ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ಸ್ಥಳೀಯ ಆಡಿಯೋ: ಗೂಗಲ್‌ನ AI ಧ್ವನಿ ಹೀಗೆ ಬದಲಾಗುತ್ತದೆ

ಗೂಗಲ್ ತನ್ನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ವಿಕಾಸದಲ್ಲಿ ಮತ್ತೊಂದು ಹೆಜ್ಜೆ ಇಟ್ಟಿದ್ದು, ಪ್ರಮುಖ ನವೀಕರಣವನ್ನು ನೀಡಿದೆ. ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ಸ್ಥಳೀಯ ಆಡಿಯೋನೈಜ ಸಮಯದಲ್ಲಿ ಆಡಿಯೋವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಉತ್ಪಾದಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಮಾದರಿ. ಈ ತಂತ್ರಜ್ಞಾನವು ಧ್ವನಿ ಸಂವಹನಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಮಾನವ ಸಂಭಾಷಣೆಗೆ ಹತ್ತಿರವಾಗಿದೆದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಮತ್ತು ವೃತ್ತಿಪರ ಪರಿಸರದಲ್ಲಿ.

ಸಹಾಯಕನ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ "ಧ್ವನಿ ಹಾಕುವುದು" ಮಾತ್ರವಲ್ಲ, ಇತರ ಆಯ್ಕೆಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಧ್ವನಿ AI ಹೋಲಿಕೆಗಳುಈ ಮಾದರಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ನೈಸರ್ಗಿಕ, ಕ್ರಿಯಾತ್ಮಕ ಮತ್ತು ಸಂದರ್ಭೋಚಿತ ಸಂವಾದಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು, ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿಯನ್ನು ಯಾವಾಗ ಪಡೆಯಬೇಕು ಎಂಬುದರ ಕುರಿತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ಸಂಭಾಷಣೆಯ ಹರಿವನ್ನು ಅಡ್ಡಿಪಡಿಸದೆ ಸಂಕೀರ್ಣ ಸೂಚನೆಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು.ಇದರೊಂದಿಗೆ, ಗೂಗಲ್ ತನ್ನ AI ಸೇವೆಗಳೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸಲು ಪ್ರಾಥಮಿಕ ಸಾಧನವಾಗಿ ಧ್ವನಿಗೆ ತನ್ನ ಬದ್ಧತೆಯನ್ನು ಬಲಪಡಿಸುತ್ತದೆ.

ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೋ ಎಂದರೇನು ಮತ್ತು ಅದನ್ನು ಎಲ್ಲಿ ಬಳಸಲಾಗುತ್ತಿದೆ?

ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೋ ಎಂಬುದು ಗೂಗಲ್‌ನ ಸ್ಥಳೀಯ ಆಡಿಯೋ ಮಾದರಿಯ ಇತ್ತೀಚಿನ ಆವೃತ್ತಿಯಾಗಿದ್ದು, ಆಲಿಸಿ, ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ ಮತ್ತು ಧ್ವನಿಯ ಮೂಲಕ ಪ್ರತಿಕ್ರಿಯಿಸಿ ನೈಜ ಸಮಯದಲ್ಲಿ. ಭಾಷಣ ಸಂಶ್ಲೇಷಣೆಯ ಮೇಲೆ ಮಾತ್ರ ಕೇಂದ್ರೀಕರಿಸಿದ ಹಿಂದಿನ ವ್ಯವಸ್ಥೆಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಈ ಎಂಜಿನ್ ಆಡಿಯೊದೊಂದಿಗೆ ಏಕಕಾಲದಲ್ಲಿ ಇನ್‌ಪುಟ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಇದು ಸಂವಾದಾತ್ಮಕ ಸಹಾಯಕರಿಗೆ ವಿಶೇಷವಾಗಿ ಸೂಕ್ತವಾಗಿದೆ.

ಕಂಪನಿಯು ಈ ಆವೃತ್ತಿಯನ್ನು ಈಗಾಗಲೇ ತನ್ನ ಹಲವಾರು ಪ್ರಮುಖ ವೇದಿಕೆಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಿದೆ: ಗೂಗಲ್ AI ಸ್ಟುಡಿಯೋ, ವರ್ಟೆಕ್ಸ್ AI, ಜೆಮಿನಿ ಲೈವ್ ಮತ್ತು ಸರ್ಚ್ ಲೈವ್ಇದರರ್ಥ ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಕಂಪನಿಗಳು ಇಬ್ಬರೂ ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಬಹುದು ಮುಂದುವರಿದ ಧ್ವನಿ ಏಜೆಂಟ್‌ಗಳು Google ನ ಇತ್ತೀಚಿನ ಸಂವಾದಾತ್ಮಕ AI ಅನುಭವಗಳಿಗೆ ಶಕ್ತಿ ನೀಡುವ ಅದೇ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ.

ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಬಳಕೆದಾರರು ಅನುಭವಗಳಲ್ಲಿ ಈ ಬದಲಾವಣೆಗಳನ್ನು ಗಮನಿಸುತ್ತಾರೆ, ಉದಾಹರಣೆಗೆ ಜೆಮಿನಿ ಲೈವ್ (ಸಹಾಯಕರೊಂದಿಗೆ ಧ್ವನಿ ಸಂಭಾಷಣೆ ಮೋಡ್) ಅಥವಾ ಒಳಗೆ ಲೈವ್ ಆಗಿ ಹುಡುಕಿ Google ಅಪ್ಲಿಕೇಶನ್‌ನ AI ಮೋಡ್‌ನಲ್ಲಿ, ಅಲ್ಲಿ ಮಾತನಾಡುವ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಧ್ವನಿಸುತ್ತವೆ ಹೆಚ್ಚು ಅಭಿವ್ಯಕ್ತಿಶೀಲ, ಸ್ಪಷ್ಟ ಮತ್ತು ಉತ್ತಮ ಸಂದರ್ಭೋಚಿತಇದಲ್ಲದೆ, ನೀವು ಸಹಾಯಕರನ್ನು ಹೆಚ್ಚು ನಿಧಾನವಾಗಿ ಮಾತನಾಡಲು ಕೇಳಬಹುದು, ಸಂಭಾಷಣೆಯ ವೇಗವನ್ನು ಸ್ವಾಭಾವಿಕವಾಗಿ ಸರಿಹೊಂದಿಸಬಹುದು.

Google ನ ಹೊರತಾಗಿ, ಈ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮೂರನೇ ವ್ಯಕ್ತಿಗಳಿಗೆ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡಲಾಗಿದೆ ವರ್ಟೆಕ್ಸ್ AI ಮತ್ತು ಜೆಮಿನಿ APIಇದರಿಂದ ಇತರ ಕಂಪನಿಗಳು ರಚಿಸಬಹುದು ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್ ಧ್ವನಿ, ವರ್ಚುವಲ್ ಸ್ವಾಗತಕಾರರು ಅಥವಾ ಅದೇ ಮಟ್ಟದ ಧ್ವನಿ ಅತ್ಯಾಧುನಿಕತೆಯೊಂದಿಗೆ ಸಹಾಯ ಪರಿಕರಗಳು.

ಹೆಚ್ಚು ನಿಖರವಾದ ಬಾಹ್ಯ ಕಾರ್ಯಗಳು ಮತ್ತು ಉತ್ತಮ-ರೇಟ್ ಮಾಡಲಾದ ಮಾದರಿಗಳು

ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೋ ಹೆಚ್ಚು ಪ್ರಗತಿ ಸಾಧಿಸಿರುವ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಒಂದು ಅದರ ಸಾಮರ್ಥ್ಯದಲ್ಲಿದೆ ಬಾಹ್ಯ ಕಾರ್ಯಗಳನ್ನು ಕರೆ ಮಾಡಿಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಾಗ ಮಾದರಿಯು ಈಗ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ. ನೀವು ನೈಜ-ಸಮಯದ ಸೇವೆಗಳು ಅಥವಾ ಡೇಟಾವನ್ನು ಸಂಪರ್ಕಿಸಬೇಕಾದಾಗಉದಾಹರಣೆಗೆ, ನವೀಕರಿಸಿದ ಮಾಹಿತಿಯನ್ನು ಹಿಂಪಡೆಯಲು, ಆದೇಶದ ಸ್ಥಿತಿಯನ್ನು ಪರಿಶೀಲಿಸಲು ಅಥವಾ ಸ್ವಯಂಚಾಲಿತ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಾರಂಭಿಸಲು.

ಈ ಹೆಚ್ಚುವರಿ ನಿಖರತೆಯು ಕ್ರಿಯೆಗಳನ್ನು ಪ್ರಚೋದಿಸುವಾಗ ಕಡಿಮೆ ದೋಷಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಸಹಾಯಕವು ತಪ್ಪಿಹೋದಾಗ ಅಥವಾ ಅಕಾಲಿಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದಾಗ ವಿಚಿತ್ರ ಸಂದರ್ಭಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಎಂದು Google ಗಮನಸೆಳೆದಿದೆ. ವ್ಯವಸ್ಥೆಯು ಮರುಪಡೆಯಲಾದ ಡೇಟಾವನ್ನು ಆಡಿಯೊ ಪ್ರತಿಕ್ರಿಯೆಗೆ ಸೇರಿಸಿ ಸಂಭಾಷಣೆಯಲ್ಲಿ ಯಾವುದೇ ಹಠಾತ್ ಕಡಿತಗಳು ಬಳಕೆದಾರರಿಗೆ ಅರ್ಥವಾಗದಂತೆ.

ಈ ಪ್ರಗತಿಗಳನ್ನು ಅಳೆಯಲು, ಕಂಪನಿಯು ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷೆಗಳಿಗೆ ಒಳಪಡಿಸಿದೆ, ಉದಾಹರಣೆಗೆ ಕಾಂಪ್ಲೆಕ್ಸ್‌ಫಂಕ್‌ಬೆಂಚ್ ಆಡಿಯೋ, ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ ಬಹು-ಹಂತದ ಕಾರ್ಯಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದ ಮೌಲ್ಯಮಾಪನ ಪೀಠ. ಈ ಸನ್ನಿವೇಶದಲ್ಲಿ, ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೋ ಸುಮಾರು ಒಂದು ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ 71,5% ಯಶಸ್ಸಿನ ಪ್ರಮಾಣ, ಈ ರೀತಿಯ ಬಳಕೆಯಲ್ಲಿ ಹಿಂದಿನ ಪುನರಾವರ್ತನೆಗಳು ಮತ್ತು ಇತರ ಸ್ಪರ್ಧಾತ್ಮಕ ಮಾದರಿಗಳಿಗಿಂತ ಇದನ್ನು ಮೇಲಿರಿಸುತ್ತದೆ.

ಈ ಕಾರ್ಯಕ್ಷಮತೆಯು ವಿಶೇಷವಾಗಿ ಅತ್ಯಾಧುನಿಕ ಸ್ವಯಂಚಾಲಿತ ಕೆಲಸದ ಹರಿವುಗಳು ಅಗತ್ಯವಿರುವ ಸಂದರ್ಭಗಳಲ್ಲಿ ಪ್ರಸ್ತುತವಾಗಿದೆ, ಉದಾಹರಣೆಗೆ ಕರೆ ಕೇಂದ್ರಗಳು, ತಾಂತ್ರಿಕ ಬೆಂಬಲ ಅಥವಾ ವಹಿವಾಟು ಪ್ರಕ್ರಿಯೆ (ಉದಾಹರಣೆಗೆ, ಹಣಕಾಸು ಅಥವಾ ಆಡಳಿತಾತ್ಮಕ ಕಾರ್ಯಗಳು) ಅಲ್ಲಿ ಪ್ರತಿಯೊಂದು ಹಂತವು ಹಿಂದಿನದನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ಮತ್ತು ದೋಷಕ್ಕೆ ಕಡಿಮೆ ಅವಕಾಶವಿರುತ್ತದೆ.

ಉತ್ತಮ ಸೂಚನಾ ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಹೆಚ್ಚು ಸುಸಂಬದ್ಧ ಸಂಭಾಷಣೆ ಎಳೆಗಳು

ನವೀಕರಣದ ಮತ್ತೊಂದು ಗಮನವು ಮಾದರಿಯು ಹೇಗೆ ಸೂಚನೆಗಳನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ ಮತ್ತು ಗೌರವಿಸಿ ಅದನ್ನು ಅದು ಅಂತಿಮ ಬಳಕೆದಾರರು ಮತ್ತು ಡೆವಲಪರ್‌ಗಳಿಂದ ಪಡೆಯುತ್ತದೆ. ಗೂಗಲ್ ಬಿಡುಗಡೆ ಮಾಡಿದ ಮಾಹಿತಿಯ ಪ್ರಕಾರ, ಸೂಚನೆ ಅನುಸರಣೆ ದರವು 84% ರಿಂದ 90% ಅನುಸರಣೆಇದರರ್ಥ ವಾಸ್ತವವಾಗಿ ಕೇಳಲಾಗಿರುವ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಹೆಚ್ಚು ಹೊಂದಿಕೆಯಾಗುವ ಪ್ರತಿಕ್ರಿಯೆಗಳು.

ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಈ ಜಿಗಿತವು ಪ್ರಮುಖವಾಗಿದೆ. ಸಂಕೀರ್ಣ ಸೂಚನೆಗಳು, ಬಹು ಹಂತಗಳು ಅಥವಾ ಬಹು ಷರತ್ತುಗಳುಉದಾಹರಣೆಗೆ, ನಿರ್ದಿಷ್ಟ ಶೈಲಿಯಲ್ಲಿ ವಿವರಣೆಯನ್ನು ಕೋರುವಾಗ, ನಿರ್ದಿಷ್ಟ ಸಮಯದ ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ ಸಾರಾಂಶವನ್ನು ಕೇಳುವಾಗ ಅಥವಾ ಹಲವಾರು ಸಂಬಂಧಿತ ನಿರ್ಧಾರಗಳನ್ನು ಅವಲಂಬಿಸಿರುವ ಕೆಲಸದ ಹರಿವನ್ನು ಹೊಂದಿಸುವಾಗ.

ಇದಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೋ ಸಾಮರ್ಥ್ಯವನ್ನು ಪಡೆದುಕೊಂಡಿದೆ ಹಿಂದಿನ ಸಂದೇಶಗಳ ಸಂದರ್ಭವನ್ನು ಹಿಂಪಡೆಯಿರಿಬಹು-ತಿರುವು ಸಂಭಾಷಣೆಗಳಲ್ಲಿ, ಮಾದರಿಯು ಹೇಳಿದ್ದನ್ನು, ಬಳಕೆದಾರರಿಂದ ಪರಿಚಯಿಸಲಾದ ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಮತ್ತು ಸಂಭಾಷಣೆಯ ಉದ್ದಕ್ಕೂ ಮಾಡಿದ ತಿದ್ದುಪಡಿಗಳನ್ನು ಉತ್ತಮವಾಗಿ ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತದೆ.

ಸಂಭಾಷಣೆಯ ಸ್ಮರಣೆಯಲ್ಲಿನ ಈ ಸುಧಾರಣೆಯು ಒಂದೇ ಮಾಹಿತಿಯನ್ನು ಮತ್ತೆ ಮತ್ತೆ ಹೇಳುವ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಂವಹನಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಸುಗಮ ಮತ್ತು ಕಡಿಮೆ ಕಿರಿಕಿರಿ ಉಂಟುಮಾಡುವಈ ಅನುಭವವು ಪ್ರತಿ ಉತ್ತರದೊಂದಿಗೆ ಮೊದಲಿನಿಂದ ಪ್ರಾರಂಭಿಸುವ ಬದಲು, ಅವರು ನಿಲ್ಲಿಸಿದ ವಿಷಯವನ್ನು ಎತ್ತಿಕೊಳ್ಳುವ ವ್ಯಕ್ತಿಯೊಂದಿಗೆ ಮಾತನಾಡುವುದಕ್ಕೆ ಹತ್ತಿರವಾಗಿರುತ್ತದೆ.

ನೈಜ-ಪ್ರಪಂಚದ ಬಳಕೆಯ ಸಂದರ್ಭಗಳು: ಇ-ಕಾಮರ್ಸ್‌ನಿಂದ ಹಣಕಾಸು ಸೇವೆಗಳವರೆಗೆ

ಆಂತರಿಕ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಮೀರಿ, ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೊದ ಪ್ರಾಯೋಗಿಕ ಪರಿಣಾಮವನ್ನು ವಿವರಿಸಲು ಗೂಗಲ್ ಗ್ರಾಹಕರ ಉದಾಹರಣೆಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ. ಇ-ಕಾಮರ್ಸ್ ವಲಯದಲ್ಲಿ, ಶಾಪಿಫೈ ಈ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ತನ್ನ ಸಹಾಯಕದಲ್ಲಿ ಅಳವಡಿಸಿಕೊಂಡಿದೆ. ಸೈಡ್‌ಕಿಕ್", ಇದು ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿಗಳು ತಮ್ಮ ಅಂಗಡಿಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಮತ್ತು ವ್ಯವಹಾರದ ಬಗ್ಗೆ ಅನುಮಾನಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಕಂಪನಿಯ ಪ್ರಕಾರ, ಅನೇಕ ಬಳಕೆದಾರರು ಅವರು AI ಜೊತೆ ಮಾತನಾಡುತ್ತಿದ್ದೇವೆ ಎಂಬುದನ್ನು ಸಹ ಮರೆತುಬಿಡುತ್ತಾರೆ ಕೆಲವು ನಿಮಿಷಗಳ ಸಂಭಾಷಣೆಯ ನಂತರ, ಬಳಕೆದಾರರು ದೀರ್ಘ ವಿಚಾರಣೆಯ ನಂತರ ಬಾಟ್‌ಗೆ ಧನ್ಯವಾದಗಳನ್ನು ಅರ್ಪಿಸಿದರು. ಈ ರೀತಿಯ ಪ್ರತಿಕ್ರಿಯೆಯು ನೈಸರ್ಗಿಕತೆ ಮತ್ತು ಸ್ವರದಲ್ಲಿನ ಪ್ರಗತಿಯು ತಂತ್ರಜ್ಞಾನವನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಹಿಂದೆ ಸರಿಯುವಂತೆ ಮಾಡುತ್ತಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

ಹಣಕಾಸು ವಲಯದಲ್ಲಿ, ಪೂರೈಕೆದಾರರು ಯುನೈಟೆಡ್ ಹೋಲ್‌ಸೇಲ್ ಮಾರ್ಟ್‌ಗೇಜ್ (UWM) ಅಡಮಾನ ಸಂಬಂಧಿತ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಇದು ಮಾದರಿಯನ್ನು ತನ್ನ "ಮಿಯಾ" ಸಹಾಯಕದಲ್ಲಿ ಸಂಯೋಜಿಸಿದೆ. ಜೆಮಿನಿ 2.5 ಮತ್ತು ಇತರ ಆಂತರಿಕ ವ್ಯವಸ್ಥೆಗಳ ಸಂಯೋಜನೆಯೊಂದಿಗೆ, ಕಂಪನಿಯು ಹೇಳಿಕೊಳ್ಳುತ್ತದೆ 14.000 ಕ್ಕೂ ಹೆಚ್ಚು ಸಾಲಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗಿದೆ ಅದರ ಪಾಲುದಾರರಿಗೆ, ನಿಖರತೆ ಮತ್ತು ನಿಯಂತ್ರಕ ಅನುಸರಣೆಯ ಅಗತ್ಯವಿರುವ ಸ್ವಯಂಚಾಲಿತ ಸಂವಹನಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ.

ಅದರ ಪಾಲಿಗೆ, ಸ್ಟಾರ್ಟ್‌ಅಪ್ ನ್ಯೂಒ.ಐ. ಇದು ವರ್ಟೆಕ್ಸ್ AI ಮೂಲಕ ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೊವನ್ನು ಬಳಸಿಕೊಂಡು ಅದರ ವರ್ಚುವಲ್ ಸ್ವಾಗತಕಾರರುಈ ಧ್ವನಿ ಸಹಾಯಕರು ಗದ್ದಲದ ವಾತಾವರಣದಲ್ಲಿಯೂ ಸಹ ಮುಖ್ಯ ಭಾಷಣಕಾರರನ್ನು ಗುರುತಿಸುವ, ಸಂಭಾಷಣೆಯ ಮಧ್ಯದಲ್ಲಿ ಭಾಷೆಗಳನ್ನು ಬದಲಾಯಿಸುವ ಮತ್ತು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದ್ದಾರೆ ಭಾವನಾತ್ಮಕ ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸಗಳೊಂದಿಗೆ ನೈಸರ್ಗಿಕ ಧ್ವನಿ ನೋಂದಣಿಇದು ಗ್ರಾಹಕ ಸೇವೆಯಲ್ಲಿ ನಿರ್ಣಾಯಕವಾಗಿದೆ.

ನೈಜ-ಸಮಯದ ಧ್ವನಿಯಿಂದ ಧ್ವನಿ ಅನುವಾದ: ಹೆಚ್ಚಿನ ಭಾಷೆಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸಗಳು

ಈ ಆವೃತ್ತಿಯಲ್ಲಿ ಅತ್ಯಂತ ಗಮನಾರ್ಹವಾದ ಸೇರ್ಪಡೆಗಳಲ್ಲಿ ಒಂದು ನೇರ ಧ್ವನಿಯಿಂದ ಧ್ವನಿಗೆ ಅನುವಾದಆರಂಭದಲ್ಲಿ ಗೂಗಲ್ ಟ್ರಾನ್ಸ್‌ಲೇಟ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಸಂಯೋಜಿಸಲ್ಪಟ್ಟ ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೊ, ಆಡಿಯೊವನ್ನು ಪಠ್ಯಕ್ಕೆ ಪರಿವರ್ತಿಸುವುದು ಅಥವಾ ವಿಭಜಿತ ಅನುವಾದಗಳನ್ನು ನೀಡುವುದನ್ನು ಮೀರಿ, ಹೆಚ್ಚು ತಲ್ಲೀನಗೊಳಿಸುವ ಅನುಭವವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. ಏಕಕಾಲಿಕ ಅನುವಾದ ಮಾನವ ವ್ಯಾಖ್ಯಾನಕ್ಕೆ ಹತ್ತಿರವಾಗಿದೆ.

ಈ ವ್ಯವಸ್ಥೆಯು ಈ ರೀತಿಯ ವಿಧಾನಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು ನಿರಂತರ ಆಲಿಸುವಿಕೆಇದು ಬಳಕೆದಾರರಿಗೆ ಹೆಡ್‌ಫೋನ್‌ಗಳನ್ನು ಹಾಕಿಕೊಂಡು ತಮ್ಮ ಸುತ್ತಲೂ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದನ್ನು ಅವರ ಭಾಷೆಗೆ ಅನುವಾದಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಪ್ರತಿ ಪದಗುಚ್ಛಕ್ಕೂ ವಿರಾಮ ಅಥವಾ ಗುಂಡಿಗಳನ್ನು ಒತ್ತುವ ಅಗತ್ಯವಿಲ್ಲ. ಪ್ರಯಾಣ ಮಾಡುವಾಗ, ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಭೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸುವಾಗ ಅಥವಾ ಬಹು ಭಾಷೆಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಕಾರ್ಯಕ್ರಮಗಳಲ್ಲಿ ಈ ಆಯ್ಕೆಯು ಉಪಯುಕ್ತವಾಗಿರುತ್ತದೆ.

ಸನ್ನಿವೇಶಗಳನ್ನು ಸಹ ಪರಿಗಣಿಸಲಾಗಿದೆ ದ್ವಿಮುಖ ಸಂಭಾಷಣೆಉದಾಹರಣೆಗೆ, ಒಬ್ಬರು ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ಮತ್ತು ಇನ್ನೊಬ್ಬರು ಹಿಂದಿಯಲ್ಲಿ ಮಾತನಾಡಿದರೆ, ಹೆಡ್‌ಫೋನ್‌ಗಳು ನೈಜ ಸಮಯದಲ್ಲಿ ಇಂಗ್ಲಿಷ್ ಅನುವಾದವನ್ನು ಪ್ಲೇ ಮಾಡುತ್ತವೆ, ಆದರೆ ಮೊದಲ ವ್ಯಕ್ತಿ ಮಾತನಾಡಿದ ನಂತರ ಫೋನ್ ಹಿಂದಿ ಅನುವಾದವನ್ನು ಪ್ಲೇ ಮಾಡುತ್ತದೆ. ಬಳಕೆದಾರರು ತಿರುವುಗಳ ನಡುವೆ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಬದಲಾಯಿಸದೆ, ಯಾರು ಮಾತನಾಡುತ್ತಿದ್ದಾರೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ಸಿಸ್ಟಮ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಔಟ್‌ಪುಟ್ ಭಾಷೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.

ಈ ಕಾರ್ಯದ ಅತ್ಯಂತ ಪ್ರಸ್ತುತವಾದ ವಿವರಗಳಲ್ಲಿ ಒಂದು ಅದರ ಸಾಮರ್ಥ್ಯ ಮೂಲ ಸ್ವರ, ಲಯ ಮತ್ತು ಸ್ವರವನ್ನು ಸಂರಕ್ಷಿಸಿ ಸ್ಪೀಕರ್‌ನಿಂದ. ಇದು ಕಡಿಮೆ ರೋಬೋಟಿಕ್ ಆಗಿ ಧ್ವನಿಸುವ ಮತ್ತು ಸ್ಪೀಕರ್‌ನ ಧ್ವನಿ ಶೈಲಿಗೆ ಹತ್ತಿರವಾಗುವ ಅನುವಾದಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಅವುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸುಲಭವಾಗುತ್ತದೆ ಮತ್ತು ಅನುಭವವು ಹೆಚ್ಚು ನೈಸರ್ಗಿಕವಾಗಿರುತ್ತದೆ.

ಭಾಷಾ ಬೆಂಬಲ, ಸ್ವಯಂಚಾಲಿತ ಪತ್ತೆ ಮತ್ತು ಶಬ್ದ ಫಿಲ್ಟರಿಂಗ್

ಭಾಷಾ ವ್ಯಾಪ್ತಿಯ ವಿಷಯದಲ್ಲಿ, ಜೆಮಿನಿ 2.5-ಆಧಾರಿತ ಧ್ವನಿ ಅನುವಾದವು ಬೆಂಬಲವನ್ನು ನೀಡುತ್ತದೆ 70 ಕ್ಕೂ ಹೆಚ್ಚು ಭಾಷೆಗಳು ಮತ್ತು ಸುಮಾರು 2.000 ಅನುವಾದ ಜೋಡಿಗಳುಮಾದರಿಯ ವಿಶ್ವ ಜ್ಞಾನವನ್ನು ಅದರ ಬಹುಭಾಷಾ ಮತ್ತು ಸ್ಥಳೀಯ ಆಡಿಯೊ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ, ಇದು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಭಾಷಾ ಸಂಯೋಜನೆಗಳನ್ನು ಒಳಗೊಳ್ಳಬಹುದು, ಇದರಲ್ಲಿ ಇತರ ಪರಿಕರಗಳಿಂದ ಯಾವಾಗಲೂ ಆದ್ಯತೆ ನೀಡದ ಹಲವು ಸೇರಿವೆ.

ವ್ಯವಸ್ಥೆಯು ನಿರ್ವಹಿಸಬಹುದು ಬಹುಭಾಷಾ ನಮೂದು ಒಂದೇ ಸೆಷನ್‌ನಲ್ಲಿ, ಬಳಕೆದಾರರು ಪ್ರತಿ ಬಾರಿ ಭಾಷೆಗಳನ್ನು ಬದಲಾಯಿಸಿದಾಗ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಹೊಂದಿಸುವ ಅಗತ್ಯವಿಲ್ಲದೆಯೇ ಇದು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಭಾಷೆಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತದೆ. ಹಲವಾರು ಭಾಷೆಗಳು ಸ್ವಾಭಾವಿಕವಾಗಿ ಬೆರೆತಿರುವ ಸಂಭಾಷಣೆಗಳಲ್ಲಿ ಈ ವೈಶಿಷ್ಟ್ಯವು ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಿದೆ.

ಗೆ ಧನ್ಯವಾದಗಳು ಮಾತನಾಡುವ ಭಾಷೆಯ ಸ್ವಯಂಚಾಲಿತ ಪತ್ತೆಬಳಕೆದಾರರು ತಮ್ಮ ಸಂವಾದಕ ಯಾವ ಭಾಷೆಯಲ್ಲಿ ಸಂವಹನ ನಡೆಸುತ್ತಿದ್ದಾರೆಂದು ಮುಂಚಿತವಾಗಿ ತಿಳಿದುಕೊಳ್ಳಬೇಕಾಗಿಲ್ಲ: ಮಾದರಿಯು ಭಾಷೆಯನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಹಾರಾಡುತ್ತ ಭಾಷಾಂತರಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ, ಘರ್ಷಣೆ ಮತ್ತು ಮಧ್ಯಂತರ ಹಂತಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೋ ಸಹ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಶಬ್ದದ ವಿರುದ್ಧ ದೃಢತೆಇದು ಸುತ್ತುವರಿದ ಧ್ವನಿಯನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಇದು ಮುಖ್ಯ ಧ್ವನಿಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತದೆ, ಇದು ಜನನಿಬಿಡ ಬೀದಿಗಳು, ತೆರೆದ ಸ್ಥಳಗಳು ಅಥವಾ ಹಿನ್ನೆಲೆ ಸಂಗೀತವಿರುವ ಸ್ಥಳಗಳಲ್ಲಿ ಹೆಚ್ಚು ಆರಾಮದಾಯಕ ಸಂಭಾಷಣೆಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಯುರೋಪ್‌ಗೆ ಲಭ್ಯತೆ, ನಿಯೋಜನೆ ಮತ್ತು ನಿರೀಕ್ಷೆಗಳು

ಈ ಮಾದರಿಯನ್ನು ಆಧರಿಸಿದ ಲೈವ್ ಧ್ವನಿ ಅನುವಾದವು ಪ್ರಸ್ತುತ ಲಭ್ಯವಿದೆ Google ಅನುವಾದ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಬೀಟಾ ಹಂತ ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್, ಮೆಕ್ಸಿಕೊ ಮತ್ತು ಭಾರತದಂತಹ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಆಂಡ್ರಾಯ್ಡ್ ಸಾಧನಗಳಿಗೆ. ಸೇವೆಯನ್ನು ಹಂತಹಂತವಾಗಿ ವಿಸ್ತರಿಸಲಾಗುವುದು ಎಂದು ಗೂಗಲ್ ದೃಢಪಡಿಸಿದೆ ಹೆಚ್ಚಿನ ಪ್ರದೇಶಗಳು ಮತ್ತು ವೇದಿಕೆಗಳು, ಇತರ ಮೊಬೈಲ್ ವ್ಯವಸ್ಥೆಗಳು ಸೇರಿದಂತೆ.

ಸಮಾನಾಂತರವಾಗಿ, ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೊದ ಏಕೀಕರಣವು ಜೆಮಿನಿ ಲೈವ್ ಮತ್ತು ಸರ್ಚ್ ಲೈವ್ ಇದನ್ನು ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಿ ಆಂಡ್ರಾಯ್ಡ್ ಮತ್ತು iOS ನಲ್ಲಿ Google ಅಪ್ಲಿಕೇಶನ್‌ನ ಬಳಕೆದಾರರಿಗೆ ಬಿಡುಗಡೆ ಮಾಡಲಾಗುತ್ತಿದೆ. ಈ ವೈಶಿಷ್ಟ್ಯಗಳು ಪ್ರಬುದ್ಧವಾಗಿ ಆರಂಭಿಕ ಪರೀಕ್ಷೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ಹಂತಗಳನ್ನು ದಾಟಿದಂತೆ, ಅವು ಇತರ ಪ್ರದೇಶಗಳಿಗೂ ಬರುವ ನಿರೀಕ್ಷೆಯಿದೆ. ಯುರೋಪಿಯನ್ ಮಾರುಕಟ್ಟೆಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಹೆಚ್ಚಿನ ದೇಶಗಳು, ಅಲ್ಲಿ ಅನುವಾದ ಮತ್ತು ಧ್ವನಿ ಸಹಾಯಕರಿಗೆ ಬೇಡಿಕೆ ವಿಶೇಷವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ.

ಈ ಧ್ವನಿ ಮತ್ತು ಅನುವಾದ ಅನುಭವವನ್ನು ಇತರ ಉತ್ಪನ್ನಗಳಲ್ಲಿ ಅಳವಡಿಸುವ ಉದ್ದೇಶವನ್ನು Google ಪ್ರಕಟಿಸಿದೆ, ಅವುಗಳೆಂದರೆ ಜೆಮಿನಿ APIಮುಂಬರುವ ತಿಂಗಳುಗಳು ಮತ್ತು ವರ್ಷಗಳಲ್ಲಿ, ಪ್ರವಾಸೋದ್ಯಮ, ಲಾಜಿಸ್ಟಿಕ್ಸ್, ಶಿಕ್ಷಣ ಮತ್ತು ಸಾರ್ವಜನಿಕ ಆಡಳಿತದಂತಹ ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ಯುರೋಪಿಯನ್ ಕಂಪನಿಗಳು ಈ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನೇರವಾಗಿ ತಮ್ಮದೇ ಆದ ಸೇವೆಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಲು ಇದು ಬಾಗಿಲು ತೆರೆಯುತ್ತದೆ.

ಡೆವಲಪರ್‌ಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುವ ವಿಶಾಲ ಕಾರ್ಯತಂತ್ರದ ಭಾಗವಾಗಿ ಕಂಪನಿಯು ಈ ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತಿದೆ ನೈಸರ್ಗಿಕ ಧ್ವನಿಯೊಂದಿಗೆ ಸಂವಾದಾತ್ಮಕ ಏಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಿ ಇಂದಿನಿಂದ, ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೊ ಮತ್ತು 2.5 ಫ್ಲ್ಯಾಶ್ ಮತ್ತು ಪ್ರೊ ಕುಟುಂಬದ ಇತರ ಮಾದರಿಗಳ ಲಾಭವನ್ನು ಪಡೆದುಕೊಳ್ಳುವುದರಿಂದ ಹೆಚ್ಚು ನಿಯಂತ್ರಿತ ಧ್ವನಿ ಉತ್ಪಾದನೆ (ಟೋನ್, ಉದ್ದೇಶ, ವೇಗ ಇತ್ಯಾದಿಗಳನ್ನು ಸರಿಹೊಂದಿಸುವುದು) ಮತ್ತು ಫ್ರೇಮ್‌ಗಳಂತಹವುಗಳತ್ತ ಸಜ್ಜಾಗಿದೆ. ಏಜೆಂಟ್ AI ಫೌಂಡೇಶನ್.

ಈ ಸುಧಾರಣೆಗಳ ಗುಂಪಿನೊಂದಿಗೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗಿನ ಸಂವಹನದ ಪ್ರಮುಖ ಮಾರ್ಗಗಳಲ್ಲಿ ಧ್ವನಿಯೂ ಒಂದು ಎಂಬ ಕಲ್ಪನೆಯನ್ನು Google ಬಲಪಡಿಸುತ್ತದೆ: ಗ್ರಾಹಕರ ಕರೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಮತ್ತು ಸಂಕೀರ್ಣ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಸಹಾಯಕರಿಂದ ಹಿಡಿದು, ಒಂದೇ ಭಾಷೆಯನ್ನು ಹಂಚಿಕೊಳ್ಳದ ಜನರ ನಡುವೆ ಸಂವಹನವನ್ನು ಸುಗಮಗೊಳಿಸುವ ಏಕಕಾಲಿಕ ಅನುವಾದ ವ್ಯವಸ್ಥೆಗಳವರೆಗೆ. ಜೆಮಿನಿ 2.5 ಫ್ಲ್ಯಾಶ್ ನೇಟಿವ್ ಆಡಿಯೋ ಈ ಪ್ರಯತ್ನದ ಹೃದಯಭಾಗದಲ್ಲಿದ್ದು, ಧ್ವನಿ ಗ್ರಹಿಕೆ ಮತ್ತು ಅಭಿವ್ಯಕ್ತಿ ಎರಡನ್ನೂ ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ. ಯುರೋಪ್ ಮತ್ತು ಇತರ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಅದರ ಪೂರ್ಣ ನಿಯೋಜನೆಗಾಗಿ ಕಾಯುತ್ತಿರುವಾಗ, ತಂತ್ರಜ್ಞಾನವನ್ನು ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಹೆಚ್ಚು ಉಪಯುಕ್ತ ಮತ್ತು ಕಡಿಮೆ ಒಳನುಗ್ಗುವಂತೆ ಮಾಡಲು.