக்கி, குரல் அளவை திருத்துகிறது. ஆடியோ தரம் சீராக இல்லை என்றாலும் பிரச்சனை இல்லை. எனவே, கால் செண்டர் உள்ளிட்டவற்றுக்கு ஏற்றது எழுத்தாக்கம் தவிர, உணர்வு அலசல், கண்காணிப்பு, நோக்கம் அறிதல், பேசுபவர் கண்டறிதல் உள்ளிட்ட அம்சங்களையும் நிறுவனம் வழங்குகிறது.

நிறுவனத்தின் ஹிங்கிலிஸ் மாடல், நிகழ் நேரத்தில் கலவை மொழிகளை கையாளும் திறன் கொண்டது, என்கிறார் மெஹ்ரோத்ரா. பயனாளிகளுக்கு ஒரு மொழி கட்டுப்பாடு இல்லை என்கிறார். இந்த ஆண்டு பிப்ரவரி மாதம், நிறுவனம் 55 இந்திய மொழிகளில் செயல்படக்கூடிய நிகழ் நேர மொழிபெயயர்ப்பு சேவை (Vāķ) அறிமுகம் செய்தது.

நாஸ்காமுடன் இணைந்து உருவாக்கப்பட்ட வாக், 1.5 லேடன்சி கொண்டுள்ளது. நிறுவனத்தின் ஜிரோ சூட்டில் இயங்குகிறது. இதன் வெய்ட் ஹக்கிங் பேசில் வெளியிடப்பட்டுள்ளது. இந்த சேவை சுய நிதியில் இந்தியாவில் உருவாக்கப்பட்டது, என்கிறார் பந்தோபாத்யா. எல்லா டெவலப்பர்களும் உருவாக்க, எல்லா அரசு துறைகளும் பயன்படுத்த மற்றும் எல்லா இந்தியர்களும் தங்கள் மொழியில் கேட்கக் கூடிய வசதியை அளிப்பதே நோக்கம் என்கிறார்.

வர்த்தக வாடிக்கையாளர்கள்

நிறுவனம் பெரிய வர்த்தக வாடிக்கையாளர்களுடன் பிரத்யேகமாக செயல்படுகிறது.. விற்பனை செயல்முறையும் மூன்று அடுக்குகள் கொண்டது. என்.டி.ஏ கீழ் கருத்தாக்க தகவல், ஒரு பிராந்தியம், ஒரு மொழியில் முன்னோட்ட சேவை மற்றும் இறுதி சேவை என ஆறு முதல் எட்டு மாதங்கள் ஆகலாம்.

அண்மையில் முதல் கட்டத்தை நிறுவனம் இலவச சேவையில் இருந்து கட்டணமாக மாற்றியுள்ளது. கட்டணமும் மூன்று அடுக்குகள் கொண்டது. தனிநபர் டெவலப்பர்கள் எனில் இலவச அல்லது பிரிபைடு கிரெடிட் மூலம் அணுகலாம். வர்த்தக வாடிக்கையாளர்களுக்கு தனி கட்டண விகிதம். சுய ஹோஸ்டிங் மாடல், பிரத்யேக சேவை ஒப்பந்தம் மற்றும் அதிக பயன்பாடு ஆதரவு ஆகியவையும் உண்டு.

பேச்சு–எழுத்து மாற்றம், எல்.எல்.எம் மற்றும் எழுத்து –பேச்சு மற்ற சேவை சார்ந்த குரல் வழி சேவை ஒரு நிமிடத்திற்கு $0.0154 எனும் செலவு கொண்டிருக்கலாம் என்கிறது நிறுவனம்.

கடந்த மூன்று மாதங்களில் மாத அடிப்படையில் வருவாய் இரட்டிப்பாகி உள்ளது, என்கிறார் மெஹ்ரோத்ரா. மேடை பயன்பாடு இதே காலத்தில் 6 முதல் 8 மடங்கு வளர்ச்சி அடைந்துள்ளது.

ஹக்கிங் பேஸில், நிதி, டெட் உரைகள், ஐரோப்பிய மொழி தரவு தொகுப்பு உள்ளிட்ட பல்வேறு பொது செயல்பாடு அளவுகோள்களில் முன்னணி தானியங்கி பேச்சறிதல் செயல்பாடுகளை சுட்டிக்காட்டும் நிறுவனம், தனது மாதிரி என்விடியா மற்றும் மெட்டா மாதிரிகளை விட மேம்பட்டதாக இருப்பதாக தெரிவிக்கிறது.

நிறுவனம் சுட்டிக்காட்டும் அளவுகோள்கள் படி, பல மொழி பேசுபவர் மருத்துவ ஆடியோவில் Zero STT Med 11.1% சொல் பிழை விகிதம் மற்றும் 5.1% கேரக்டர் பிழை விகிதம் கொண்டுள்ளது. Zero Tinny ONNX, 3.10% சொல் பிழை விகிதம் கொண்டுள்ளதாக கூறுகிறது. Zero STT Indic மற்ற இந்திய மொழி பேச்சு மாதிரிகளை விட 200 சதவீத சிறந்த செயல்பாடு கொண்டுள்ளதாக தெரிவிக்கிறது.

தொழில்நுட்ப பயன்பாடு

இந்த மேடை ISO 27001 சான்றிதழ் பெற்றுள்ளது. மேலும், HIPAA and GDPR நெறிமுறைகளுக்கு உட்பட்டது. கிளவுட், எட்ஜ் மற்றும் நிறுவன வளாகத்தில் செயல்படுத்தக்கூடியது. இதன் வாடிக்கையாளர் பரப்பு, தொலைத்தொடர்பு, வங்கித்துறை, நிதிச்சேவைகள், ஆட்டோமொபல், இ-காமர்ஸ் ஆகிய பிரிவுகளில் அமைந்துள்ளது. பானசோனிக், நாஸ்காம், அமெரிக்காவின் கோமோட்டோ, ஆஸ்திரேலியாவின் ஓஎம்ஜி, இந்தியாவில் ZET ஆகிய வாடிக்கையாளர்கள் உள்ளனர்.

வங்கித்துறையில் இந்த மேடை கேஒய்சி சரிபார்த்தல், பணம் செலுத்தல் நினைவூட்டல், இடையே மொழி மாற்றம் ஆகியவற்றில் பயன்படுகிறது. சுகாதார நலன் துறையில் நிகழ் நேரத்தில் மருத்துவ உரையாடலை மாற்றித்தருகிறது. மின்னணு மருந்து ஆவணங்களுக்கு ஏற்ப வழங்குகிறது.

தொடர்பு மையங்கள், நிகழ்நேர எழுத்தாகம் மற்றும் ஏஜெண்ட் உதவிக்கு பயன்படுத்துகின்றன. ஆட்டோமொபைல் துறையில் வலைப்பின்னல் தொடர்பு இல்லாமல் தகவல் பொழுதுபோக்கு சேவைகளை இயக்குகிறது. இ-காமர்ஸ் துறையில் பேச்சு வடிவிலான தேவைகளை பொருத்தமான முடிவுகளாக மாற்றித்தருகிறது.

மருத்துவ மொழிபெயர்ப்பு, ஏஐ உளறல் குறைப்பு, வரி வடிவம் முதல் உணர்வாக்கம் ஆகிய பிரிவுகளில் நிறுவனம் 12 காப்புரிமைகளை கொண்டுள்ளது. 18 ஆய்வு வெளியீடுகள் மற்றும் 23 உலக சாதனைகள் கொண்டுள்ளது. ஹக்கிங் பேசில் பல மாடல்கள் ஓபன் சோர்சாக கிடைக்கின்றன.

எதிர்கால திட்டம்

கிராண்ட் வியூ ரிசர்ச ஆய்வுபடி, இந்தியாவின் உரையாடல் ஏஐ சந்தை 2033ல் 3.7 பில்லியன் டாலராக இருக்கும், என எதிர்பார்க்கப்படுகிறது. இந்த சந்தையில் ஏற்கனவே, சர்வம், Gnani.ai, and Yellow.ai உள்ளிட்ட நிறுவனங்கள் உள்ளன. இவை குரல் ஏஐ சேவையின் பல அடுக்குகளில் செயல்படுகின்றன.

ஷுன்யா நிறுவனம் விதைக்கு முந்தைய மற்றும் விதை நிதிகளில் 5.5 பில்லியன் டாலர் நிதி திரட்டியுள்ளது. அடுத்த சில மாதங்களில் ஏ சுற்று நிதிக்கு திட்டமிட்டுள்ளது. இப்போதைய நிலையில் லாபமீட்டுதலில் கவனம் செலுத்துகிறது.

“அடுத்த 6 முதல் 8 மாதங்களில் P&L நல்ல நிலையை எட்டுவதோடு, செலவை கட்டுப்பாட்டில் வைத்து வருவாய் உள்கட்டமைப்பில் கவனம் செலுத்துவோம்,” என்கிறார் மெஹ்ரோத்ரா.  

முதலீட்டை செலவு செய்து வளர்ச்சி காணும் உத்தியை கடைப்பிடிக்காமல் நீடித்த வருவாய் மாதிரியில் கவனம் செலுத்துவதாக நிறுவனம் கூறுகிறது. இதன் நீண்ட கால இலக்கு இந்தியாவை கடந்து உள்ளது.  

“ஆசியா, கிழக்கு ஐரோப்பா மற்றும் பன்மொழி தன்மை, குறைந்த டிஜிட்டல் விழிப்புணர்வு கொண்ட பிராந்தியங்களில் தங்கள் இலக்கு வாடிக்கையாளர்கள் உள்ளதாக நிறுவனம் கருதுகிறது,” என்கிறார்.

ஆங்கிலத்தில் டைப் செய்ய முடியாத அல்லது டைப் செய்யவே முடியாத ஒருவர் தனது மொழியில் பேசலாம் என்கிறார். ஆங்கிலத்தை முதன்மையாக கொண்ட மாதிரிகளை விட, இந்த வாடிக்கையாளர்களுக்கான அடிப்படை குரல் மாதிரி கட்டமைப்பு தேவை என்பதை நிறுவனம் நம்பி உள்ளது.

ஆங்கிலத்தில்: ராஷ்மி கோட்லாண்டே, தமிழில்: சைபர் சிம்மன்