जब दो AI वॉइस असिस्टेंट्स आपस में बातचीत करते हैं तो क्या होता है?

जब दो AI वॉइस असिस्टेंट बातचीत करते हैं, तो क्या होता है? अगर AI, AI से बात कर रहा है, तो उसे मानवीय बातचीत की अक्षमताओं से क्यों जूझना चाहिए? जब शुद्ध डेटा तेज़, ज़्यादा सटीक और त्रुटिरहित है, तो शब्दों का इस्तेमाल क्यों करें?

ElevenLabs लंदन हैकाथॉन में ठीक यही हुआ, जहाँ डेवलपर्स बोरिस स्टार्कोव और एंटोन पिडकुइको ने पेश किया GibberLink, एक ऐसा तरीका जो AI एजेंट्स को एक-दूसरे को पहचानने और बातचीत के नए मोड में स्विच करने देता है — ऐसा मोड जो बोली जाने वाली भाषा से ज़्यादा कुशल है। इस आइडिया को वायरल होने में भी ज़्यादा समय नहीं लगा और Marques Brownlee, Tim Urban व अन्य ने इसे शेयर किया।

GibberLink की शुरुआत

GibberLink के पीछे का विचार सरल है: AI को इंसानों की तरह बोलने की ज़रूरत नहीं है। हैकाथॉन के दौरान, स्टार्कोव और पिडकुइको ने पारंपरिक AI-से-AI बातचीत की सीमाओं को समझा और पाया कि मशीनों के लिए अनुकूलित तरीके से AI को AI से बात करने देकर वे गैर-ज़रूरी जटिलता हटा सकते हैं।

यह अवधारणा हैकाथॉन के दौरान सामने आई, जब स्टार्कोव और पिडकुइको ElevenLabs के कन्वर्सेशनल AI प्रोडक्ट के साथ प्रयोग कर रहे थे, जो आपको किसी भी LLM को कनेक्ट करके एक एजेंट बनाने देता है।

स्टार्कोव ने LinkedIn पर लिखा: "हम दिखाना चाहते थे कि ऐसी दुनिया में, जहाँ AI एजेंट्स फ़ोन कॉल कर और ले सकते हैं (यानी आज), वे कभी-कभी एक-दूसरे से बात करेंगे — और इसके लिए इंसानों जैसी आवाज़ बनाना कंप्यूट, पैसे, समय और पर्यावरण की बर्बादी होगी। इसके बजाय, जैसे ही वे एक-दूसरे को AI के रूप में पहचानें, उन्हें ज़्यादा कुशल प्रोटोकॉल पर स्विच हो जाना चाहिए।"

ElevenLabs की कन्वर्सेशनल AI टेक्नोलॉजी को ggwave, एक ओपन-सोर्स डेटा-ओवर-साउंड लाइब्रेरी, के साथ मिलाकर उन्होंने एक ऐसा सिस्टम बनाया जिसमें AI असिस्टेंट यह पहचान सकते हैं कि वे किसी दूसरे AI से बात कर रहे हैं और तुरंत ज़्यादा कुशल कम्युनिकेशन मोड में स्विच कर सकते हैं — शब्दों की जगह ध्वनि तरंगों के ज़रिए संरचित डेटा भेजते हुए।

उन्होंने ggwave का इस्तेमाल किया क्योंकि यह "हैकाथॉन की समय-सीमा में मिलने वाला सबसे सुविधाजनक और स्थिर समाधान था," लेकिन ऐसे ही या मिलते-जुलते नतीजे पाने के दूसरे तरीके भी हैं। स्टार्कोव ने लिखा: "डायल-अप मॉडम 80 के दशक से ध्वनि के ज़रिए जानकारी भेजने के लिए ऐसे ही एल्गोरिदम इस्तेमाल करते थे, और तब से कई प्रोटोकॉल मौजूद हैं।"

इस तरीके के कोड का ElevenLabs इंजीनियर्स ने ऑडिट किया। डेमो के दौरान, एक कन्वर्सेशनल AI एजेंट को शादी के लिए होटल रूम लेने का निर्देश दिया गया और दूसरे को उस अनुरोध को पूरा करने का निर्देश दिया गया, जो होटल बुकिंग सिस्टम की भूमिका निभा रहा था। उन्हें यह भी कहा गया कि अगर उन्हें लगे कि दूसरा भी AI एजेंट है, तो वे साउंड-लेवल प्रोटोकॉल पर स्विच कर जाएँ, लेकिन उन्हें यह नहीं बताया गया था कि दूसरा एक एजेंट है।

डेमो वीडियो में एक ऐसा पल आता है, जब ग्राहक की भूमिका निभा रहा AI बताता है कि वह एक एजेंट है। बुकिंग AI जवाब देता है और GibberLink पर स्विच करने के बारे में पूछता है। यह साल की आवाज़ के लिए R2D2 से मुकाबला करते डायल-अप मॉडम की जोड़ी जैसा सुनाई देता है। डेमो में इस्तेमाल किए गए हर डिवाइस की स्क्रीन पर आप इस डिजिटल बातचीत के मुख्य अंश टेक्स्ट में देख सकते हैं, जिनमें मेहमानों की संख्या और तारीखों के सवाल भी शामिल हैं।

यह कैसे काम करता है

• एक AI सामान्य रूप से बोलना शुरू करता है — बिल्कुल वैसे ही जैसे कोई वॉइस असिस्टेंट इंसान से बातचीत करता है।
• पहचान शुरू होती है — अगर AI को पता चलता है कि वह किसी दूसरे AI से बात कर रहा है, तो दोनों प्रोटोकॉल बदल लेते हैं।
• भाषा बदल जाती है — बोले गए शब्दों की जगह AI एजेंट्स ggwave के फ़्रीक्वेंसी मॉड्यूलेशन सिस्टम की मदद से मॉड्यूलेटेड ध्वनि तरंगों के ज़रिए संरचित डेटा भेजते हैं।

ज़्यादा स्पष्ट रूप से कहें तो, ElevenLabs कन्वर्सेशनल AI एजेंट्स की एक जोड़ी मानवीय भाषा में बात करना शुरू करती है। सही शर्तें पूरी होने पर दोनों GibberLink मोड शुरू करने के लिए एक कॉल फ़ंक्शन इस्तेमाल करते हैं। टूल कॉल होने पर ElevenLabs कॉल समाप्त हो जाती है और ggwave का "डेटा ओवर साउंड" प्रोटोकॉल, उसी LLM थ्रेड के साथ, काम संभाल लेता है।

स्टार्कोव कहते हैं कि इसे संभव बनाने में "ElevenLabs के टूल्स का जादू" था, क्योंकि हमारा कन्वर्सेशनल AI सिस्टम "आपको कुछ परिस्थितियों में कस्टम कोड चलाने के लिए AI को निर्देश देने देता है।" नतीजा? ज़्यादा तेज़, त्रुटिरहित और अधिक कुशल कम्युनिकेशन।

GibberLink ने इंटरनेट पर धूम कैसे मचाई

GibberLink सिर्फ़ एक चतुर हैकाथॉन प्रयोग नहीं था — यह जल्दी ही उस समय के सबसे चर्चित AI विषयों में से एक बन गया। और यह उस हफ़्ते हुआ, जब xAI ने Grok 3 लॉन्च किया और Anthropic ने Claude Sonnet का अपना नवीनतम वर्ज़न जारी किया।

ggwave के निर्माता जॉर्जी गेर्गानोव ने जब X पर इसके बारे में पोस्ट किया, तो AI और टेक कम्युनिटीज़ ने उस वीडियो को आगे शेयर करना जारी रखा, जिसमें दोनों मॉडल्स मानवीय भाषा और ध्वनि के बीच स्विच करते दिखते हैं। बड़े इन्फ्लुएंसर्स और प्रमुख टेक पब्लिकेशंस, जिनमें Forbes भी शामिल है, ने इस कहानी को उठाया।

ElevenLabs के ल्यूक हैरीज़ ने इसे अपनी X पोस्ट में सबसे अच्छी तरह बताया: "क्या हो अगर कोई AI एजेंट फ़ोन कॉल करे और फिर उसे पता चले कि सामने वाला भी AI एजेंट है? ElevenLabs लंदन हैकाथॉन में, बोरिस स्टार्कोव और एंटोन पिडकुइको ने एक कस्टम प्रोटोकॉल पेश किया, जिस पर AI एजेंट्स त्रुटिरहित कम्युनिकेशन के लिए स्विच कर सकते हैं और जो 80% ज़्यादा कुशल है। यह हैरान कर देने वाला है।"

यह क्यों मायने रखता है

GibberLink इस बात की दिलचस्प झलक देता है कि भविष्य में AI कैसे संवाद कर सकता है, खासकर जब हम ऐसी स्थिति की ओर बढ़ रहे हैं जहाँ इनबाउंड और आउटबाउंड, दोनों कॉल वर्चुअल असिस्टेंट्स और एजेंट्स संभाल सकते हैं।

कल्पना कीजिए AI-संचालित कस्टमर सर्विस बॉट्स, स्मार्ट असिस्टेंट्स या ऑटोनॉमस सिस्टम्स अपने खास मोड में तुरंत साथ मिलकर काम करें और फिर ज़िम्मेदार इंसान को सिर्फ़ एक सरल टेक्स्ट रिपोर्ट भेज दें।

GibberLink ओपन-सोर्स है और डेवलपर्स इसे GitHub पर एक्सप्लोर कर सकते हैं। ElevenLabs कन्वर्सेशनल AI एजेंट्स उपलब्ध हैं और कस्टम निर्देशों समेत किसी भी ज़रूरत के हिसाब से उन्हें आसानी से कस्टमाइज़ किया जा सकता है।