इंडियन इन्स्टिट्यूट ऑफ सायन्स (IISc) ने 'SraVaani' नावाचे ओपन-सोर्स स्पीच AI मॉडेल सादर केले आहे, जे **65** भारतीय भाषांना सपोर्ट करते. या नवीन तंत्रज्ञानामुळे **25 कोटींहून** अधिक लोकांना फायदा होणार आहे.
65 भारतीय भाषांसाठी क्रांती: IISc चे 'SraVaani' लाँच
इंडियन इन्स्टिट्यूट ऑफ सायन्स (IISc) ने कृत्रिम बुद्धिमत्ता (AI) क्षेत्रातील भाषेची दरी कमी करण्यासाठी एक महत्त्वाचे पाऊल उचलले आहे. IISc च्या SPIRE लॅबने ARTPARK च्या मदतीने आणि Google च्या सहकार्याने 'SraVaani' नावाचे एक नवीन स्पीच रेकग्निशन AI मॉडेल विकसित केले आहे.
हे मॉडेल 65 वेगवेगळ्या भारतीय भाषा आणि बोलीभाषा समजून घेण्यासाठी तयार करण्यात आले आहे. या निर्णयामुळे जगभरातील AI मॉडेल्समुळे दुर्लक्षित राहिलेल्या 25 कोटींहून अधिक लोकांसाठी तंत्रज्ञानाचे दरवाजे उघडले आहेत. अनेक विद्यमान स्पीच टेक्नॉलॉजी केवळ अधिकृतपणे मान्यताप्राप्त भाषांवर लक्ष केंद्रित करतात, परंतु 'SraVaani' मध्ये 20 अधिकृत भाषांसह 45 इतर प्रादेशिक भाषांचाही समावेश आहे.
'SraVaani' हे मॉडेल Hugging Face प्लॅटफॉर्मवर ओपन-सोर्स म्हणून उपलब्ध करून देण्यात आले आहे. MIT लायसन्स अंतर्गत डेव्हलपर्स आणि स्टार्टअप्स हे मॉडेल विनामूल्य वापरू शकतात. यामुळे स्थानिक भारतीय ऍप्लिकेशन्स तयार करणाऱ्या कंपन्यांसाठी येणारा खर्च आणि तांत्रिक अडचणी कमी होण्याची शक्यता आहे.
तांत्रिक माहिती आणि कामगिरी
हे मॉडेल 'Vaani' डेटासेटवर आधारित आहे. या प्रकल्पांतर्गत, भारतातील 165 जिल्ह्यांमधील 1,56,000 पेक्षा जास्त लोकांकडून 31,000 तासांपेक्षा जास्त नैसर्गिक बोलण्याच्या आवाजाचा डेटा गोळा करण्यात आला. यामध्ये केवळ रेकॉर्डेड नव्हे, तर सामान्य बोलण्यातील आवाज समाविष्ट आहे.
या डेटासेटमुळे 'SraVaani' ला कमी वापरल्या जाणाऱ्या भाषांमध्येही चांगली कामगिरी करण्यास मदत झाली आहे. उदाहरणार्थ, गारो भाषेच्या चाचण्यांमध्ये, 'SraVaani' ने 9.5% वर्ड एरर रेट (Word Error Rate) मिळवला, जो इतर सिस्टीमच्या तुलनेत मोठी सुधारणा दर्शवतो.
भारतीय AI इकोसिस्टमवरील परिणाम
'SraVaani' चे लाँच हे 'Sovereign AI' म्हणजेच स्थानिक गरजांसाठी तयार केलेल्या तंत्रज्ञानाच्या दिशेने एक महत्त्वाचे पाऊल आहे. हे मॉडेल भाषेचे मॅन्युअल टॅगिंग करण्याची गरज दूर करते आणि स्वयंचलित भाषिक ओळख (Automated Language Identification) प्रदान करते. यामुळे डेव्हलपर्सना जास्त तांत्रिक ज्ञानाशिवाय ऍप्समध्ये व्हॉइस फीचर्स समाविष्ट करणे सोपे होईल. बँकिंग, ई-गव्हर्नन्स आणि ई-कॉमर्स यांसारख्या क्षेत्रांसाठी हे विशेषतः फायदेशीर ठरू शकते, कारण तेथील वापरकर्त्यांपर्यंत त्यांच्या मातृभाषेत पोहोचणे ही एक प्रमुख वाढीची रणनीती आहे.
पुढील आव्हाने
जरी हे मॉडेल आशादायक असले तरी, 65 वेगवेगळ्या भाषांमध्ये उच्च अचूकता टिकवून ठेवणे हे एक मोठे आव्हान आहे. पार्श्वभूमीतील आवाज किंवा उच्चारांमधील फरक यांसारख्या वास्तविक जगातील परिस्थितीमुळे स्पीच रेकग्निशन साधनांच्या कार्यक्षमतेवर परिणाम होऊ शकतो. जसजसे कंपन्या आणि डेव्हलपर्स 'SraVaani' चा व्यावसायिक ऍप्लिकेशन्समध्ये वापर करतील, तसतसे विविध लोकसंख्या आणि ऑडिओ वातावरणात मॉडेलची सातत्यता त्याच्या व्यापक स्वीकृतीसाठी एक महत्त्वाचा घटक ठरेल. यामुळे स्थानिक डिजिटल सेवांच्या विकासाचा खर्च कसा बदलेल यावर गुंतवणूकदार आणि उद्योग क्षेत्रातील लोकांचे लक्ष असेल.