Gnani AI ने नुकतेच Prisma v3.0 हे नवीन स्पीच-टू-टेक्स्ट मॉडेल सादर केले आहे. भारतीय टेलीफोनीच्या गुंतागुंतीच्या गरजा लक्षात घेऊन तयार केलेले हे मॉडेल बँकिंग आणि सेवा क्षेत्रातील कंपन्यांना ग्राहकांच्या आवाजी डेटाचे अचूक विश्लेषण करण्यास मदत करेल.
भारतीय बाजारातील भाषिक विविधता आणि टेलीफोनीमधील आव्हाने लक्षात घेऊन Gnani AI ने Prisma v3.0 हे प्रगत स्पीच-टू-टेक्स्ट मॉडेल लाँच केले आहे. भारतात अनेकदा ग्राहक बोलताना प्रादेशिक भाषा आणि इंग्रजीचे मिश्रण (Code-mixing) करतात, ज्याचे अचूक लिप्यंतरण करणे जागतिक AI मॉडेल्ससाठी कठीण ठरते. हेच आव्हान पेलण्यासाठी हे नवीन मॉडेल विकसित करण्यात आले आहे.\n\n### भारतीय बोलीभाषेवर आधारित तंत्रज्ञान\n\nहे मॉडेल आंतरराष्ट्रीय डेटॅसेटऐवजी थेट भारतीय टेलीफोन ऑडिओच्या आधारे तयार करण्यात आले आहे. यामुळे कॉल सेंटरमधील बॅकग्राउंड नॉइज आणि स्थानिक बोलीभाषा ओळखणे अधिक सोपे झाले आहे. कंपनीच्या मते, हे मॉडेल नऊ भारतीय भाषांमध्ये १६.९% एवढा 'मॅक्रो वर्ड एरर रेट' गाठण्यात यशस्वी ठरले आहे, जे जागतिक स्पर्धकांच्या तुलनेत अधिक अचूक आहे.\n\n### व्यवसायांसाठी खास कस्टमायझेशन\n\nबँकिंग, विमा आणि कस्टमर सपोर्ट कंपन्यांसाठी Prisma v3.0 मध्ये चार विशेष मोड्स देण्यात आले आहेत:\n\n* Verbatim mode: लीगल ऑडिटसाठी पूर्ण संवाद जसाच्या तसा टिपण्यासाठी.\n* Transcribe mode: डेटाबेस लॉगिंगसाठी स्वच्छ मजकूर मिळवण्यासाठी.\n* Code-mix mode: मूळ भाषेतील लिपी जपण्यासाठी.\n* Transliterate mode: प्रादेशिक भाषेतील संवाद इंग्रजी अक्षरांत रुपांतरित करण्यासाठी.\n\nयाव्यतिरिक्त, वापरकर्ते प्रति विनंती २०० कस्टम कीवर्ड्स वापरू शकतात, ज्यामुळे तांत्रिक शब्द किंवा ब्रँड नावांचे अचूक लिप्यंतरण शक्य होते.\n\n### बाजारावर होणारा परिणाम\n\nसध्या Gnani AI दररोज सुमारे ५ कोटी व्हॉईस इंटरअॅक्शन्सवर प्रक्रिया करते. हे तंत्रज्ञान आता मोठ्या कॉर्पोरेट्सच्या जुन्या सिस्टीम्सना (Legacy Systems) किती वेगाने मागे टाकते आणि डेटा प्रायव्हसीच्या नियमांचे पालन करत भारतीय बाजारात आपली पकड किती मजबूत करते, हे पाहणे महत्त्वाचे ठरेल.