सार:
Microsoft फाउंड्री प्लेटफ़ॉर्म की रीयल-टाइम वॉयस क्षमताओं को और मजबूत कर रहा है, डेवलपर्स को देशी वॉयस एजेंट प्रदान कर रहा है जो सीधे वॉयस इनपुट और वॉयस आउटपुट कर सकते हैं, जिससे उद्यमों के लिए Google जेमिनी लाइव के समान रीयल-टाइम वार्तालाप एआई अनुभव बनाना आसान हो जाता है।
माइक्रोसॉफ्ट के अपडेट का मुख्य परिवर्तन यह है कि फाउंड्री एजेंट सेवा मूल वास्तविक समय की आवाज क्षमताओं का समर्थन करना शुरू कर देती है। पारंपरिक एआई एजेंटों की प्रक्रिया से अलग, जो पहले भाषण को पाठ में परिवर्तित करते हैं, फिर इसे प्रसंस्करण के लिए पाठ मॉडल को सौंप देते हैं, और अंत में पाठ को फिर से भाषण में परिवर्तित करते हैं, मूल भाषण आर्किटेक्चर सीधे वास्तविक समय के भाषण मॉडल को उपयोगकर्ता के ध्वनि इनपुट को संसाधित करने और ध्वनि उत्तर उत्पन्न करने की अनुमति दे सकता है, इस प्रकार मध्यवर्ती लिंक और परिणामी देरी को कम कर सकता है।
उपयोगकर्ताओं के लिए, इसका मतलब है कि एआई एजेंट अधिक स्वाभाविक रूप से निरंतर बातचीत में संलग्न हो सकते हैं। उपयोगकर्ताओं को वाक् संश्लेषण शुरू करने से पहले वाक् पहचान के पूरा होने या मॉडल द्वारा पूर्ण पाठ उत्तर उत्पन्न करने के लिए प्रतीक्षा करने की आवश्यकता नहीं है। यह प्रणाली लोगों के बीच वास्तविक समय संचार पद्धति के करीब हो सकती है, और ध्वनि संपर्क के प्रमुख पहलुओं जैसे रुकावट और बारी निर्णय को संभाल सकती है।
Microsoft की क्षमताएं वॉयस लाइव एपीआई पर बनाई गई हैं। यह इंटरफ़ेस वाक् पहचान, जेनरेटिव एआई, टेक्स्ट-टू-स्पीच, टर्न डिटेक्शन और रुकावट प्रोसेसिंग जैसे कार्यों को एक एकीकृत वास्तविक समय वाक् इंटरफ़ेस में एकीकृत करता है, जिससे डेवलपर्स को अलग-अलग कई वाक् घटकों का निर्माण किए बिना अपने एआई एजेंटों में वास्तविक समय वाक् इंटरेक्शन क्षमताओं को जोड़ने की अनुमति मिलती है।
उन उद्यमों के लिए जिन्होंने एआई एजेंट बनाने के लिए फाउंड्री एजेंट सेवा का उपयोग किया है, इसका मतलब है कि मूल टेक्स्ट-आधारित एजेंट मूल टूल आमंत्रण, ज्ञान आधार, मेमोरी, सामग्री सुरक्षा सुरक्षा और एंटरप्राइज़-स्तरीय डेटा और सेवा एकीकरण क्षमताओं का उपयोग जारी रखते हुए ध्वनि इंटरैक्शन क्षमताओं को प्राप्त कर सकते हैं।
Microsoft विशेष रूप से इस बात पर जोर देता है कि वॉयस एजेंट केवल एक चैटबॉट नहीं है जो "उत्तर पढ़ सकता है", बल्कि वास्तविक समय में वॉयस संचार के दौरान टूल को कॉल कर सकता है और कार्य कर सकता है। उदाहरण के लिए, कंपनियां इस तकनीक का उपयोग ग्राहक सेवा प्रणाली बनाने के लिए कर सकती हैं जो उपयोगकर्ताओं को फोन पर एआई एजेंटों के साथ सीधे संवाद करने की अनुमति देती है; इसका उपयोग बाधा-मुक्त सेवाओं, वॉयस-फर्स्ट अनुप्रयोगों और विभिन्न आंतरिक कॉर्पोरेट प्रणालियों के लिए भी किया जा सकता है जिनके लिए प्राकृतिक वॉयस इंटरैक्शन की आवश्यकता होती है।
तकनीकी वास्तुकला के संदर्भ में, फाउंड्री वर्तमान में दो मुख्य वॉयस एजेंट मार्गों का समर्थन करता है। एक पारंपरिक भाषण पाइपलाइन है, जो उपयोगकर्ता के भाषण को पाठ में परिवर्तित करती है, फिर इसे अनुमान के लिए पाठ मॉडल में देती है, और अंत में उत्पन्न पाठ को भाषण में परिवर्तित करती है। दूसरा मूल स्पीच-टू-स्पीच है जो इस समय पर केंद्रित है, जो स्पीच-टू-स्पीच आर्किटेक्चर है। वास्तविक समय भाषण मॉडल सीधे भाषण इनपुट को संसाधित करता है और भाषण आउटपुट उत्पन्न करता है।
देशी आवाज वास्तुकला का सबसे बड़ा लाभ यह है कि यह प्राकृतिक बातचीत के स्वर, ठहराव और संचार लय को बेहतर बनाए रखते हुए विलंबता को कम करता है। ऐसे परिदृश्यों के लिए जिनमें निरंतर संचार की आवश्यकता होती है, यह विधि "वाक् पहचान → पाठ मॉडल → वाक् संश्लेषण" के पारंपरिक बहु-मंच समाधान की तुलना में वास्तविक वास्तविक समय की बातचीत के अधिक करीब है।
Microsoft वॉयस लाइव एपीआई की रीयल-टाइम इंटरेक्शन क्षमताओं में भी सुधार जारी रख रहा है। हाल के अपडेट में नए मूल वास्तविक समय भाषण प्रकार जोड़े गए हैं, और इको कैंसिलेशन, इंटेलिजेंट क्लोजिंग डिटेक्शन और समानांतर टूल इनवोकेशन जैसी बेहतर सुविधाएं शामिल हैं। इको कैंसिलेशन कस्टम हार्डवेयर या गैर-मानक ऑडियो लिंक पर चलने वाले वॉयस एजेंटों के लिए विशेष रूप से उपयुक्त है। यह सिस्टम को क्लाइंट द्वारा वास्तव में बजाई गई ध्वनि को संदर्भित करने की अनुमति देता है, जिससे एआई द्वारा अपनी आवाज सुनने के बाद गलत पहचान की समस्या कम हो जाती है।
स्वयं आवाज के अलावा, माइक्रोसॉफ्ट एंटरप्राइज़-स्तरीय एआई एजेंट विकास और संचालन मंच के रूप में फाउंड्री की स्थिति को भी मजबूत कर रहा है। फाउंड्री एजेंट सेवा बुद्धिमान एजेंटों के जीवन चक्र प्रबंधन के लिए जिम्मेदार हो सकती है और उद्यम-स्तरीय सुरक्षा, अनुमति नियंत्रण, नेटवर्क अलगाव, संचालन ट्रैकिंग और मूल्यांकन क्षमताएं प्रदान कर सकती है। इस तरह, उद्यमों को एआई एजेंटों के संचालन, निगरानी और आवाज संचार के लिए नए सिरे से बुनियादी ढांचे का निर्माण करने की आवश्यकता नहीं है।
माइक्रोसॉफ्ट का कदम स्पष्ट रूप से जेमिनी लाइव पर भी लक्षित है, जिसे Google ने हाल के वर्षों में लगातार मजबूत किया है। जेमिनी लाइव उपभोक्ताओं के लिए वास्तविक समय की वॉयस एआई क्षमताओं को प्रदर्शित करने के लिए Google के लिए एक महत्वपूर्ण उत्पाद बन गया है, जबकि माइक्रोसॉफ्ट एंटरप्राइज़ डेवलपर्स को सीधे समान वास्तविक समय की वॉयस क्षमताओं को प्रदान करने पर जोर देता है, जिससे कंपनियों को अपने डेटा, टूल और व्यावसायिक प्रक्रियाओं के आधार पर विशेष वॉयस इंटेलिजेंस बनाने की अनुमति मिलती है।
इसलिए दोनों की स्थिति बिल्कुल एक जैसी नहीं है। जेमिनी लाइव मुख्य रूप से आम उपयोगकर्ताओं के लिए सीधे प्रयोग करने योग्य एआई वॉयस अनुभव प्रदान करता है, जबकि माइक्रोसॉफ्ट फाउंड्री उद्यमों और डेवलपर्स की ओर अधिक उन्मुख है। उद्यमों को ग्राहक सेवा, टेलीफोन सिस्टम, आंतरिक व्यवसाय और अन्य पेशेवर अनुप्रयोगों में वास्तविक समय की आवाज क्षमताओं को एम्बेड करने की अनुमति देने पर ध्यान केंद्रित किया गया है।
Microsoft हाल के वर्षों में सरल चैटबॉट से लेकर सिस्टम तक AI एजेंटों के विकास को बढ़ावा दे रहा है जो स्वायत्त रूप से कार्य कर सकते हैं। इस प्रणाली में आवाज क्षमताओं को जोड़ने के साथ, उपयोगकर्ताओं और एजेंटों के बीच बातचीत धीरे-धीरे कीबोर्ड इनपुट से अधिक प्राकृतिक वास्तविक समय की बातचीत तक विस्तारित हो गई है। एजेंट न केवल सवालों के जवाब दे सकते हैं, बल्कि वे बातचीत के दौरान टूल भी लागू कर सकते हैं, एंटरप्राइज़ डेटा तक पहुंच सकते हैं और विशिष्ट कार्यों को पूरा कर सकते हैं।
वर्तमान में, Microsoft धीरे-धीरे फाउंड्री एजेंट सर्विस, वॉयस लाइव और प्रबंधित एजेंटों जैसी क्षमताओं को एक ही एंटरप्राइज़ AI प्लेटफ़ॉर्म में एकीकृत कर रहा है। जैसे-जैसे ये प्रौद्योगिकियां परिपक्व होती हैं, कंपनियों को वास्तविक समय की वॉयस ग्राहक सेवा, फोन एजेंट, वॉयस ऑफिस असिस्टेंट और अन्य एआई सेवाओं के निर्माण के लिए जिस बुनियादी ढांचे को विकसित करने और बनाए रखने की आवश्यकता होती है, वह और कम हो जाएगा।
इसका मतलब यह भी है कि एआई वॉयस असिस्टेंट के लिए प्रतिस्पर्धा केवल मॉडलों की तुलना "चाहे वे चैट कर सकते हैं" से हटकर यह तुलना करने के लिए हो रही है कि कौन कम-विलंबता वॉयस इंटरैक्शन, अधिक संपूर्ण टूल कॉलिंग क्षमताएं, अधिक विश्वसनीय एंटरप्राइज़-स्तरीय बुनियादी ढांचा और अधिक सुविधाजनक विकास वातावरण प्रदान कर सकता है। माइक्रोसॉफ्ट द्वारा फाउंड्री में एक देशी रीयल-टाइम वॉयस एजेंट को शामिल करना एंटरप्राइज एआई बाजार में अपने वॉयस एजेंट लेआउट को और विस्तारित करने की दिशा में एक महत्वपूर्ण कदम है।
टिप्पणियाँ