ऑफ़लाइन AI आवाज़ें क्यों मायने रखती हैं

एक उपन्यास आठ से बारह घंटे की बोली है। मोटे तौर पर पाँच लाख अक्षर। यही संख्या पूरा तर्क है, तो बाक़ी सब से पहले इसी पर ठहरना सार्थक है।

1. लागत अदृश्य नहीं रहती

क्लाउड टेक्स्ट-टू-स्पीच प्रति अक्षर बिल करता है। किताब के पैमाने पर यह कोई गोलमोल अंतर नहीं है: यही वजह है कि उस पर बनी हर सेवा ख़रीद नहीं, सदस्यता बेचती है। या तो जब तक पढ़ते रहें तब तक हर महीने भुगतान कीजिए, या मॉडल को उसी हार्डवेयर पर चलाइए जो आपके पास पहले से है और प्रति घंटा कुछ मत दीजिए।

यह तर्क नहीं कि सदस्यताएँ ग़लत हैं। यह तर्क है कि तमाम कामों में से पढ़ने पर तो मीटर नहीं लगना चाहिए।

2. आपकी किताबें बेनाम डेटा नहीं हैं

आपका टेक्स्ट बोलने के लिए क्लाउड सेवा को वह टेक्स्ट मिलना ही होगा। एक लेख के लिए यह मामूली बात है। एक लाइब्रेरी के लिए यह रिकॉर्ड है कि आप क्या पढ़ते हैं, किस क्रम में, दिन के किस समय, और कहाँ तक पहुँचे। पठन-इतिहास असामान्य रूप से बहुत कुछ खोल देता है: सेहत, आस्था, राजनीति, शोक, और पिछले महीने आप चुपचाप जो खोज रहे थे।

और सिर्फ़ किताबें नहीं। लोग अनुबंध, डॉक्टरी चिट्ठियाँ और अप्रकाशित पांडुलिपियाँ भी पढ़वाने वाले औज़ारों से गुज़ारते हैं। डिवाइस पर वाचन का मतलब है वह सामग्री कभी फ़ोन से बाहर नहीं जाती, और यह ऐसी गारंटी है जिसकी बराबरी कोई प्राइवेसी नीति नहीं कर सकती।

3. यह वहीं चलता है जहाँ आप सचमुच पढ़ते हैं

भूमिगत ट्रेनें, हवाई जहाज़, गाँव की सड़कें, और वह होटल वाई-फ़ाई जो हर नब्बे मिनट पर दोबारा लॉगिन माँगता है। जो आवाज़ आपके डिवाइस पर रहती है, वह पाँच डंडे हों या एक भी न हो, उसी सेकंड शुरू होती है। क्लाउड आवाज़ बफ़र करती है, कवरेज के किनारे पर हकलाती है, और दस हज़ार मीटर पर पूरी तरह रुक जाती है।

इसका एक सूक्ष्म रूप भी है: डिवाइस पर चलने वाला इंजन अगले कुछ पैराग्राफ़ पहले ही बना सकता है, तो अध्याय बदलने पर कोई ठहराव नहीं आता। जब यह चलता है तो किसी को पता नहीं चलता; जब नहीं चलता तो सबको चलता है।

4. बैटरी और डेटा, बारीकी सहित

ईमानदार बात: आवाज़ स्थानीय रूप से बनाना प्रोसेसर इस्तेमाल करता है, और स्ट्रीम करना रेडियो। दोनों मुफ़्त नहीं हैं। व्यवहार में लगातार नेटवर्क इस्तेमाल आम तौर पर एक छोटे, कुशल मॉडल से ज़्यादा बैटरी खाता है, और डिवाइस पर वाचन ज़रा भी मोबाइल डेटा नहीं लेता, जो लंबी सुनवाई में बड़ा आँकड़ा है।

यहाँ मॉडल का वज़न मायने रखता है। Piper जैसा हल्का इंजन मुश्किल से महसूस होता है; Kokoro जैसा भारी चिप से ज़्यादा माँगता है और पुराने फ़ोन पर बैटरी में दिखता है। इन दोनों में चुनाव असली फ़ैसला है, जिसे हमने Piper बनाम Kokoro में देखा है।

5. यह चलता रहता है

क्लाउड सेवाएँ बदलती हैं। दाम बढ़ते हैं, मुफ़्त स्तर बंद होते हैं, API हटा दिए जाते हैं, कंपनियाँ ख़रीद ली जाती हैं। आपके ऐप की स्टोरेज में बैठा आवाज़ मॉडल इनमें से किसी तरह विफल नहीं होता: वह पाँच साल बाद भी ठीक वैसे ही पढ़ेगा जैसे आज, चाहे उसे प्रेरित करने वाली सेवा कोई सँभाल रहा हो या नहीं।

ऐसे पढ़ने वाले ऐप के लिए, जिसे लोग सालों रखते हैं, यह स्थिरता आवाज़ की गुणवत्ता जितनी ही क़ीमती है।

तकनीकी रूप से क्या बदला

यह सब कुछ समय पहले तक संभव नहीं था, और क्यों नहीं था यह ठीक-ठीक बताना ज़रूरी है। न्यूरल स्पीच मॉडलों को डेटा सेंटर चाहिए होता था। दो चीज़ों ने इसे हल किया: ऐसे ढाँचे जो कहीं कम पैरामीटर से अच्छी आवाज़ बनाते हैं, और फ़ोन की चिप जो इस तरह के काम में सचमुच तेज़ हो गईं।

Piper ओपन-सोर्स वॉइस असिस्टेंट की दुनिया से आया, हर आवाज़ के छोटे मॉडल और रफ़्तार तथा भाषा-विस्तार पर ज़ोर के साथ। Kokoro दूसरी दिशा में गया और परिणाम कितना मानवीय लगे, इस पर ज़्यादा क्षमता ख़र्च की, फिर भी फ़ोन पर चलने लायक़ छोटा बना रहा। दोनों मिलकर पाठक की ज़्यादातर ज़रूरत ढँक देते हैं, और दोनों खुले हैं, इसीलिए एक स्वतंत्र ऐप उन्हें साथ रख पाता है।

ईमानदार जवाबी तर्क

• सबसे अच्छी क्लाउड आवाज़ें अब भी बेहतर हैं। भाव, पात्रों की आवाज़ और भावनात्मक विस्तार में बड़ा होस्टेड मॉडल जीतता है। डिवाइस पर चलने वाली आवाज़ों ने ज़्यादातर फ़ासला पाटा है, पूरा नहीं।
• भाषा-कवरेज असमान है। कुछ भाषाओं के लिए डिवाइस पर बढ़िया आवाज़ें हैं और कुछ के लिए एक भी नहीं। क्लाउड सेवाएँ, ज़्यादा संसाधनों के साथ, ज़्यादा ढँकती हैं।
• मॉडल जगह लेते हैं। हर डाउनलोड की आवाज़ स्टोरेज घेरती है, और 64 GB वाले फ़ोन पर यह असली ख़र्च है।

इससे निकलता यह है: किसी एक लेख के लिए जो सबसे अच्छा लगे वही लीजिए। पर अपनी लाइब्रेरी के लिए आवाज़ को वहीं रहना चाहिए जहाँ किताबें रहती हैं।

व्यवहार में यह कैसा दिखता है

Lectern दोनों इंजन साथ लाता है, आप जो किताब खोलते हैं उसकी भाषा पहचानता है, मेल खाती आवाज़ सुझाता है, उसे एक बार डाउनलोड करता है, और उसके बाद कभी नेटवर्क नहीं माँगता। बोला जा रहा वाक्य हाइलाइट होता है ताकि आप साथ पढ़ सकें, वाचन के दौरान स्क्रीन चालू रहती है, और इस पूरी शृंखला में कहीं कोई अकाउंट नहीं है।

बात यह नहीं कि ऑफ़लाइन होना एक फ़ीचर है। बात यह है कि आपकी अपनी किताब, आपके अपने डिवाइस पर चलने वाली आवाज़ में, बिना किसी के रिकॉर्ड रखे, यही तो पढ़ना था इससे पहले कि वह एक सेवा बन जाता।

अक्सर पूछे जाने वाले सवाल