Maya Research: AI ਸਟਾਰਟਅੱਪ ਨੇ ਆਵਾਜ਼ (Voice) ਵਾਲੀ ਟੈਕਨਾਲੋਜੀ ਲਈ ਜੁਟਾਏ **$1.9 ਮਿਲੀਅਨ**

ਭਾਰਤੀ AI ਸਟਾਰਟਅੱਪ Maya Research ਨੇ ਗੱਲਬਾਤ ਕਰਨ ਵਾਲੇ ਵੌਇਸ ਇੰਟਰਫੇਸ ਬਣਾਉਣ ਲਈ **$1.9 ਮਿਲੀਅਨ** ਦੀ ਸੀਡ ਫੰਡਿੰਗ ਹਾਸਲ ਕੀਤੀ ਹੈ। ਇਹ ਕੰਪਨੀ ਉਨ੍ਹਾਂ ਲੋਕਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਹੀ ਹੈ ਜੋ ਟਾਈਪ ਕਰਨ ਦੀ ਬਜਾਏ ਬੋਲ ਕੇ ਗੱਲਬਾਤ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਅਤੇ ਸਥਾਨਕ ਭਾਸ਼ਾਵਾਂ ਤੇ ਲਹਿਜ਼ਿਆਂ ਨੂੰ ਸਮਝਣ ਵਾਲੇ ਮਾਡਲਾਂ ਨਾਲ 'ਨਾਨ-ਟੈਕਸਟ' ਅਰਥਚਾਰੇ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾ ਰਹੀ ਹੈ।

ਕੀ ਹੋਇਆ?

ਭਾਰਤੀ AI ਸਟਾਰਟਅੱਪ Maya Research ਨੇ ਸੀਡ ਫੰਡਿੰਗ ਦੌਰ ਵਿੱਚ $1.9 ਮਿਲੀਅਨ ਜੁਟਾਏ ਹਨ। ਇਸ ਫੰਡਿੰਗ ਰਾਊਂਡ ਦੀ ਅਗਵਾਈ South Park Commons ਨੇ ਕੀਤੀ, ਜੋ ਕਿ ਸ਼ੁਰੂਆਤੀ ਦੌਰ ਦੇ ਟੈਕਨੀਕਲ ਸੰਸਥਾਪਕਾਂ ਨੂੰ ਸਮਰਥਨ ਦੇਣ ਲਈ ਜਾਣੀ ਜਾਂਦੀ ਵੈਂਚਰ ਨਿਵੇਸ਼ਕ ਕੰਪਨੀ ਹੈ। ਕੰਪਨੀ ਇਨ੍ਹਾਂ ਫੰਡਾਂ ਦੀ ਵਰਤੋਂ ਆਪਣੇ ਵੌਇਸ-ਫਸਟ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਪਲੇਟਫਾਰਮ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਕਰ ਰਹੀ ਹੈ। ਇਹ ਪਲੇਟਫਾਰਮ ਅਜਿਹੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਟੈਕਨਾਲੋਜੀ ਨਾਲ ਜੁੜਨ ਦਾ ਮੌਕਾ ਦੇਵੇਗਾ ਜੋ ਟਾਈਪ ਕਰਨ ਜਾਂ ਸਕਰੀਨਾਂ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਨ ਦੀ ਬਜਾਏ ਬੋਲ ਕੇ ਗੱਲਬਾਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ।

ਸਾਲ 2025 ਵਿੱਚ BS Dheemanth Reddy ਅਤੇ Bharath Kumar Kakumani ਦੁਆਰਾ ਸਥਾਪਿਤ ਇਸ ਸਟਾਰਟਅੱਪ ਨੇ ਆਪਣੇ ਓਪਨ-ਸੋਰਸ ਵੌਇਸ ਮਾਡਲ 'Maya 1' ਨਾਲ ਕਾਫੀ ਧਿਆਨ ਖਿੱਚਿਆ ਹੈ। ਇਸ ਮਾਡਲ ਨੇ Speech Arena 'ਤੇ 1,051 ਦਾ Quality Elo ਸਕੋਰ ਹਾਸਲ ਕੀਤਾ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਦੁਨੀਆ ਭਰ ਦੇ ਪ੍ਰਮੁੱਖ ਓਪਨ-ਵੇਟ ਵੌਇਸ ਮਾਡਲਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ ਗਿਆ ਹੈ। ਕੰਪਨੀ ਨੇ ਹੁਣ ਤੱਕ Hugging Face 'ਤੇ 440,000 ਤੋਂ ਵੱਧ ਮਾਡਲ ਡਾਊਨਲੋਡ ਅਤੇ ਭਾਰਤ, ਦੱਖਣੀ-ਪੂਰਬੀ ਏਸ਼ੀਆ ਅਤੇ ਮੱਧ ਪੂਰਬ ਵਿੱਚ 3 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਕੰਜ਼ਿਊਮਰ ਐਪਲੀਕੇਸ਼ਨ ਡਾਊਨਲੋਡ ਦਰਜ ਕੀਤੇ ਹਨ।

'ਵੌਇਸ-ਫਸਟ' ਰਣਨੀਤੀ

Maya Research ਦਾ ਮੁੱਖ ਮਿਸ਼ਨ 'ਅਗਲੇ ਪੰਜ ਅਰਬ' ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਸੇਵਾ ਕਰਨਾ ਹੈ ਜੋ ਟੈਕਸਟ-ਆਧਾਰਿਤ ਇੰਟਰਫੇਸਾਂ ਦੇ ਮੁੱਖ ਉਪਭੋਗਤਾ ਨਹੀਂ ਹਨ। ਸੰਸਥਾਪਕਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਰਵਾਇਤੀ AI ਸਿਸਟਮ, ਜੋ ਕਿ ਟੈਕਸਟ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਆਬਾਦੀ ਦੇ ਇੱਕ ਵੱਡੇ ਹਿੱਸੇ ਨੂੰ ਬਾਹਰ ਰੱਖਦੇ ਹਨ। ਅਜਿਹੇ ਕਨਵਰਸੇਸ਼ਨਲ ਮਾਡਲ ਬਣਾ ਕੇ ਜੋ ਮੂਲ ਬੋਲਣ ਵਾਲਿਆਂ ਦੀ ਨਕਲ ਕਰਦੇ ਹਨ, ਸਟਾਰਟਅੱਪ ਦਾ ਟੀਚਾ ਵਧੇਰੇ ਅਨੁਭਵੀ ਅਨੁਭਵ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ। ਇਸ ਟੈਕਨਾਲੋਜੀ ਨੂੰ ਸਥਾਨਕ ਭਾਸ਼ਾਵਾਂ, ਖਾਸ ਸੱਭਿਆਚਾਰਕ ਸੰਦਰਭਾਂ ਅਤੇ ਗੱਲਬਾਤ ਦੀਆਂ ਬਾਰੀਕੀਆਂ ਅਨੁਸਾਰ ਢਾਲਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਦਾ ਉਦੇਸ਼ ਵਿਦੇਸ਼ਾਂ ਵਿੱਚ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ AI ਮਾਡਲਾਂ ਦੁਆਰਾ ਛੱਡੀ ਗਈ ਕਮੀ ਨੂੰ ਦੂਰ ਕਰਨਾ ਹੈ।

ਕਾਰੋਬਾਰੀ ਸੰਦਰਭ ਅਤੇ ਡਾਟਾ ਫਲਾਈਵੀਲ

ਨਿਵੇਸ਼ਕਾਂ ਲਈ, ਸਟਾਰਟਅੱਪ ਦੀ ਰਣਨੀਤੀ ਇੱਕ ਡਾਟਾ ਫਲਾਈਵੀਲ ਬਣਾਉਣ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ। ਇੱਕ ਕੰਜ਼ਿਊਮਰ ਐਪਲੀਕੇਸ਼ਨ ਪੇਸ਼ ਕਰਕੇ ਜਿਸਨੂੰ ਪਹਿਲਾਂ ਹੀ ਲੱਖਾਂ ਡਾਊਨਲੋਡ ਮਿਲ ਚੁੱਕੇ ਹਨ, ਕੰਪਨੀ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਵੌਇਸ ਡਾਟਾ ਇਕੱਠਾ ਕਰਦੀ ਹੈ। AI ਦੀ ਦੁਨੀਆ ਵਿੱਚ, ਇਹ ਡਾਟਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਗੰਦੇ, ਅਸਲ-ਦੁਨੀਆ ਦੇ ਆਡੀਓ - ਜਿਵੇਂ ਕਿ ਭੀੜ ਵਾਲੀਆਂ ਸੜਕਾਂ, ਬਜਟ ਸਮਾਰਟਫੋਨ ਮਾਈਕ੍ਰੋਫੋਨ, ਅਤੇ ਕੋਡ-ਮਿਕਸਡ ਸਪੀਚ (ਜਿਵੇਂ 'ਹਿੰਗਲਿਸ਼') - ਨੂੰ ਸਮਝਣ ਲਈ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਇੱਕ ਵੱਡੀ ਤਕਨੀਕੀ ਚੁਣੌਤੀ ਹੈ। ਇਹ ਅਸਲ-ਦੁਨੀਆ ਦੀ ਵਰਤੋਂ ਦਾ ਡਾਟਾ ਸਟਾਰਟਅੱਪ ਨੂੰ ਆਪਣੇ ਮਾਡਲਾਂ ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਵਿੱਚ ਇੱਕ ਸੰਭਾਵੀ ਲਾਭ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ ਅਕਸਰ ਬੇਸ ਮਾਡਲ ਨਾਲੋਂ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ।

ਇਹ ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?

South Park Commons ਤੋਂ ਮਿਲੀ ਇਹ ਨਿਵੇਸ਼ ਇਸ ਰੁਝਾਨ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਸੰਸਥਾਪਕਾਂ ਦਾ ਸਮਰਥਨ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ ਜੋ ਸਿਰਫ਼ ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ਟੂਲ ਬਣਾਉਣ ਦੀ ਬਜਾਏ ਵਿਸ਼ੇਸ਼ ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਨੂੰ ਹੱਲ ਕਰ ਰਹੇ ਹਨ। South Park Commons 'ਪ੍ਰੀ-ਸੀਡ' ਪਹੁੰਚ ਲਈ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਪ੍ਰਤਿਭਾ ਦੀ ਘਣਤਾ ਅਤੇ ਤਕਨੀਕੀ ਵਿਸ਼ਵਾਸ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਸਮਰਥਨ ਇਹ ਵਿਸ਼ਵਾਸ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਟੀਮ AI ਦੀ 'ਆਖਰੀ ਮੀਲ' ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੀ ਹੈ: ਯਾਨੀ ਟੈਕਨਾਲੋਜੀ ਨੂੰ ਅੰਗਰੇਜ਼ੀ ਨਾ ਜਾਣਨ ਵਾਲੇ, ਟੈਕਸਟ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰਨ ਵਾਲੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਅਸਲ ਵਿੱਚ ਪਹੁੰਚਯੋਗ ਬਣਾਉਣਾ।

ਕੀ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ?

ਭਾਰਤ ਵਰਗੇ ਖੇਤਰ ਵਿੱਚ ਵੌਇਸ-ਫਸਟ AI ਬਣਾਉਣ ਵਿੱਚ ਕਾਫੀ ਮੁਸ਼ਕਲਾਂ ਸ਼ਾਮਲ ਹਨ। ਪੱਛਮੀ ਬਾਜ਼ਾਰਾਂ ਦੇ ਉਲਟ, ਭਾਰਤੀ ਉਪਭੋਗਤਾ ਵਿਲੱਖਣ ਚੁਣੌਤੀਆਂ ਪੇਸ਼ ਕਰਦੇ ਹਨ: ਪਿਛੋਕੜ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਰੌਲਾ, ਇੱਕੋ ਭਾਸ਼ਾ ਦੇ ਅੰਦਰ ਵੱਖ-ਵੱਖ ਲਹਿਜ਼ੇ, ਅਤੇ ਇੱਕੋ ਵਾਕ ਵਿੱਚ ਭਾਸ਼ਾਵਾਂ ਬਦਲਣ ਦੀ ਆਮ ਆਦਤ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਟਾਰਟਅੱਪ ਇੱਕ ਮੁਕਾਬਲੇ ਵਾਲੇ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ ਜਿੱਥੇ ਵੱਡੀਆਂ ਗਲੋਬਲ ਟੈਕ ਕੰਪਨੀਆਂ ਵੀ ਆਪਣੀਆਂ ਵੌਇਸ ਅਤੇ ਭਾਸ਼ਾ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਸੁਧਾਰ ਕਰ ਰਹੀਆਂ ਹਨ। ਕਿਸੇ ਵੀ ਸ਼ੁਰੂਆਤੀ ਦੌਰ ਦੀ AI ਕੰਪਨੀ ਲਈ ਜੋਖਮ 'ਪਲੇਟਫਾਰਮ ਜੋਖਮ' ਹੈ - ਜਿੱਥੇ ਬੇਸ ਮਾਡਲ ਟੈਕਨਾਲੋਜੀ ਇੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਸੁਧਰਦੀ ਹੈ ਕਿ ਪ੍ਰੋਪਰਾਈਟਰੀ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਘੱਟ ਮਹੱਤਵਪੂਰਨ ਹੋ ਜਾਂਦੀ ਹੈ। ਇਸ ਕਾਰੋਬਾਰ ਨੂੰ ਵਧਾਉਣ ਲਈ ਘੱਟ-ਅੰਤ ਵਾਲੇ ਹਾਰਡਵੇਅਰ 'ਤੇ ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ ਬਣਾਈ ਰੱਖਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ, ਜਦੋਂ ਕਿ ਵਧੀਆ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਅਤੇ ਚਲਾਉਣ ਨਾਲ ਜੁੜੇ ਉੱਚ ਖਰਚਿਆਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਪਵੇਗਾ।

ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਕੀ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ?

ਅੱਗੇ ਵਧਦੇ ਹੋਏ, ਕੰਪਨੀ ਦੀ ਪ੍ਰਗਤੀ ਦੇ ਮੁੱਖ ਸੰਕੇਤਕ ਬਜਟ ਡਿਵਾਈਸਾਂ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਬਣਾਈ ਰੱਖਣ ਦੀ ਇਸਦੀ ਯੋਗਤਾ ਅਤੇ ਇਸਦੇ ਵੱਡੇ ਡਾਊਨਲੋਡ ਬੇਸ ਨੂੰ ਇੱਕ ਟਿਕਾਊ ਕਾਰੋਬਾਰ ਵਿੱਚ ਬਦਲਣ ਦੀ ਇਸਦੀ ਸਫਲਤਾ ਹੋਵੇਗੀ। ਨਿਵੇਸ਼ਕ ਦੇਖ ਸਕਦੇ ਹਨ ਕਿ ਸਟਾਰਟਅੱਪ ਆਪਣੀ ਓਪਨ-ਸੋਰਸ ਯੋਗਦਾਨ ਰਣਨੀਤੀ ਨੂੰ ਮੁਦਰੀਕਰਨ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਨਾਲ ਕਿਵੇਂ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ। ਇਸਦੇ ਮਾਡਲਾਂ ਨੂੰ ਹੋਰ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਅਪਣਾਉਣ ਦੀ ਦਰ, ਅਤੇ ਕਿਸੇ ਵੀ ਭਾਈਵਾਲੀ ਜੋ ਇਸਦੀ ਟੈਕਨਾਲੋਜੀ ਨੂੰ ਮੌਜੂਦਾ ਵਰਕਫਲੋ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰ ਸਕਦੀ ਹੈ, ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ ਵਿਕਸਿਤ ਹੋ ਰਹੇ AI ਲੈਂਡਸਕੇਪ ਵਿੱਚ ਕੰਪਨੀ ਦੀ ਮੁਕਾਬਲੇ ਵਾਲੀ ਸਥਿਤੀ ਵਿੱਚ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰੇਗਾ।