नई दिल्ली: अमेरिका की टेक्नोलॉजी कंपनी मेटा ने अपना पहला रियल-टाइम ऑडियो-परसेप्शन मॉडल -- 'म्यूज वॉयस ट्रांसक्राइब' (Muse Voice Transcribe) -- पेश किया है। यह पांच प्रमुख भारतीय भाषाओं के लिए नेटिव सपोर्ट और एडवांस्ड स्ट्रीमिंग फीचर्स देता है।
कंपनी ने एक बयान में कहा कि मेटा सुपरइंटेलिजेंस लैब्स द्वारा विकसित 'म्यूज वॉयस ट्रांसक्राइब' स्ट्रीमिंग ट्रांसक्रिप्शन, एक घंटे से ज़्यादा की रिकॉर्डिंग में 20 से ज़्यादा आवाज़ों को अलग-अलग पहचानने (स्पीकर सेपरेशन), नेटिव कोड-स्विचिंग और डायराइजेशन (कौन कब बोल रहा है, यह पहचानना) की सुविधा देता है। यह सब बिना किसी पोस्ट-प्रोसेसिंग स्टेप के एक ही मॉडल से होता है।
'म्यूज वॉयस ट्रांसक्राइब' को कई देशों में बोली जाने वाली 70 से ज़्यादा भाषाओं पर ट्रेन किया गया है और लॉन्च के समय 25 भाषाओं को वेरिफाई किया गया है।
बयान में कहा गया है, "1 सितंबर, 2026 तक यह 'आर्टिफिशियल एनालिसिस' के स्ट्रीमिंग स्पीच-टू-टेक्स्ट लीडरबोर्ड पर पहले स्थान पर है।"
मेटा मॉडल API के ज़रिए उपलब्ध और पहले से ही Mac के लिए मेटा AI और 'म्यूज कोड' में डिक्टेशन के लिए इस्तेमाल हो रहा 'म्यूज वॉयस ट्रांसक्राइब' रियल-टाइम ऑटोमैटिक स्पीच रिकग्निशन, 20 से ज़्यादा स्पीकर्स के साथ डायराइजेशन और एंडपॉइंटिंग की सुविधा देता है।
यह कई भाषाओं को सपोर्ट करता है, इसमें आसानी से कोड-स्विचिंग होती है और भाषा, कीवर्ड व संदर्भ (context) के आधार पर यह ज़्यादा सटीक नतीजे देता है।
बयान में बताया गया, "मॉडल प्रेडिक्शन (अनुमान) के लिए जितना ज़्यादा इंतज़ार करता है, ट्रांसक्रिप्ट उतना ही सटीक होता है, लेकिन लेटेंसी (देरी) उतनी ही ज़्यादा होती है। 'म्यूज वॉयस ट्रांसक्राइब' में 'अडैप्टिव डिले' (adaptive delay) है, जो शब्द की मुश्किल के आधार पर हर शब्द के लिए देरी को डायनामिक रूप से बदलता है।"
यह रीइन्फोर्समेंट लर्निंग (RL) से संभव होता है, जिसमें वर्ड एरर रेट (WER) रिवॉर्ड और डिले रिवॉर्ड को गुणात्मक रूप से मिलाया जाता है।
मेटा ने कहा, "'म्यूज वॉयस ट्रांसक्राइब' 'म्यूज स्पार्क' परिवार का एक ऑटोरेग्रेसिव मल्टीमॉडल मॉडल है।"
कंपनी ने बताया कि ऑडियो को 80 ms के हिस्सों (12.5 Hz) में प्रोसेस किया जाता है और हर हिस्से को एक सिंगल सॉफ्ट टोकन में बदला जाता है। हर ऑडियो हिस्से पर, मॉडल या तो अगले ऑडियो हिस्से को सुनना जारी रखने या टेक्स्ट टोकन जारी करने का फैसला करता है।
कंपनी ने कहा कि अडैप्टिव डिले के साथ, 'म्यूज वॉयस ट्रांसक्राइब' स्पीड और एक्यूरेसी के बीच संतुलन (ट्रेड-ऑफ) के मामले में 'पारेटो फ्रंट' (सर्वोत्तम प्रदर्शन स्तर) हासिल करता है, जिसे फाइनल ट्रांसक्रिप्शन में लगने वाले समय से मापा जाता है।