පෙළ-පදනම් වූ චැට්බෝට් (chatbots) යුගයෙන් ඔබ්බට ගොස් තත්‍ය කාලීන, ස්වයංක්‍රීය හඬ නියෝජිතයන් (voice agents) කරා වන සංක්‍රමණය බලාපොරොත්තු වූවාට වඩා වේගයෙන් සිදුවෙමින් පවතී. Google for Developers, Google DeepMind සහ Sierra AI ආයතන එක්ව පැවැත්වූ විශේෂ සාකච්ඡාවකදී, ව්‍යවසාය මට්ටමේ (enterprise) භාවිතයන් සඳහාම විශේෂයෙන් සකස් කළ ස්වදේශීය ශ්‍රව්‍ය ආකෘති (native audio models) පිළිබඳ තොරතුරු හෙළිදරව් කරන ලදී.

1. ද්විත්ව ආකෘති ප්‍රවේශය: වේගය සහ සංකීර්ණත්වය අතර සමබරතාවය

විවිධ කාර්යයන් සඳහා වෙනස් පරිගණක ගෘහ නිර්මාණ ශිල්පයක් (compute architecture) අවශ්‍ය වන බව හඳුනා ගනිමින්, Google DeepMind විසින් එකිනෙකට වෙනස් ස්වදේශීය ශ්‍රව්‍ය ආකෘති දෙකක් නිකුත් කර ඇත:

• සැහැල්ලු ආකෘතිය (Lightweight Model): කඩිනම්, වේගවත් සහ ක්ෂණික සංවාද සඳහා මෙය විශේෂයෙන් සකස් කර ඇත. ගැඹුරු මෙවලම් කැඳවීම් (tool-calling) හෝ සංකීර්ණ තර්කනයන් අවශ්‍ය නොවන සරල දෛනික අන්තර්ක්‍රියා සඳහා අවම ප්‍රමාදයකින් යුතුව මෙය ක්‍රියා කරයි.
• භාරදූර ව්‍යවසාය ආකෘතිය (Enterprise Heavy-Duty Model): සංකීර්ණ, ස්වයංක්‍රීය නියෝජිත කාර්යයන් සඳහාම නිර්මාණය වූවකි. බහු-පියවර ක්‍රියාකාරී ඇමතුම් (multi-step function calling), දීර්ඝ-කාලීන තර්කනය (long-horizon reasoning) සහ ඉහළ නිරවද්‍යතාවක් අත්‍යවශ්‍ය වන වගකිවයුතු ව්‍යාපාරික පරිසරයන් සඳහා මෙම ආකෘතිය යොදා ගැනේ.

2. හඬ තාක්ෂණයේ ප්‍රමාදය (Latency) පිළිබඳ ගැටලුව විසඳීම

පාරිභෝගික සේවය හෝ විකුණුම් කටයුතු සඳහා AI නියෝජිතයන් යොදා ගැනීමේදී සිදුවන අනවශ්‍ය නිහඬතාවයන් පරිශීලක විශ්වාසය බිඳ දැමීමට හේතු වේ. එබැවින් ප්‍රමාදය මැන බැලීම සඳහා DeepMind කණ්ඩායම ප්‍රධාන මිතික දෙකක් කෙරෙහි අවධානය යොමු කර ඇත:

• පළමු ශ්‍රව්‍යය ලැබීමට ගතවන කාලය (Time to First Audio): පරිශීලකයා කතා කර අවසන් වූ පසු AI පද්ධතිය කතා කිරීමට පටන් ගන්නා වේගයයි. පෙර පරම්පරාවල “චින්තන ක්‍රියාවලිය” (thinking) හේතුවෙන් ඇති වූ දීර්ඝ නිහඬතාව මගහරිමින්, මෙම කාලය සැබෑ මිනිස් සංවාදයක මට්ටමට ගෙන ඒමට නව යාවත්කාලීනය සමත්ව ඇත.
• පළමු ප්‍රයෝජනවත් ප්‍රතිචාරයට ගතවන කාලය (Time to First Useful Response): හුදෙක් “මම ඒ ගැන සොයා බලන්නම්” යැයි පැවසීම පමණක් ප්‍රමාණවත් නොවේ. ඉල්ලීම පිළිගැනීමෙන් අනතුරුව, පරිශීලකයාට අවශ්‍ය අර්ථවත් තොරතුර සැබවින්ම ලබා දීමට ගතවන නිශ්චිත කාලය ද මෙහිදී මනිනු ලැබේ.

3. “කැඩුණු දුරකථන” ගැටලුව අවසන් කිරීම සහ ස්වදේශීය භාෂා මාරුව (Code-Switching)

සාම්ප්‍රදායික ක්‍රමවේදයේදී සිදු වූයේ හඬ පෙළ බවට හැරවීම (speech-to-text), එම පෙළ සකස් කිරීම සහ නැවත එය කෘත්‍රිම හඬක් බවට පත් කිරීමයි (text-to-speech). මෙම පියවරෙන් පියවර ක්‍රියාවලිය නිසා තොරතුරු විකෘති වීම හෝ ස්වභාවික බව ගිලිහී යාම සිදු විය.

නමුත් ගූගල්හි නවතම පද්ධති ස්වදේශීය ශ්‍රව්‍ය (native audio) මත සෘජුවම ක්‍රියාත්මක වන බැවින්, පෙළ බවට හැරවීමේ අවශ්‍යතාවක් නොමැත. මෙහි ප්‍රතිඵලයක් ලෙස, සංවාදයක් අතරතුර එක් භාෂාවකින් තවත් භාෂාවකට මාරු වීම (code-switching), කථනයේ ඇති සියුම් ස්වර වෙනස්කම් සහ උච්චාරණ විලාසයන් කිසිදු බාධාවකින් තොරව ග්‍රහණය කර ගැනීමට AI පද්ධතියට හැකියාව ලැබේ.

4. Sierra AI සහ හඬ ගුණාත්මකභාවය පිළිබඳ ධුරාවලිය

පාරිභෝගික සේවා AI නියෝජිතයන් නිර්මාණය කරන Sierra AI ආයතනය, සැබෑ ලෝකයේ ශබ්ද, පරිශීලක චරිත සහ සංකීර්ණ දත්ත ලබා ගැනීම් අනුකරණය කරන TaoBench මිණුම් ලකුණ හරහා මෙම පද්ධති පරීක්ෂා කර ඇත.

Sierra AI හි නිර්වචනයට අනුව, හඬ නියෝජිතයෙකුගේ සාර්ථකත්වය මනිනු ලබන්නේ “හඬ ගුණාත්මකභාවය පිළිබඳ මැස්ලෝ ධුරාවලිය” (Maslow’s Hierarchy of Voice Quality) හරහාය:

1. නිරවද්‍යතාවය (පදනම): වැරදි තොරතුරු (hallucinations) ලබා නොදී නියමිත කාර්යය නිවැරදිව ඉටු කිරීමට ඇති හැකියාව.
2. ගුණාත්මකභාවය: අදාළ ඇමතුම හෝ සංවාදය පරිශීලකයාට පීඩාකාරී නොවී ඉවසිය හැකි මට්ටමක පැවතීම.
3. අත්දැකීම (උච්චතම අවස්ථාව): සංවාදයට සවන් දීම සැබවින්ම ප්‍රියජනක වීම, ස්වභාවික උච්චාරණය, සුදුසු ස්වරය සහ වේගය නිවැරදිව පවත්වා ගැනීම.

කෘත්‍රිම බුද්ධිය සමඟ සම්බන්ධ වීමට තිරයක් හෝ යතුරුපුවරුවක් දෙසම බලා සිටි යුගය ක්‍රමයෙන් අවසන් වෙමින් පවතී. මෙම ස්වදේශීය ශ්‍රව්‍ය තාක්ෂණයන් පරිණත වීමත් සමඟ, සැබෑ මිනිසෙකු සමඟ කතා කරන ආකාරයෙන්ම ස්වභාවිකව, තත්‍ය කාලීනව තාක්ෂණය සමඟ අදහස් හුවමාරු කර ගැනීමේ හැකියාව ඉදිරි ව්‍යාපාරික සහ තාක්ෂණික ක්ෂේත්‍රයේ ප්‍රමුඛතම හැරවුම් ලක්ෂ්‍යය බවට පත්වෙමින් තිබේ.