लिहिलेला मजकूर आता मराठी आवाजात ऐकता येणार

१७ ऑक्टोबर २०२६ | शनिवार

नमस्कार मंडळी! 👋

ग्राहक सेवेचा फोन आल्यावर समोरून ऐकू येणारा तो यांत्रिक, तुटक आवाज आपल्या सगळ्यांच्याच परिचयाचा आहे. अनेकदा स्क्रीनवरचा लांबलचक मजकूर वाचण्यापेक्षा तो कोणीतरी स्पष्ट आणि नैसर्गिक आवाजात वाचून दाखवला तर काम किती सोपं होईल, असं आपल्याला वाटतं.

आता भारतीय भाषांमधील लिखित मजकूर अधिक स्पष्टपणे आवाजात रूपांतरित करणारी तंत्रज्ञानं पुढे येत आहेत.

चला, आजच्या महत्त्वाच्या घडामोडी जाणून घेऊया!

बेंगळुरू येथील Sarvam AI या कंपनीने नुकतंच Bulbul v4 Flash हे नवीन 'टेक्स्ट-टू-स्पीच' (Text-to-Speech) मॉडेल व्यवसायांसाठी आणि डेव्हलपर्ससाठी उपलब्ध करून दिलं आहे.

हे तंत्रज्ञान दिलेल्या लिखित मजकुराचं आवाजात रूपांतर करतं. कंपनीच्या अधिकृत माहितीनुसार, यात मराठीसह अनेक भारतीय भाषांचा समावेश आहे. सॉफ्टवेअर डेव्हलपर्स आणि कंपन्या आपल्या अ‍ॅप्स किंवा सेवांमध्ये API द्वारे हा आवाज जोडू शकतात.

हे मॉडेल म्हणजे स्वतःहून प्रश्नांची उत्तरं देणारा किंवा गप्पा मारणारा चॅटबॉट नाही. तुम्ही दिलेला लिखित मजकूर मानवी आवाजासारख्या वाटणाऱ्या स्वरात वाचून दाखवणं, एवढंच याचं मुख्य काम आहे.

भारतात बँकिंग, ई-कॉमर्स, शिक्षण आणि सरकारी माहिती सामान्य लोकांपर्यंत पोहोचवण्यासाठी स्थानिक भाषेतील आवाजाची मोठी गरज असते. जर अ‍ॅप्स आणि ग्राहक सेवा केंद्रांना स्पष्ट मराठी आवाज वापरता आला, तर इंग्रजी न समजणाऱ्या किंवा वाचता न येणाऱ्या लाखो लोकांसाठी डिजिटल सेवा वापरणं अधिक सोपं होऊ शकतं.

मी स्वतः Bulbul v4 वापरून एक MPSC Short तयार केला आहे, तो इथे ऐकू शकता: Short पाहा

🔗 स्रोत: अधिकृत माहिती | तांत्रिक कागदपत्रं

ऑनलाइन खरेदी करताना आपल्याला अनेकदा वेगवेगळ्या वेबसाईट्सवर जाऊन वस्तू निवडाव्या लागतात आणि प्रत्येक ठिकाणी वेगळं पेमेंट करावं लागतं. ही प्रक्रिया सोपी करण्यासाठी Google ने १५ ऑक्टोबरला Universal Cart ही सुविधा सुरू केली आहे.

या सुविधेमुळे वापरकर्ते Google Search आणि Gemini अ‍ॅपमध्ये वस्तू शोधतानाच वेगवेगळ्या दुकानांमधील उत्पादने एकाच कार्टमध्ये जमा करू शकतात. काही निवडक दुकानांमध्ये Google Pay ने तिथूनच खरेदी पूर्ण करता येते. यासोबतच वस्तूची किंमत कमी झाल्यावर (price-drop) किंवा संपलेली वस्तू पुन्हा उपलब्ध झाल्यावर (back-in-stock) सूचना देण्याची आणि प्रोमो कोड्स तपासण्याची सोयही यात आहे.

उपलब्धता: ही सुविधा सध्या फक्त अमेरिकेतील (U.S.) वापरकर्त्यांसाठी सुरू झाली असून, भारतात ही सेवा कधी सुरू होणार याबद्दल कंपनीने अद्याप घोषणा केलेली नाही.

आतापर्यंत लोक वस्तू शोधण्यासाठी सर्च इंजिन वापरत आणि खरेदीसाठी थेट ई-कॉमर्स वेबसाईटवर जात. जर शोध आणि खरेदी एकाच ठिकाणी पूर्ण होऊ लागली, तर ऑनलाइन शॉपिंगची पद्धत बदलू शकते.

🔗 स्रोत: अधिकृत घोषणा

मीटिंग किंवा कामाच्या गडबडीत बोललेले महत्त्वाचे मुद्दे आपण अनेकदा विसरतो. यासाठी Amazon च्या मालकीच्या Bee या विभागाने Bee Frontier आणि Bee Eclipse ही दोन नवीन छोटी उपकरणं सादर केली आहेत.

Frontier हे मनगटावर बांधता येणारं किंवा कपड्यांना लावता येणारं उपकरण आहे, तर Eclipse हे फोनच्या मागच्या बाजूला जोडता येणारं छोटं उपकरण आहे. दिवसभरातील संभाषण ऐकून त्यावरून कामांच्या याद्या (to-do lists), आठवणी (reminders) आणि सारांश तयार करणं हे या उपकरणांचं काम आहे.

उपलब्धता आणि किंमत: सध्या Frontier हे उपकरण Amazon.com वर ७४.९९ डॉलर्सला उपलब्ध आहे, तर Eclipse (९९.९९ डॉलर्सपासून पुढे) लवकरच उपलब्ध होणार आहे. यासोबत ११.९९ डॉलर्स प्रति महिना दराचा 'Bee Pro' प्लॅनही आहे. भारतातील उपलब्धतेबद्दल अद्याप कोणतीही घोषणा झालेली नाही.

अशी उपकरणं आवाज ऐकत असल्यामुळे गोपनीयतेचा प्रश्न निर्माण होणं स्वाभाविक आहे. Amazon च्या म्हणण्यानुसार, यात कोणताही ऑडिओ कायमस्वरूपी साठवला जात नाही (no audio is ever stored); संभाषणाचं लगेच मजकुरात रूपांतर करून मूळ आवाज पुसून टाकला जातो. तसेच उपकरण सुरू असताना त्यावर एक दिवा (indicator light) लागतो आणि वापरकर्त्यांना कधीही माईक बंद करता येतो. तरीही, इतरांचं संभाषण रेकॉर्ड करताना त्यांची संमती घेणं हा यातला सर्वात संवेदनशील मुद्दा राहणार आहे.

तंत्रज्ञान आता केवळ मोबाईल किंवा कॉम्प्युटरच्या स्क्रीनपुरतं मर्यादित न राहता, आपण अंगावर घालू शकू अशा छोट्या साधनांमध्ये (wearables) येत आहे. कामाची उत्पादकता वाढवतानाच वैयक्तिक गोपनीयतेची सीमारेषा कशी सांभाळायची, हा येत्या काळातील मोठा प्रश्न असेल.

🔗 स्रोत: अधिकृत घोषणा

गेल्या काही दशकांपासून कॉम्प्युटर किंवा मोबाईल वापरण्यासाठी आपल्याला कीबोर्डवर टाईप करावं लागत होतं किंवा स्क्रीनवर बोटाने क्लिक करावं लागत होतं. म्हणजेच माणसाला मशीनची भाषा शिकावी लागत होती.

पण आता स्क्रीनवर न पाहता फक्त आवाजाच्या माध्यमातून काम करणारी साधनं पुढे येत आहेत. जेव्हा तंत्रज्ञान आपल्या नेहमीच्या बोलण्यात आणि दैनंदिन सवयींमध्ये सहज मिसळून जाईल, तेव्हाच त्याचा खरा फायदा सर्वसामान्य माणसापर्यंत पोहोचेल.

दिवसभरातील तुमचं बोलणं ऐकून कामाच्या नोंदी आणि आठवणी तयार करणारं एखादं उपकरण वापरायला तुम्हाला आवडेल का, की गोपनीयतेच्या कारणास्तव तुम्ही ते टाळाल?

या ईमेलला Reply करून तुमचं मत नक्की कळवा.

उद्या सकाळी पुन्हा भेटूया!

अनिकेत पाटील

Patil Protocol - जगातलं AI आणि तंत्रज्ञान, तुमच्या भाषेत.

https://newsletter.aniketppatil.com/