Dust ने ElevenLabs के साथ AI-संचालित एंटरप्राइज़ वर्कफ़्लो में बहुभाषी वॉइस जोड़ी

Dust, AI-नेटिव एंटरप्राइज़ के लिए ऑपरेटिंग सिस्टम, में अब ElevenLabs द्वारा संचालित बहुभाषी वॉइस इनपुट और आउटपुट शामिल हैं। मॉडल्स को रोज़मर्रा के काम में शामिल करने के लिए डिज़ाइन किए गए Dust को ऐसी वॉइस क्षमताओं की ज़रूरत थी, जो कम लेटेंसी और उच्च यथार्थता के साथ भाषाओं, डिवाइसों और संदर्भों में काम कर सकें।

यह सिर्फ़ प्रयोग नहीं था। ग्राहकों के बार-बार अनुरोधों के बाद वॉइस को प्रोडक्ट की प्राथमिकता बनाया गया। नतीजा: एक ऐसा सिस्टम जो यात्रा के दौरान हैंड्स-फ़्री एजेंट इंटरैक्शन, वैश्विक टीम्स के बीच बहुभाषी सहयोग और असिंक्रोनस वर्कफ़्लो के लिए प्रोफेशनल ऑडियो आउटपुट को सपोर्ट करता है।

एंटरप्राइज़ में वॉइस क्यों ज़रूरी है

Dust ने कामकाजी संदर्भ में वॉइस के लिए चार अहम ज़रूरतें पहचानीं:

• जांच में खरी उतरने वाली प्राकृतिक गुणवत्ता: वॉइस आउटपुट प्रोफेशनल और मानवीय लगना चाहिए—क्लाइंट ईमेल, पॉडकास्ट या प्रोडक्ट डेमो में साझा करने लायक।
• डिफ़ॉल्ट रूप से बहुभाषी: टीम्स वैश्विक ऑफिसों और अलग-अलग भाषाओं में काम करती हैं। एक ही सेशन में फ़्रेंच, अंग्रेज़ी और जर्मन के बीच बदलना कोई असाधारण स्थिति नहीं होनी चाहिए।
• कम लेटेंसी: इनपुट और आउटपुट, दोनों के लिए रिस्पॉन्स की गति सोचने और बातचीत की गति के अनुरूप होनी चाहिए।
• एंटरप्राइज़-स्तरीय डेटा हैंडलिंग: डेटा रिटेंशन न होना, क्षेत्र-आधारित रूटिंग और SOC2 व GDPR का अनुपालन अनिवार्य थे।

Dust ने ElevenLabs को क्यों चुना

OpenAI, Google, Deepgram और AssemblyAI समेत कई प्रोवाइडर्स का मूल्यांकन करने के बाद, Dust ने बेहतर गुणवत्ता और डिप्लॉयमेंट के लिए तैयार होने के कारण ElevenLabs को चुना:

• टेक्स्ट टू स्पीच वॉइसेज़ ने व्यापक भावनात्मक रेंज के साथ लगातार उच्च यथार्थता दी—जो Dust के स्पीच जनरेटर और साउंड स्टूडियो टूल्स के लिए अहम थी।
• स्पीच टू टेक्स्ट ने 99 ट्रांसक्रिप्शन भाषाओं को सपोर्ट किया, जिसमें भाषाओं के बीच उच्च सटीकता थी।
• ज़ीरो डेटा रिटेंशन और मल्टी-रीजन रूटिंग ने शुरुआत से ही एंटरप्राइज़ अनुपालन सुनिश्चित किया।
• प्रोडक्शन-ग्रेड SDKs और APIs ने तेज़ इंटीग्रेशन और सभी प्लेटफ़ॉर्म्स पर लगातार प्रदर्शन संभव बनाया।

Dust ने वॉइस को कैसे इंटीग्रेट किया

Dust ने दो मुख्य वर्कफ़्लो में वॉइस सपोर्ट बनाया:

1. वॉइस इनपुट: एजेंट्स से बात करना

ElevenLabs के scribe_v1 मॉडल का उपयोग करके, यूज़र अब एजेंट्स से माइक्रोफ़ोन के ज़रिए बात कर सकते हैं। सिस्टम बोली गई भाषा को अपने-आप पहचानता है, उसे ट्रांसक्राइब करता है और उसी के अनुसार अनुरोध को रूट करता है। यह स्वाभाविक बातचीत से एजेंट के नाम भी समझ लेता है।

वॉइस इनपुट मोबाइल पर उपलब्ध है, यानी उन मौकों के लिए जब टाइप करना सबसे कम सुविधाजनक होता है।

2. वॉइस आउटपुट: एजेंट्स द्वारा जनरेट किया गया ऑडियो

स्पीच जनरेटर के ज़रिए, Dust एजेंट्स ElevenLabs के eleven_multilingual_v2 और eleven_v3 मॉडल्स का उपयोग कर ऑडियो कंटेंट बना सकते हैं। आउटपुट में पॉडकास्ट, ब्रीफिंग और नैरेटिव ऑडियो सामग्री शामिल हैं—इनका उपयोग आंतरिक रूप से और बाहरी साझाकरण, दोनों के लिए होता है।

साउंड स्टूडियो, द्वारा संचालित टेक्स्ट टू साउंड इफेक्ट्स, प्रशिक्षण और कंटेंट उपयोग के मामलों के लिए गैर-मौखिक ऑडियो लेयर्स जोड़ता है।

Dust ने क्या सीखा

• क्षेत्रीय रूटिंग अहम है: EU/US रीजन चुनने की सुविधा ने लेटेंसी कम की और अनुपालन संबंधी बातचीत आसान बनाई।
• चुनिंदा विकल्प बहुतायत से बेहतर हैं: 12 वॉइसेज़ का चुना हुआ सेट सभी मुख्य ज़रूरतें पूरी करते हुए निर्णय की थकान कम करता है।
• गुणवत्ता > गति: तेज़ मॉडल्स उपलब्ध होने के बावजूद, यूज़र्स ने प्रोडक्शन कंटेंट के लिए लगातार अधिक विश्वसनीय वॉइसेज़ चुनीं।

इससे क्या संभव होता है

• मोबाइल-फर्स्ट उत्पादकता: चलते-फिरते विचार कैप्चर करें और सहयोग करें।
• बहुभाषी सहयोग: अपनी भाषा में स्वाभाविक रूप से बोलें—बाकी काम एजेंट्स संभाल लेंगे।
  सुलभ, असिंक्रोनस वर्कफ़्लो: रिसर्च को ऑडियो में बदलें, इनपुट की बाधाएं कम करें और काम करने के अलग-अलग तरीकों को सपोर्ट करें।

आगे क्या है

Dust रियल-टाइम कन्वर्सेशनल वॉइस एजेंट्स, ट्रांसक्रिप्शन से आगे ऑडियो की गहरी समझ और मीटिंग्स व प्रेज़ेंटेशन जैसे लंबे इनपुट के सपोर्ट पर काम कर रहा है। ElevenLabs को इंटीग्रेट करके, Dust वॉइस को एंटरप्राइज़ AI का सहज हिस्सा बनाता है।