हम कोरिया में विस्तार कर रहे हैं, ताकि वॉइस AI रोज़मर्रा की ज़िंदगी का हिस्सा बन सके

हमने इस हफ़्ते कोरिया में अपने आधिकारिक लॉन्च के अवसर पर दौरा किया। यह ऐसी जगह है जहाँ टेक्नोलॉजी तेज़ी से आगे बढ़ती है, विचार जल्दी फैलते हैं और लोग क्वालिटी के लिए ऊँचे मानक रखते हैं। यह दुनिया के सबसे बेहतर तरीके से कनेक्टेड देशों में से भी एक है, जहाँ लगभग सभी के पास मोबाइल एक्सेस है, दुनिया की शीर्ष-रैंक वाली 5G इन्फ्रास्ट्रक्चर है और AI रिसर्च को मज़बूत सरकारी समर्थन मिलता है।

हमने 2022 में लंदन में ElevenLabs की शुरुआत ऐसी AI बनाने के लिए की थी, जो टेक्नोलॉजी को आवाज़ दे सके। शुरुआत से ही हमारा लक्ष्य लोगों और मशीनों के बीच संवाद को हर भाषा में स्वाभाविक बनाना रहा है। इस सोच को आगे बढ़ाने के लिए कोरिया एक बेहतरीन जगह है।

कोरिया क्यों अहम है

कोरिया की 65% से ज़्यादा बड़ी कंपनियाँ पहले से ही AI का इस्तेमाल करती हैं और लगभग दो-तिहाई कर्मचारी अपने रोज़ाना के काम में जनरेटिव AI का उपयोग करते हैं। सरकार ने AI के लिए बड़े नए फंड की घोषणा की है और कोरिया को दुनिया के शीर्ष तीन AI देशों में शामिल करने का लक्ष्य रखा है।

लेकिन आँकड़ों से परे, कोरिया ऐसा देश है जो नए विचारों को जल्दी अपनाता है। यहीं K-pop और K-drama जैसे क्रिएटिव उद्योग वैश्विक संस्कृति को आकार देते हैं, और डिजिटल प्रोडक्ट्स से अपेक्षाएँ दुनिया में सबसे ऊँची हैं। हम इसे यह परखने की जगह मानते हैं कि अच्छी AI कैसी दिखती है।

हम क्या ला रहे हैं

हमारी रिसर्च ऑडियो AI के पूरे स्टैक को कवर करती है - टेक्स्ट टू स्पीच, स्पीच टू टेक्स्ट, डबिंग, वॉइस क्लोनिंग और साउंड डिज़ाइन। ये मॉडल अब 70 से ज़्यादा भाषाओं को सपोर्ट करते हैं और बेजोड़ सटीकता के साथ टोन, भावनाओं और बारीकियों को कैप्चर कर सकते हैं - लेकिन सबसे बड़ी प्रगति इस बात में हो रही है कि ये सिस्टम रियल टाइम में एक साथ कैसे काम करते हैं।

हमारा एजेंट प्लेटफ़ॉर्म स्पीच रिकग्निशन, जेनरेशन और रीजनिंग को एक सिस्टम में जोड़ता है। यह प्रोडक्ट्स और सर्विसेज़ को आधे सेकंड से भी कम लेटेंसी पर प्राकृतिक बातचीत के ज़रिए लोगों से इंटरैक्ट करने देता है। यह 7,000 से ज़्यादा वॉइसेज़ और 32 भाषाओं को सपोर्ट करता है और CRM, पेमेंट्स और टेलीफोनी जैसे टूल्स के साथ सीधे इंटीग्रेट होता है।

3 करोड़ से ज़्यादा ग्राहकों वाले एक बड़े डिजिटल बैंक ने प्लेटफ़ॉर्म अपनाने के बाद हैंडलिंग टाइम 85% कम कर दिया। अब यह अपने क्रेडिट कार्ड से जुड़े आधे प्रश्नों को ऑटोमेट करता है और इसे पूरी तरह लागू करने में दो महीने से भी कम समय लगा।

अन्य एंड-टू-एंड स्पीच-टू-स्पीच सिस्टम में ऑब्ज़र्वेबिलिटी और ऑडिटिंग की चुनौतियाँ होती हैं। हमारा सिस्टम एंटरप्राइज़ मानकों को पूरा करने के लिए बनाया गया है। स्ट्रीमिंग ASR और TTS में मॉडल सुधारों और तेज़ LLM इन्फ़रेंस ने हमारी लेटेंसी को स्पष्ट रूप से कम और विश्वसनीयता को बेहतर बनाया है।

हम भविष्य को कैसे देखते हैं

हमारा मानना है कि AI ऑडियो का भविष्य सिर्फ़ बोलने तक सीमित नहीं होगा। वियरेबल्स से लेकर कारों तक, हर डिवाइस न केवल यह समझेगा कि हम क्या कहते हैं, बल्कि यह भी कि कैसे कहते हैं। रियल-टाइम ट्रांसलेशन और डबिंग भाषा की बाधाओं को पूरी तरह हटा देंगे। और जब वॉइस इमेज और वीडियो से जुड़ेगी, तो हमें एक नए तरह का क्रिएटिव अनुभव मिलेगा, जो निजी और तुरंत महसूस होगा।

कोरियाई पार्टनर्स के साथ काम करना

हमारे कोरिया कंट्री लीड, Sangwon Hong, और हमारी स्थानीय टीम पहले से ही MBC C&I, ESTsoft, Krafton और SBS जैसी कंपनियों के साथ काम कर रही है। हम मिलकर कोरिया को सिर्फ़ एक बाज़ार नहीं, बल्कि एशिया में वॉइस AI का केंद्र बनाना चाहते हैं।

हम यह सुनिश्चित करने के लिए भी प्रतिबद्ध हैं कि AI का इस्तेमाल ज़िम्मेदारी से हो। हमारा 3C फ्रेमवर्क - सहमति, नियंत्रण और मुआवज़ा - दुरुपयोग रोकने में मदद करता है और मूल्य की निष्पक्ष पहचान व साझेदारी सुनिश्चित करता है।

हम कोरिया में काम करने, उससे सीखने और वहाँ की कंपनियों, डेवलपर्स और क्रिएटर्स के साथ आगे बढ़ने को लेकर उत्साहित हैं। यह ऐसी जगह है जो आने वाले समय की रफ़्तार तय करती है, और हमें इसका हिस्सा बनकर खुशी है।