Meta திங்களன்று ஒரு புதிய ஆடியோ AI மாதிரியை வெளியிட்டது, இது பல பேச்சாளர்களை வேறுபடுத்தி, பல மொழிகளை நிகழ்நேரத்தில் டிரான்ஸ்கிரிப்ட் செய்ய முடியும் என்று எங்கட்ஜெட்டின் கூற்றுப்படி, பேச்சு AIக்கான பெருகிய நெரிசலான சந்தையில் நிறுவனத்தை ஆழமாகத் தள்ளுகிறது. தகவல் முதலில் ஆடியோ மாதிரி அறிவிப்பைப் புகாரளித்தது, அதே நேரத்தில் ஒரு துணை தயாரிப்பு - மியூஸ் வாய்ஸ் டிரான்ஸ்கிரைப், நிகழ்நேர குரல் டிக்டேஷனை மேக்கிற்குக் கொண்டுவருகிறது - 9to5Mac ஆல் விவரிக்கப்பட்டது.
மெட்டா அதன் AI ஸ்டேக்கிற்கான முதல்-வகுப்பு உள்ளீடாக குரலைக் கருதுகிறது என்பதற்கான சமிக்ஞையை இரட்டை வெளியிடுகிறது, இது ஒரு பின் சிந்தனை அல்ல. ஓவர்லேப்பிங் ஸ்பீக்கர்களைக் கையாளக்கூடிய நிகழ்நேர டிரான்ஸ்கிரிப்ஷன், மொழி மாறுதல் இடைப்பட்ட உரையாடல் மற்றும் சிஸ்டம்-வைட் டிக்டேஷன் ஆகியவை புதுமை அம்சத்திலிருந்து குரலை தினசரி பயன்பாட்டு இடைமுகமாக மாற்றும் திறன்களாகும். For more context on this story, see our ongoing AI trends.
ஒரு மாதிரி, பல குரல்கள், பல மொழிகள்
எங்கட்ஜெட் அறிக்கையின்படி தலைப்புத் திறன் என்பது, நிகழ்நேரத்தில் பல மொழி பேசுபவர்கள் மற்றும் பல மொழிகளுக்கு இடையே வேறுபடுத்தி அறியும் மாடலின் திறன் ஆகும். அந்த கலவையானது நடைமுறை டிரான்ஸ்கிரிப்ஷனில் உள்ள இரண்டு கடினமான பிரச்சனைகளை ஒரே நேரத்தில் தீர்க்கிறது: ஸ்பீக்கர் டைரைசேஷன் - யார் என்ன சொன்னார்கள் என்பதைக் கண்டறிதல் - மற்றும் பன்மொழி அங்கீகாரம், இடைநிறுத்தம் இல்லாமல் மொழிகளுக்கு இடையில் உரையாடல் நகர்கிறது.
தற்போதுள்ள பெரும்பாலான டிரான்ஸ்கிரிப்ஷன் பைப்லைன்கள் இவற்றை தனித்தனி நிலைகளாகக் கருதுகின்றன: முதலில் ஒரு டயரைசேஷன் மாடல் ஸ்பீக்கர்களைப் பிரிக்கிறது, பின்னர் ஒரு அங்கீகார மாதிரி ஒவ்வொரு பிரிவையும் டிரான்ஸ்கிரிப்ட் செய்கிறது. அவற்றை ஒரு நிகழ்நேர மாதிரியாக இணைப்பதுதான் நேரடி பயன்பாட்டு நிகழ்வுகளுக்கு தொழில்நுட்பத்தை சாத்தியமானதாக ஆக்குகிறது - சந்திப்புகள், நேர்காணல்கள், வாடிக்கையாளர் அழைப்புகள், நேரடி மொழிபெயர்ப்பு மேலடுக்குகள் - பிந்தைய செயலாக்கத்திற்காக காத்திருப்பது நோக்கத்தை தோற்கடிக்கிறது.
மியூஸ் வாய்ஸ் டிரான்ஸ்கிரைப் ஒவ்வொரு Mac பயன்பாட்டிற்கும் டிக்டேஷனைக் கொண்டுவருகிறது
மாடலுடன், மெட்டா மேகோஸிற்கான மியூஸ் வாய்ஸ் டிரான்ஸ்கிரைபை அறிமுகப்படுத்தியது. 9to5Mac அறிக்கையின்படி, கருவியானது Mac பயன்பாடுகள் முழுவதும் வேலை செய்யும் நிகழ்நேர குரல் டிக்டேஷனை வழங்குகிறது - இது ஒரு முழுமையான பயன்பாட்டைக் காட்டிலும் கணினி அளவிலான டிக்டேஷன் லேயர் ஆகும். கேஜெட் மதிப்பாய்வின் கவரேஜ் ஒவ்வொரு Mac பயன்பாட்டிற்கும் நிகழ்நேர ஆணையைக் கொண்டுவருவதாக விவரித்தது.
அந்த வடிவமைப்பு தத்தெடுப்புக்கு முக்கியமானது. டிக்டேஷன் கருவிகள் உராய்வின் போது வாழ்கின்றன அல்லது இறக்கின்றன: பயனர்கள் ஒரு தனி சாளரத்திலிருந்து உரையை நகலெடுக்க வேண்டும் என்றால், அவர்கள் அதைப் பயன்படுத்துவதை நிறுத்துவார்கள். கணினி மட்டத்தில் பணிபுரிவது என்பது கர்சர் ஒளிரும் - மின்னஞ்சல், குறியீடு எடிட்டர்கள், செய்தியிடல் பயன்பாடுகள், ஆவணங்கள் - குரல் உள்ளீடு கிடைக்கக்கூடியதாக இருக்கும்.
மேக் வெளியீடு மெட்டாவுக்கான குறிப்பிடத்தக்க பிரதேசத்தையும் குறிக்கிறது. நிறுவனத்தின் AI முயற்சிகள் அதன் மொபைல் பயன்பாடுகள், அதன் மெட்டா AI உதவியாளர் மற்றும் அதன் லாமா-குடும்பம் மற்றும் மியூஸ்-குடும்ப மாதிரிகள் ஆகியவற்றை மையமாகக் கொண்டுள்ளன. ஆப்பிளின் பிளாட்ஃபார்மிற்கு மெருகூட்டப்பட்ட டெஸ்க்டாப் உற்பத்தித்திறன் கருவியை அனுப்புவது, மெட்டாவை ஒரு தொழில்முறை பயனர் தளத்துடன் நேரடியாக தொடர்பு கொள்ள வைக்கிறது - மேலும் அதை பிளாட்ஃபார்மில் நிறுவப்பட்ட டிக்டேஷன் மற்றும் டிரான்ஸ்கிரிப்ஷன் பயன்பாடுகளுடன் போட்டியிட வைக்கிறது.
வேகமாக வரும் ஒரு நெரிசலான மைதானம்
கடந்த இரண்டு ஆண்டுகளாக மறுவிலை செய்யப்பட்டு மறுவடிவமைக்கப்பட்ட சந்தையில் மெட்டா நுழைகிறது. OpenAI இன் விஸ்பர் ஓப்பன் சோர்ஸ் மாடல்கள் அணுகக்கூடிய பன்மொழி டிரான்ஸ்கிரிப்ஷனுக்கான அடிப்படையை அமைக்கின்றன, மேலும் நிறுவனத்தின் கட்டண ஜிபிடி டிரான்ஸ்கிரிப் ஏபிஐ வணிகச் சந்தையின் பெரும்பகுதியை விலையில் குறைக்கிறது. இதற்கிடையில், கூகிள் அதே திசையில் கடுமையாகத் தள்ளப்பட்டுள்ளது: ஜெமினி-இயங்கும் டிரான்ஸ்கிரிப்ஷன் மாதிரிகள் நிகழ்நேரத்தில் டஜன் கணக்கான மொழிகளை உள்ளடக்கிய டெவலப்பர்களுக்கு வழங்கப்பட்டுள்ளன, கூகிள் அதன் 85-மொழி நிகழ்நேர பேச்சு டிரான்ஸ்கிரிப்ஷன் மாடல்களை அனுப்பியபோது நாங்கள் விவரித்தோம்.
அந்த பின்னணியில், வேறுபாடு என்பது மூலத் துல்லியத்திலிருந்து மாறியுள்ளது - அங்கு தலைவர்கள் ஒருவருக்கொருவர் இரைச்சலுக்குள்ளாக நிலையான வரையறைகளில் - நடைமுறை விவரங்களுக்கு: தாமதம், ஸ்பீக்கர் கையாளுதல், மொழிகளுக்கு இடையே குறியீடு மாறுதல், விலை நிர்ணயம் மற்றும் மாதிரி இயங்கும் இடம். நிகழ்நேரத்தில் ஒரே நேரத்தில் மல்டி ஸ்பீக்கர் மற்றும் பன்மொழி அங்கீகாரத்திற்கு மெட்டாவின் முக்கியத்துவம் துல்லியமாக அந்த நடைமுறை விவரங்களைக் குறிவைக்கிறது.
குரல் ஏன் திடீரென்று உத்தி
நேரம் தற்செயலானது அல்ல. AI முகவர்களுக்கு குரல் இயல்புநிலை இடைமுகமாக மாறி வருகிறது, மேலும் ஆடியோ லேயரை வைத்திருக்கும் நிறுவனங்கள் — பிடிப்பு, டிரான்ஸ்கிரிப்ஷன், புரிதல், பதில் — உதவியாளர் அனுபவங்களுக்கு மிகவும் இயல்பான நுழைவு புள்ளியைக் கட்டுப்படுத்துகின்றன. AI கண்ணாடிகள் மற்றும் அணியக்கூடிய சாதனங்களுக்கான அதன் லட்சியங்களைப் பற்றி மெட்டா பொதுவில் உள்ளது, இதில் குரல் மட்டுமே நடைமுறை உள்ளீடு ஆகும். வேகமான, துல்லியமான, பயணத்தின்போது ஆடியோ மாடல் என்பது அந்த சாலை வரைபடத்திற்கான உள்கட்டமைப்பாகும்.
நிறுவன கோணமும் உள்ளது. கூட்டங்கள், ஆதரவு அழைப்புகள் மற்றும் களப்பணி ஆகியவை மல்டி ஸ்பீக்கர் ஆடியோவின் மகத்தான தொகுதிகளை உருவாக்குகின்றன. உரையாடல் நிகழும்போது நம்பகத்தன்மையுடன் படியெடுக்கும் மாதிரி - ஸ்பீக்கர்கள் லேபிளிடப்பட்ட மற்றும் கையேடு உள்ளமைவு இல்லாமல் கையாளப்படும் மொழிகள் - ஒரு டெமோவிற்கும் தயாரிப்புக்கும் உள்ள வித்தியாசம்.
நிகழ்நேர டிரான்ஸ்கிரிப்ஷன் வசதிக்கு அப்பாற்பட்ட நன்மைகளையும் கொண்டுள்ளது. நேரலை வசனங்கள் கூட்டங்கள், வகுப்பறைகள் மற்றும் ஒளிபரப்புகளை காதுகேளாத மற்றும் காது கேளாத பயனர்களுக்கு அணுகக்கூடியதாக ஆக்குகிறது, மேலும் உடனடி பன்மொழி தலைப்புகள் சர்வதேச அணிகளுக்கான மொழி தடைகளை குறைக்கின்றன. டிரான்ஸ்கிரிப்ஷன், இயல்பான பேச்சுக்கு வேகம் மற்றும் பல ஸ்பீக்கர்களை ஒரே நேரத்தில் கண்காணிக்கும் அளவுக்கு வலுவானதாக இருக்கும்போது, அந்த அணுகல் அம்சங்கள் சிறப்பு வசதிகளாக இருப்பதை நிறுத்தி, அன்றாட கருவிகளில் கட்டமைக்கப்பட்ட இயல்புநிலைகளாக மாறும்.
ஆரம்ப கவரேஜில் விலை அல்லது முழு கிடைக்கும் விவரங்களை Meta அறிவிக்கவில்லை. ஆனால் திசை தவறாமல் உள்ளது: AI ஸ்டேக்கின் ஆடியோ லேயர், நீண்ட காலமாக ஒரு பொருளாகக் கருதப்படுகிறது, இப்போது பிளாட்பார்ம் போரில் முன்னணியில் உள்ளது - மேலும் மெட்டா அதை எதிர்த்துப் போராட முடிவு செய்துள்ளது.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
