व्हॉईस-एआय मार्केट तापत असताना आणि गुंतवणूकदार मजकूर-आधारित चॅटबॉट्सच्या पलीकडे पुढील झेप घेत असताना ही फेरी येते. आर्टिफिशियल इंटेलिजन्स उद्योगाला पुन्हा आकार देणाऱ्या स्टार्टअप्सच्या सतत कव्हरेजसाठी, आमच्या नवीनतम AI बातम्या फॉलो करा.
लहान, विशिष्ट व्हॉइस मॉडेल्सवर एक पैज
Smallest.ai चा मुख्य प्रबंध असा आहे की व्हॉईस एजंट्समध्ये पुढील प्रगती मोठ्या भाषेतील मॉडेल्स जलद बनवण्यापासून होणार नाही, तर मानवी संभाषणासाठी विशेषतः अभियंता बनवलेले छोटे, उद्देशाने तयार केलेले मॉडेल बनवण्यापासून मिळणार आहे. मुख्य कार्यकारी सुदर्शन कामथ यांनी TechCrunch ला सांगितले की आजचे LLM मुळात भाषणाच्या लयशी जुळत नाहीत: ते "विचार" सुरू करण्यापूर्वी संपूर्ण प्रॉम्प्टची वाट पाहतात, जो मजकूर चॅटमध्ये नैसर्गिक वाटतो पण फोन कॉलवर त्रास होतो.
"मी तुमच्याशी बोलत असताना, तुम्ही आधीच विचार करत आहात, आणि जर मी खूप वेळ बोललो तर तुम्ही मला व्यत्यय आणू शकता," कामथ यांनी स्पष्ट केले, मानवी संवादाचे वास्तविक-वेळेचे, आच्छादित स्वरूपाचे वर्णन करताना त्याच्या स्टार्टअपचे मॉडेल प्रतिकृती तयार करण्यासाठी डिझाइन केलेले आहे. हे मॉडेल ऐकून, विचार करून आणि एकाच वेळी बोलून ऑडिओवर प्रक्रिया करते, अक्षरशः शून्य प्रतिसाद अंतरासाठी लक्ष्य ठेवते.
दोन-मॉडेल आर्किटेक्चर
Smallest.ai ची सिस्टीम AI एजंट्ससाठी एक मानक आर्किटेक्चर बनेल कामथच्या अंदाजावर अवलंबून आहे: एक लहान, लाइटनिंग-फास्ट व्हॉइस मॉडेल थेट संभाषण हाताळते, तर "ऑफलाइन" मोठ्या पायाभूत मॉडेलला फक्त तेव्हाच बोलावले जाते जेव्हा एखादी क्वेरी लहान मॉडेलच्या ज्ञान बेसपेक्षा जास्त असते. जेव्हा असे घडते, तेव्हा सिस्टम कॉलरला समस्येचे "संशोधन" करण्यासाठी होल्डवर ठेवते, मानवी एजंट प्रमाणेच.
श्रमाचे हे विभाजन स्टार्टअपला त्याच्या लहान मॉडेलला आवाज-विशिष्ट आव्हानांवर कठोरपणे लक्ष केंद्रित करू देते, ज्यामध्ये विविध उच्चार हाताळणे, डझनभर भाषांना समर्थन देणे आणि गोंगाटाच्या वातावरणात कार्य करणे समाविष्ट आहे. याउलट, जे स्पर्धक सामान्य-उद्देशीय LLM ला आवाजावर लागू करतात त्यांना खूप जास्त विलंबता आणि गणना खर्चाचा सामना करावा लागतो.
ग्राहक आणि स्पर्धा
Smallest.ai च्या विद्यमान ग्राहकांमध्ये व्हॉईस आणि कम्युनिकेशन्स क्षेत्रातील कंपन्या समाविष्ट आहेत, त्यापैकी RingCentral आणि Truecaller. कामथ यांनी असा युक्तिवाद केला की चांगल्या अर्थसहाय्यित ग्राहक-समर्थन स्टार्टअपना त्यांचे स्वतःचे व्हॉइस मॉडेल तयार करण्यासाठी थोडेसे प्रोत्साहन दिले जाते, कारण "आवाज करण्यात अत्यंत चांगला असणे हा त्यांच्या मूळ व्यवसायापासून विचलित होतो."
स्टार्टअप व्हॉईस-एआय लीडर ElevenLabs, तसेच कार्टेसिया आणि सर्वम सारख्या प्रादेशिक खेळाडूंशी स्पर्धा करते जे स्थानिक भाषांवर लक्ष केंद्रित करतात. काही प्रतिस्पर्धी डबिंग आणि पॉडकास्टिंगसाठी व्हॉइस AI लागू करतात, तर Smallest.ai एंटरप्राइझ ग्राहकांसाठी रिअल-टाइम संभाषण एजंट्सवर लक्ष केंद्रित करते.
आवाजासाठी ट्युरिंग चाचणी
कामथ यांची महत्त्वाकांक्षा अस्पष्ट आहे. "आमच्या मॉडेल्सनी ट्युरिंग चाचणी मोडावी अशी आमची इच्छा आहे," तो म्हणाला. "तुम्ही आमच्या मॉडेलशी बोलले पाहिजे आणि ते AI किंवा मानवी आहे हे कळू नये. कंपनीचे हे एकमेव लक्ष आहे."
ती बार नजीकच्या काळात साध्य करता येईल की नाही हा एक खुला प्रश्न आहे. गेल्या दोन वर्षांत व्हॉईस एआय नैसर्गिकतेमध्ये नाटकीयरित्या सुधारला आहे, परंतु सर्वोत्तम प्रणाली देखील सूक्ष्म संकेतांशी संघर्ष करत आहेत — संकोच, विनोद, भावनिक वळण — ज्यामुळे मानवी संभाषण जिवंत वाटते. Smallest.ai ची पैज अशी आहे की मजकूर-प्रशिक्षित LLM मधून रुपांतरित न करता भाषणाच्या उद्देशाने तयार केलेले मॉडेल, उद्योगाच्या अपेक्षेपेक्षा ते अंतर अधिक वेगाने पूर्ण करू शकते.
गर्दीने भरलेली पण वेगाने वाढणारी बाजारपेठ
हा निधी व्हॉईस-एआय श्रेणीसाठी गुंतवणूकदारांचा व्यापक उत्साह अधोरेखित करतो. व्हॉईस इंटरफेस हे ग्राहकांना AI एजंट्सशी संवाद साधण्याचा सर्वात नैसर्गिक मार्ग म्हणून पाहिले जात आहे आणि एंटरप्राइझ कॉल सेंटर्स एका मोठ्या, ताबडतोब ओळखता येण्याजोग्या बाजारपेठेचे प्रतिनिधित्व करतात जिथे विलंबता आणि नैसर्गिकतेमध्ये अगदी माफक सुधारणा देखील मोजता येण्याजोग्या खर्च बचतीमध्ये अनुवादित करू शकतात.
आता $21 दशलक्ष हातात असून, Smallest.ai ची मॉडेल क्षमता वाढवण्याची आणि त्याचा एंटरप्राइझ ग्राहक आधार वाढवण्याची योजना आहे. स्पर्धात्मक लँडस्केप, तथापि, अक्षम्य आहे: ElevenLabs ला महत्त्वपूर्ण बाजारपेठेचा वाटा आहे आणि मोठ्या खेळाडूंनी त्यांच्या प्रमुख उत्पादनांमध्ये आवाज समाकलित करणे सुरू ठेवले आहे. Smallest.ai चे भेदभाव या आधारावर अवलंबून आहे की एक केंद्रित, विशेष आवाजाचे मॉडेल एका मेट्रिकवर सामान्यतावादी प्रणालींना मागे टाकू शकते जे रिअल-टाइम संभाषणासाठी सर्वात महत्त्वाचे आहे - मानवी वाटणारी गती.
AI च्या पुढे रहा
व्हॉईस एजंट्सपासून फ्रंटियर मॉडेल्सपर्यंत, सौदे आणि प्रगती वेगाने येत आहेत. आर्टिफिशियल इंटेलिजन्सचे भविष्य घडवणाऱ्या कंपन्या आणि संस्थापकांच्या चालू कव्हरेजसाठी AI Buzz Wire बुकमार्क करा.
अधिक एआय स्टार्टअप बातम्या वाचा →
