Meta نے پیر کے روز ایک نئے آڈیو AI ماڈل کی نقاب کشائی کی جو کہ ایک سے زیادہ بولنے والوں کے درمیان فرق کر سکتا ہے اور ایک سے زیادہ زبانوں کو حقیقی وقت میں نقل کر سکتا ہے، Engadget کے مطابق، اس اقدام میں جو کمپنی کو تقریر AI کے بڑھتے ہوئے ہجوم والے بازار میں مزید گہرائی میں دھکیلتا ہے۔ انفارمیشن نے سب سے پہلے آڈیو ماڈل کے اعلان کی اطلاع دی، جبکہ ایک ساتھی پروڈکٹ - میوز وائس ٹرانسکرائب، جو میک پر ریئل ٹائم وائس ڈکٹیشن لاتی ہے - کو 9to5Mac نے تفصیل سے بتایا۔
جڑواں ریلیز کا یہ اشارہ ہے کہ میٹا آواز کو اپنے AI اسٹیک کے لیے فرسٹ کلاس ان پٹ کے طور پر دیکھ رہا ہے، نہ کہ سوچنے کے بعد۔ ریئل ٹائم ٹرانسکرپشن جو اوور لیپنگ اسپیکرز کو سنبھال سکتا ہے، درمیانی گفتگو میں لینگویج سوئچنگ، اور سسٹم وائیڈ ڈکٹیشن وہ صلاحیتیں ہیں جو ایک نئی خصوصیت سے آواز کو روزانہ استعمال کے انٹرفیس میں تبدیل کرتی ہیں۔ For more context on this story, see our ongoing more AI stories.
ایک ماڈل، بہت سی آوازیں، بہت سی زبانیں۔
شہ سرخی کی صلاحیت، جیسا کہ Engadget نے رپورٹ کیا، ماڈل کی حقیقی وقت میں متعدد بولنے والوں اور متعدد زبانوں کے درمیان فرق کرنے کی صلاحیت ہے۔ یہ مجموعہ عملی نقل میں بیک وقت دو مشکل ترین مسائل کو حل کرتا ہے: اسپیکر ڈائرائزیشن - یہ معلوم کرنا کہ کس نے کیا کہا - اور کثیر لسانی شناخت، جہاں بات چیت بغیر کسی وقفے کے زبانوں کے درمیان چلی جاتی ہے۔
زیادہ تر موجودہ ٹرانسکرپشن پائپ لائنز ان کو الگ الگ مراحل کے طور پر مانتی ہیں: پہلے ڈائرائزیشن ماڈل اسپیکر کو تقسیم کرتا ہے، پھر ایک شناختی ماڈل ہر طبقہ کو نقل کرتا ہے۔ ان کو ایک واحد ریئل ٹائم ماڈل میں ملانا وہ چیز ہے جو ٹیکنالوجی کو لائیو استعمال کے کیسز - میٹنگز، انٹرویوز، کسٹمر کالز، لائیو ٹرانسلیشن اوورلیز - کے لیے قابل عمل بناتی ہے جہاں پوسٹ پروسیسنگ کا انتظار مقصد کو شکست دیتا ہے۔
میوزک وائس ٹرانسکرائب ہر میک ایپ پر ڈکٹیشن لاتا ہے۔
ماڈل کے ساتھ، میٹا نے میک او ایس کے لیے میوزک وائس ٹرانسکرائب کا آغاز کیا۔ جیسا کہ 9to5Mac نے اطلاع دی ہے، یہ ٹول ریئل ٹائم صوتی ڈکٹیشن فراہم کرتا ہے جو میک ایپلی کیشنز پر کام کرتا ہے - ایک اسٹینڈ اپلی کیشن کے بجائے مؤثر طریقے سے سسٹم کی وسیع ڈکٹیشن پرت۔ گیجٹ ریویو کی کوریج نے اسے ہر میک ایپ پر ریئل ٹائم ڈکٹیشن لانے کے طور پر بیان کیا۔
یہ ڈیزائن اپنانے کے لیے اہمیت رکھتا ہے۔ ڈکٹیشن ٹولز رگڑ پر زندہ رہتے ہیں یا مر جاتے ہیں: اگر صارفین کو متن کو ایک علیحدہ ونڈو سے کاپی کرنا پڑے تو وہ اسے استعمال کرنا چھوڑ دیتے ہیں۔ سسٹم کی سطح پر کام کرنے کا مطلب ہے کہ جہاں بھی کرسر جھپکتا ہے وہاں صوتی ان پٹ دستیاب ہو جاتا ہے — ای میل، کوڈ ایڈیٹرز، میسجنگ ایپس، دستاویزات — بالکل اسی طرح سب سے کامیاب ڈکٹیشن ٹولز نے اپنے سامعین کو جیت لیا ہے۔
میک کی ریلیز میٹا کے لیے قابل ذکر علاقے کو بھی نشان زد کرتی ہے۔ کمپنی کی اے آئی کی کوششیں اس کے موبائل ایپس، اس کے میٹا اے آئی اسسٹنٹ، اور اس کے لاما فیملی اور میوزک فیملی ماڈلز پر مرکوز ہیں۔ ایپل کے پلیٹ فارم کے لیے ایک پالش ڈیسک ٹاپ پروڈکٹیویٹی ٹول کی ترسیل میٹا کو ایک پیشہ ور صارف کی بنیاد کے ساتھ براہ راست رابطے میں رکھتی ہے جس تک پہنچنے کے لیے اس نے تاریخی طور پر جدوجہد کی ہے - اور اسے پلیٹ فارم پر قائم کردہ ڈکٹیشن اور ٹرانسکرپشن یوٹیلیٹیز کے مقابلے میں لاتا ہے۔
ایک پرہجوم میدان جو تیز تر ہوتا جا رہا ہے۔
میٹا ایک ایسی مارکیٹ میں داخل ہو رہا ہے جس کی قیمت پچھلے دو سالوں میں دوبارہ تیار کی گئی ہے۔ OpenAI کے Whisper اوپن سورس ماڈلز قابل رسائی کثیر لسانی ٹرانسکرپشن کے لیے بیس لائن سیٹ کرتے ہیں، اور کمپنی کے ادا شدہ GPT ٹرانسکرائب API نے قیمت پر تجارتی مارکیٹ کے زیادہ تر حصے کو کم کر دیا ہے۔ اس دوران، گوگل نے اسی سمت میں سختی سے کام کیا ہے: جیمنی سے چلنے والے ٹرانسکرپشن ماڈلز کو حقیقی وقت میں درجنوں زبانوں کا احاطہ کرنے والے ڈویلپرز کے لیے رول آؤٹ کر دیا گیا ہے، جیسا کہ ہم نے اس وقت احاطہ کیا جب گوگل نے اپنے 85 زبانوں کے ریئل ٹائم اسپیچ ٹرانسکرپشن ماڈل بھیجے۔
اس پس منظر میں، تفریق خام درستگی سے بدل گئی ہے — جہاں لیڈر معیاری بینچ مارکس پر ایک دوسرے کے شور میں جکڑے ہوئے ہیں — عملی تفصیلات کی طرف: تاخیر، اسپیکر ہینڈلنگ، زبانوں کے درمیان کوڈ سوئچنگ، قیمتوں کا تعین، اور ماڈل کہاں چلتا ہے۔ بیک وقت ملٹی سپیکر اور کثیر لسانی شناخت پر میٹا کا زور اصل وقت میں ان عملی تفصیلات کو ہی نشانہ بناتا ہے۔
آواز اچانک اسٹریٹجک کیوں ہے؟
وقت حادثاتی نہیں ہے۔ آواز AI ایجنٹس کے لیے ڈیفالٹ انٹرفیس بن رہی ہے، اور وہ کمپنیاں جو آڈیو پرت کی مالک ہیں — کیپچر، ٹرانسکرپشن، سمجھنا، جواب — اسسٹنٹ کے تجربات کے لیے سب سے زیادہ قدرتی اندراج پوائنٹ کو کنٹرول کرتی ہیں۔ میٹا نے AI شیشوں اور پہننے کے قابل آلات کے بارے میں اپنے عزائم کے بارے میں عام کیا ہے، جہاں بنیادی طور پر آواز ہی واحد عملی ان پٹ ہے۔ ایک تیز، درست، چلتے پھرتے آڈیو ماڈل اس روڈ میپ کے لیے بنیادی ڈھانچہ ہے۔
انٹرپرائز زاویہ بھی ہے. میٹنگز، سپورٹ کالز، اور فیلڈ ورک ملٹی سپیکر آڈیو کی بہت بڑی مقدار پیدا کرتے ہیں جسے تنظیمیں قابل تلاش اور قابل عمل چاہتی ہیں۔ ایک ایسا ماڈل جو بات چیت کے ہوتے ہی قابل اعتماد طریقے سے نقل کرتا ہے — جس میں اسپیکر کا لیبل لگا ہوا ہے اور دستی کنفیگریشن کے بغیر ہینڈل کی جانے والی زبانیں — ڈیمو اور پروڈکٹ کے درمیان فرق ہے۔
ریئل ٹائم ٹرانسکرپشن میں بھی سہولت سے زیادہ فوائد ہوتے ہیں۔ لائیو کیپشنز میٹنگز، کلاس رومز، اور براڈکاسٹس کو بہرے اور کم سننے والے صارفین کے لیے قابل رسائی بناتے ہیں، اور فوری کثیر لسانی سرخیاں بین الاقوامی ٹیموں کے لیے زبان کی رکاوٹوں کو کم کرتی ہیں۔ جب ٹرانسکرپشن قدرتی تقریر کے ساتھ رفتار برقرار رکھنے کے لیے کافی تیز اور ایک ہی وقت میں ایک سے زیادہ اسپیکرز کو ٹریک کرنے کے لیے کافی مضبوط ہو، تو وہ قابل رسائی خصوصیات خصوصی رہائش بننا بند کر دیتی ہیں اور روزمرہ کے ٹولز میں شامل ڈیفالٹ بن جاتی ہیں۔
میٹا نے ابتدائی کوریج میں قیمتوں یا دستیابی کی مکمل تفصیلات کا اعلان نہیں کیا ہے۔ لیکن سمت واضح نہیں ہے: AI اسٹیک کی آڈیو پرت، جسے طویل عرصے سے ایک کموڈٹی سمجھا جاتا ہے، اب پلیٹ فارم وار میں ایک محاذ ہے - اور میٹا نے اس پر لڑنے کا فیصلہ کیا ہے۔
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
