सार:
पिछले कुछ दिनों में WeChat ग्रेस्केल टेस्टिंग के नए फंक्शन से हर कोई परेशान हो गया होगा। सबसे पहले, वॉयस इनपुट मोड में, "बात करने के लिए दबाकर रखें" का बॉर्डर अचानक मोटा और काला हो जाता है, इस डर से कि आप इसे देख न सकें। फिर टेक्स्ट इनपुट मोड में, इनपुट बॉक्स वास्तव में आपको याद दिलाता है:
आप टेक्स्ट को परिवर्तित करने के लिए दबाकर रख सकते हैं।
इसका क्या मतलब है?
अतीत में, "बोलने के लिए दबाकर रखें" के लिए आपको इसका उपयोग करने से पहले ध्वनि मोड पर स्विच करना पड़ता था। आपने जिसे जाने दिया वह मूल आवाज थी, और दूसरी तरफ जो सुनाई दे रही थी वह आपकी बेहद आकर्षक बुलबुला आवाज थी (जब तक कि आपने सक्रिय रूप से इसे पाठ में परिवर्तित करने का विकल्प नहीं चुना)।
लेकिन अब, आपको बोलने के लिए बस इनपुट बॉक्स को दबाए रखना होगा, और आवाज सीधे टेक्स्ट में बदल जाएगी, और जब आप इसे छोड़ेंगे तो इसे बाहर भेज दिया जाएगा।
पहली नज़र में, यह बहुत सुविधाजनक लगता है। आप इसे कहने के बाद सीधे भेज सकते हैं. हालाँकि, कई नेटिज़न्स की पहली प्रतिक्रिया शिकायत करना है, और गलती से सामाजिक मौत को ट्रिगर करना बहुत आसान है।
लेकिन ख़राब समीक्षक आज इस बारे में शिकायत नहीं कर रहा है।
क्या आपने देखा है कि इस ऐप में वॉयस इनपुट के लिए बहुत सारी जगहें हैं?
आपको पता होना चाहिए कि कुछ समय पहले, WeChat ने इनपुट बॉक्स के दाईं ओर एक माइक्रोफ़ोन बटन (+1) लगाया था, और आप केवल एक क्लिक से भाषण को टेक्स्ट में बदल सकते हैं। इसके अलावा, इस बार इनपुट बॉक्स (+1) को दबाकर रखें, वॉयस मोड (+1) में बोलने के लिए दबाकर रखें, साथ ही इनपुट विधि की वॉयस कुंजी (+1), और सिस्टम का अपना श्रुतलेख (+1)।
अब जब आप WeChat खोलते हैं, तो स्क्रीन के निचले हिस्से में 5 वॉयस पोर्टल आपके बोलने का इंतजार कर रहे होते हैं।
गुइगुई, क्या आप वाकई मिस्टर बैड रिव्यू का सबवूफर सुनना चाहते हैं?
यह ठीक होगा यदि यह स्थिति केवल मोबाइल फ़ोन पर WeChat में दिखाई दे। समस्या यह है कि मोबाइल फोन से लेकर कंप्यूटर तक अब कई ऐप्स ऐसे हैं।
उदाहरण के लिए, WeChat के मैक डेस्कटॉप संस्करण में पहले भी वही संकेत था, जो आपको ध्वनि द्वारा पाठ दर्ज करने के लिए Fn दबाकर रखने के लिए कहता था।
फ़ेशू डेस्कटॉप पर इनपुट बॉक्स में, भाषण को टेक्स्ट में बदलने के लिए "बोलने के लिए Fn दबाए रखें" भी एक लाइन है।
भाइयों, आप वास्तव में नहीं जानते कि मैक पर Fn कितना महत्वपूर्ण है, है ना? क्या इनपुट पद्धति और कार्यात्मक क्षेत्र की सभी उच्च-आवृत्ति कुंजियाँ आपकी आवाज़ के कब्जे में हैं?
चिंता मत करो, हम यहीं जा रहे हैं।
फ़ेशू दस्तावेज़ में, यदि आप किसी तालिका में ग्रिड खोलते हैं, तो आप पाएंगे कि ऊपरी दाएं कोने में एक भाषण-से-पाठ पाठ भी है।
आइए इसे इस तरह से कहें, यदि आप अब कोई भी बड़ा फ़ैक्टरी ऐप खोलते हैं, तो आपको माइक्रोफ़ोन का एक गुच्छा आपकी ओर लहराते हुए दिखाई देगा: अंकल, मेरे पास आओ...
आइए तर्कसंगत बनें और ध्वनि इनपुट करें, किसी को कोई आपत्ति नहीं है, एकाधिक विकल्प हमेशा एक अच्छी बात है।
लेकिन वर्तमान रुख स्पष्ट रूप से "आपको अधिक विकल्प देने" से कहीं अधिक है:
कुछ आपको याद दिलाने के लिए पाठ का उपयोग करते हैं, कुछ प्रवेश द्वार को सबसे विशिष्ट स्थान पर रखते हैं, और कुछ बस बटन को बहुत बड़ा बनाते हैं।
ऐसा लगता है कि प्रमुख निर्माताओं ने आवाज को प्राथमिकता देने के लिए एक समझौता किया है, इस डर से कि हम ऐप में बात नहीं करेंगे।
यह देखकर आपके मन में जिज्ञासा हो रही होगी कि आखिर इस वॉयस इनपुट का जादू क्या है?
सबसे पहले, बुरे समीक्षक ने सोचा कि यह काफी सरल था, इसका उपयोग करना आसान था और सस्ता था।
पिनयिन की तुलना में इनपुट दक्षता अधिक है, और लागत अधिक नहीं है।
ज्वालामुखी इंजन की आधिकारिक वेबसाइट पर कीमत के अनुसार, डौबाओ की स्ट्रीमिंग भाषण पहचान की लागत 1 युआन प्रति घंटे से कम है। यहां तक कि अगर एक भारी उपयोगकर्ता हर दिन 10 मिनट का भाषण भेजता है, तो इसकी लागत केवल 60 युआन प्रति वर्ष होती है। यह अभी भी खुदरा मूल्य है, और प्रमुख निर्माताओं के लिए अपने स्वयं के मॉडल का उपयोग करना सस्ता होगा।
लेकिन समस्या यह है:
वॉइस इनपुट बिल्कुल भी नया नहीं है। सिरी दस साल से अधिक समय पहले श्रुतलेख लेने में सक्षम हो गया है, और अमैप पर ध्वनि खोज कई वर्षों से उपलब्ध है। आवाज की प्राथमिकता अब इतनी अधिक क्यों है?
बाद में, मैंने इसके बारे में सोचा और महसूस किया कि कुंजी इनपुट विधि में निहित हो सकती है।
मैंने पहले प्रमुख निर्माताओं के इनपुट तरीकों के बारे में लिखा है, जिसमें कहा गया है कि इनपुट विधि सभी ऐप्स के दरवाजे की सुरक्षा करने वाले सुरक्षा गार्ड की तरह है। यह पहले आपकी सभी ज़रूरतों को जानता है, और फिर ऐप को।
उदाहरण के लिए, यदि आप डौबाओ ऐप में कोई प्रश्न पूछते हैं, तो आपके द्वारा भेजें पर क्लिक करने से पहले WeChat इनपुट पद्धति ने उत्तर आपके सामने रख दिया होगा।
इसी तरह, यदि आप WeChat में एक संदेश भेजते हैं और बीनबाओ इनपुट पद्धति का उपयोग करके टाइप करते हैं, तो WeChat निश्चित रूप से इस दृश्य को नहीं देखना चाहता है।
कई साल पहले, सोगौ इनपुट पद्धति ने Baidu को पीछे छोड़ दिया था।
सभी उपयोगकर्ता Baidu पर हैं, और टाइप करते समय दिखाई देने वाले उम्मीदवार शब्द खोज के लिए सीधे Sogou पर ले जाए जाते हैं।
तो ऐप्स सोच रहे होंगे: क्या उपयोगकर्ताओं के लिए मेरे साथ सीधे बातचीत करने और इनपुट पद्धति की सुरक्षा को बायपास करने का कोई तरीका है?
भाषण से पाठ तक।
दरअसल, यह तकनीक कई साल पहले अस्तित्व में थी, लेकिन उस समय लागत अधिक थी और सटीकता कम थी।
पिछले दो वर्षों में बड़े पैमाने पर भाषण मॉडल के विकास के साथ, इसकी सटीकता और प्रतिक्रिया की गति लगभग सही हो गई है।
यह कहा जा सकता है कि AI द्वारा समर्थित वॉइस-टू-टेक्स्ट ऐप को इनपुट पद्धति द्वारा इंटरसेप्ट किए जाने के डर के बिना पहली बार अकेले काम करने का अवसर देता है।
लेकिन यह सिर्फ "रक्षा" है। आइए थोड़ा और देखें: प्रमुख निर्माता वास्तव में आक्रामक हैं, अगली पीढ़ी की बातचीत के प्रवेश द्वार को पहले से ही जब्त कर रहे हैं।
आज, यदि आप बोलने के लिए दबाकर रखते हैं, तो ऐप आपके शब्दों को शब्दों में बदलने में मदद करेगा; कल, यदि आप बोलने के लिए दबाकर रखेंगे, तो क्या ऐप सीधे आपके लिए उड़ान बुक करेगा?
पहले से ही कुछ AI-नेटिव ऐप्स हैं जो ऐसा कर सकते हैं, लेकिन WeChat और Feishu जैसे ऐप्स भी इस दिशा में जाना चाहते हैं, इसलिए वे पहले उपयोगकर्ताओं को बोलने के लिए प्रशिक्षित करते हैं, और फिर उपयोगकर्ताओं को अपनी जरूरतों को पूरा करने के लिए एजेंटों के साथ सीधे बातचीत करने के लिए प्रशिक्षित करते हैं।
अगली पीढ़ी के ऐप्स में, आपको अपना मुंह खोलना होगा और बोलना होगा → AI सीधे काम करेगा।
लेकिन यह प्रक्रिया क्रमिक होनी चाहिए.
तो अब प्रमुख ऐप्स को उपयोगकर्ताओं को अपने ऐप्स में बोलने की आदत का मार्गदर्शन करने और विकसित करने के लिए अपना सर्वश्रेष्ठ प्रयास करना चाहिए, और फिर धीरे-धीरे विभिन्न एआई सारांश और खोज कार्यों को वॉयस कमांड में एकीकृत करना चाहिए।
यही कारण है कि हर कोई आवाज पहचानने पर जोर दे रहा है।
लेकिन यह अंत नहीं है.
यह घटना भविष्य में बाज़ार के अधिकांश ऐप्स में भी फैल जाएगी।
क्योंकि वृद्धिशील युग में, हर कोई इस बात से प्रतिस्पर्धा करता है कि कौन तेज़ दौड़ सकता है, जबकि स्टॉक युग में, हर कोई इस बात से प्रतिस्पर्धा करता है कि कौन अधिक तेज़ दौड़ सकता है। जब केक बड़ा नहीं होता है, तो प्रत्येक परिवार केवल वही ले सकता है जो उसके अपने कटोरे में है।
इस स्थिति में, कोई भी फ़ंक्शन जिसे एआई के साथ जोड़ा जा सकता है और उपयोगकर्ताओं को निर्भर बना सकता है, जब तक पहली कंपनी ऐसा करती है, दूसरी कंपनी उसका पालन करेगी। क्योंकि उपयोगकर्ता निर्भर हैं, बाजार की मांग बदल जाएगी, और यदि आप ऐसा नहीं करते हैं, तो आपसे उपयोगकर्ता छीन लिए जाएंगे।
मुझ पर विश्वास मत करो, बस अपनी आलोचना करो। मैं एक बड़ी कंपनी द्वारा सफलतापूर्वक प्रशिक्षित किये जाने का जीवंत उदाहरण हूं।
जब मैंने पहली बार इन वॉयस प्रविष्टियों को देखा, तो मैंने मन में सोचा: मैं दस साल से अधिक समय से टाइप कर रहा हूं और मेरे हाथ की गति धीमी नहीं है, तो मुझे अपने फोन से बात क्यों करनी चाहिए?
कई बार प्रयास करने के बाद, मैंने पाया कि पहचान वास्तव में तेज़ और सटीक है, और किसी भी अस्पष्टता को स्वचालित रूप से ठीक किया जा सकता है।
कुछ महीने पहले मैं अभी भी टाइप करने में चूक गया था, और मैंने सिर्फ आवाज का उपयोग किया क्योंकि मैं ऐसा करने में बहुत आलसी था...
अब क्या?
जब मैं अपना मुंह खोल सकता हूं तो मैं कभी टाइप नहीं करता। यहां तक कि जब मैं कार्यालय में बैठकर पांडुलिपि लिख रहा होता हूं, तब भी मैं लिखवाना चाहता हूं। मेरी उंगलियों में अब दर्द नहीं है और मेरी इनपुट गति तेज़ है। इसके विपरीत, जब मैं कभी-कभी इनपुट पद्धति पर वापस स्विच करता हूं, तो मुझे आश्चर्य होता है कि यह इतना कठिन क्यों है।
बेशक एआई पर मेरी निर्भरता इससे कहीं आगे तक जाती है।
अब जब मैं एक लंबा लेख देखता हूं, तो मेरे पास इसे शुरू से अंत तक पढ़ने का धैर्य नहीं है, इसलिए मैं मुख्य बिंदुओं को संक्षेप में बताने के लिए इसे एआई पर छोड़ देता हूं। यदि मैं ट्विटर पर किसी समाचार या वीडियो को सत्यापित करना चाहता हूं, तो @Grok उसे जाने देगा; जब मैं आमतौर पर जानकारी खोजता हूं, तो मैं बस एआई सारांश पढ़ता हूं, और यदि यह मुश्किल है, तो मैं विभिन्न एजेंटों को इसे मेरे लिए हल करने दूंगा।
जब ये फ़ंक्शन पहली बार सामने आए तो मैंने इन पर ज़्यादा ध्यान नहीं दिया, लेकिन कुछ बार इन्हें अनुभव करने के बाद, मैं इनके बिना रह नहीं सका और इसका एहसास भी नहीं हुआ।
जब आप और मैं दोनों इस तरह एआई पर भरोसा करते हैं, तो बाजार की मांग सूक्ष्मता से फिर से लिखी जाती है।
एआई वॉयस और एआई सारांश के बिना हर कोई ऐप का उपयोग नहीं कर पाएगा। बाज़ार के अनुकूल ढलने के लिए, ऐप डेवलपर्स को स्वाभाविक रूप से इन कार्यों को प्रदान करने के लिए इसका पालन करना होगा।
शायद जल्द ही, इनपुट पद्धति अब एक आवश्यकता नहीं रह जाएगी।
जब हमने पहली बार इस विषय पर बात करना शुरू किया, संपादकीय टीम अभी भी मजाक कर रही थी:
यदि वॉयस इनपुट इसी तरह जारी रहा, तो भविष्य में युवा लोग पिनयिन टाइप करने में भी सक्षम नहीं होंगे।
यह पहली बार में थोड़ा डरावना लग सकता है, लेकिन जब दिन आएगा, तो इससे कोई फर्क नहीं पड़ेगा कि आप पिनयिन में टाइप नहीं कर सकते? प्रत्येक पीढ़ी का अपना कौशल होता है। पिछली पीढ़ी ने सोचा था कि हम प्रकाश बल्बों की मरम्मत नहीं कर सकते या पाँच-स्ट्रोक टाइपिंग नहीं कर सकते, लेकिन फिर भी हम बहुत अच्छा जीवन जी रहे थे।
इनपुट पद्धति कभी भी लक्ष्य नहीं रही है, यह सिर्फ लोगों और मशीनों को जोड़ने का एक तरीका है। जब एक दिन एक नई सड़क अधिक सुविधाजनक हो जाती है, तो कोई भी पुरानी सड़क को नहीं भूलेगा।
समय का पहिया आगे बढ़ रहा है, और हमेशा कुछ कौशल होते हैं जो समाज के संचालन के तरीके के विकास के साथ धीरे-धीरे गायब हो जाएंगे।
टिप्पणियाँ