🤖 machine learning

Consistent Diffusion Language Models

यह शोधपत्र कंसिस्टेंट डिफ्यूजन लैंग्वेज मॉडल (CDLM) को प्रस्तुत करता है, जो एक नवीन ढांचा है जो पथ-अपरिवर्तनीय (path-invariant) डिनोइज़र को प्रशिक्षित करने के लिए स्टोकेस्टिक "एक्ज़ैक्ट पोस्टीरियर ब्रिज" का लाभ उठाता है, जिससे मल्टी-स्टेज डिस्टिलेशन की आवश्यकता के बिना कुछ ही चरणों में अत्याधुनिक, उच्च-सटीकता वाली टेक्स्ट जनरेशन प्राप्त होती है।

मूल लेखक: Hasan Amin, Yuan Gao, Yaser Souri, Subhojit Som, Ming Yin, Rajiv Khanna, Xia Song

प्रकाशित 2026-05-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hasan Amin, Yuan Gao, Yaser Souri, Subhojit Som, Ming Yin, Rajiv Khanna, Xia Song

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "कंसिस्टेंट डिफ्यूजन लैंग्वेज मॉडल्स" (CDLM) के पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके विवरण दिया गया है।

बड़ी समस्या: धीमी "रिफाइनमेंट" (सुधार) प्रक्रिया

कल्पना कीजिए कि आप एक बिल्ली की एक आदर्श तस्वीर बनाने की कोशिश कर रहे हैं, लेकिन आप एक खाली कैनवास से शुरू करते हैं जो स्टैटिक शोर (जैसे टीवी पर दिखने वाला 'झिलमिलाहट') से ढका हुआ है।

पुराना तरीका (ऑटोरिग्रेसिव मॉडल्स): यह बिल्ली को एक-एक मूंछ करके बनाने जैसा है। आप पहली मूंछ बनाते हैं, फिर दूसरी, फिर तीसरी। यह प्रति स्टेप तेज़ है, लेकिन आपको एक सख्त क्रम में काम करना पड़ता है। आप सिर बनाने से पहले पूंछ नहीं बना सकते।
वर्तमान डिफ्यूजन मॉडल्स (द "रिफाइनमेंट" समस्या): यह स्टैटिक शोर से शुरू करने और उसे साफ करने की कोशिश करने जैसा है। आप शोर को देखते हैं, अनुमान लगाते हैं कि बिल्ली कैसी दिख सकती है, और एक छोटा सुधार करते हैं। फिर आप फिर से देखते हैं, एक और छोटा सुधार करते हैं।
- चुनौती: एक बहुत अच्छी बिल्ली पाने के लिए, आपको इस "अनुमान लगाओ और सुधारो" की प्रक्रिया को सैकड़ों बार दोहराना पड़ सकता है। यह एक गंदे शीशे को एक बार पोंछने, पीछे हटने, फिर से पोंछने और इस प्रक्रिया को 500 बार दोहराने जैसा है। यह सटीक तो है, लेकिन अविश्वसनीय रूप से धीमा है।

गायब कड़ी: "वन-स्टेप" शॉर्टकट

इमेज (निरंतर डेटा/continuous data) की दुनिया में, वैज्ञानिकों ने एक "जादुई मानचित्र" खोजा जिसे ODE (ऑर्डिनरी डिफरेंशियल इक्वेशन) कहा जाता है। यह मानचित्र गंदे शीशे से साफ शीशे तक एक एकल, सीधी और निश्चित रेखा दिखाता है। यदि आप इस मानचित्र को जानते हैं, तो आप केवल कुछ ही स्टेप्स में सीधे साफ इमेज तक पहुँच सकते हैं।

लेकिन टेक्स्ट (शब्दों) के लिए समस्या यह है: टेक्स्ट डिस्क्रीट ब्लॉक्स (शब्दों या अक्षरों) से बना होता है, न कि स्मूथ रंगों से। "गंदे टेक्स्ट" से "साफ टेक्स्ट" तक कोई एक सीधी रेखा नहीं होती। रास्ता अव्यवस्थित है और इसमें अचानक उछाल (random jumps) आते हैं। क्योंकि यहाँ कोई "जादुई मानचित्र" नहीं है, इसलिए टेक्स्ट को तेज़ करने के पिछले प्रयास विफल रहे या उनके लिए जटिल, बहु-चरणीय प्रशिक्षण (जैसे एक छात्र को सिखाने के लिए शिक्षक को नियुक्त करना) की आवश्यकता पड़ी।

समाधान: "स्टोकेस्टिक ब्रिज" (CDLM)

इस पेपर के लेखकों ने महसूस किया कि: यदि कोई एक सीधी रेखा नहीं है, तो चलिए कई वैध पुलों (valid bridges) का एक जाल इस्तेमाल करते हैं।

कल्पना कीजिए कि आप एक बिखरे हुए कमरे से एक साफ कमरे में जाने की कोशिश कर रहे हैं।

पुराना विचार: "एक ही आदर्श रास्ता होना चाहिए।" (लेकिन टेक्स्ट के लिए ऐसा नहीं है)।
CDLM का विचार: "कमरे को साफ करने के हजारों वैध तरीके हैं। मैं पहले कचरा फेंक सकता हूँ, फिर झाड़ू लगा सकता हूँ। या मैं पहले झाड़ू लगा सकता हूँ, फिर कचरा फेंक सकता हूँ। या मैं टेढ़े-मेढ़े (zig-zag) तरीके से भी कर सकता हूँ। जब तक मैं साफ कमरे में पहुँच जाता हूँ, रास्ता मायने नहीं रखता।"

इसे वे मल्टी-पाथ डिस्क्रीट कंसिस्टेंसी (Multi-Path Discrete Consistency) कहते हैं।

यह कैसे काम करता है (उपमा)

AI मॉडल को एक अनुवादक (translator) के रूप में सोचें जो एक बिगड़े हुए संदेश को ठीक करने की कोशिश कर रहा है।

"ब्रिज" (पुल): इस पेपर का गणित दिखाता है कि आप अव्यवस्था के किसी भी दो स्तरों के बीच एक "पुल" की गणना कर सकते हैं। यदि आपके पास एक बहुत ही अस्त-व्यस्त वाक्य ( $t$ ) और एक थोड़ा कम अस्त-व्यस्त वाक्य ( $s$ ) है, तो आप गणितीय रूप से गणना कर सकते हैं कि बिना अंतिम साफ वाक्य देखे, $t$ से $s$ तक कैसे पहुँचा जाए।
प्रशिक्षण का नियम: लेखकों ने मॉडल को एक सरल नियम के साथ प्रशिक्षित किया है: "इससे कोई फर्क नहीं पड़ना चाहिए कि आप वहाँ कैसे पहुँचे।"
- यदि मॉडल अस्त-व्यस्त वाक्य को देखता है और साफ वाक्य का अनुमान लगाता है, तो उसे वही उत्तर मिलना चाहिए जो उसे तब मिलता जब वह पहले एक थोड़े साफ वाक्य तक "ब्रिज" के माध्यम से पहुँचता, और फिर साफ वाक्य का अनुमान लगाता।
- मॉडल पाथ-इंडिपेंडेंट (पथ-स्वतंत्र) बनना सीख जाता है। वह सीखता है कि रास्ता चाहे जो भी हो, मंजिल एक ही है।

परिणाम: तेज़ और उच्च गुणवत्ता वाला

मॉडल को इन सभी अलग-अलग "ब्रिजों" के माध्यम से खुद के साथ सहमत होने के लिए प्रशिक्षित करके, मॉडल भाषा की संरचना को इतनी अच्छी तरह से सीख लेता है कि उसे सैकड़ों स्टेप्स की आवश्यकता नहीं होती।

उपमा: खिड़की को 500 बार पोंछने के बजाय, मॉडल "सफाई के पैटर्न" को इतनी अच्छी तरह से सीख लेता है कि वह 2 से 4 स्वाइप (strokes) में खिड़की को साफ कर सकता है।
प्रदर्शन: पेपर दिखाता है कि उनका मॉडल (CDLM) बहुत कम स्टेप्स (2–8 स्टेप्स) में उच्च-गुणवत्ता वाला टेक्स्ट जेनरेट कर सकता है।
- यह मानक "धीमे" डिफ्यूजन मॉडल्स को पछाड़ देता है।
- यह अक्सर उन "डिस्टिल्ड" (distilled) मॉडल्स को भी मात देता है जो जटिल, बहु-चरणीय मॉडल होते हैं जिन्हें आमतौर पर एक शिक्षक की आवश्यकता होती है।
- यह यह सब प्रशिक्षण के एक एकल चरण (single stage) में करता है, जिसमें किसी "शिक्षक" मॉडल की आवश्यकता नहीं होती।

दावों का सारांश

जादुई मानचित्र की आवश्यकता नहीं: टेक्स्ट जनरेशन को तेज़ करने के लिए आपको एक एकल सीधी रेखा (ODE) की आवश्यकता नहीं है। आप यादृच्छिक लेकिन गणितीय रूप से वैध रास्तों (ब्रिज) के जाल का उपयोग कर सकते हैं।
पथ स्वतंत्रता (Path Independence): यदि मॉडल को इस बात के लिए प्रशिक्षित किया जाता है कि वह किसी भी "ब्रिज" से गुजरने के बावजूद एक ही उत्तर दे, तो यह अविश्वसनीय रूप से तेज़ और सटीक हो जाता है।
एक-चरणीय प्रशिक्षण (One-Stage Training): अन्य तेज़ तरीकों के विपरीत, जिन्हें दो-चरणीय प्रक्रिया (एक शिक्षक को प्रशिक्षित करें, फिर एक छात्र को) की आवश्यकता होती है, यह मॉडल एक ही बार में सब कुछ सीख लेता है।
गति: यह स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त करता है, जिससे यह पिछले तरीकों की तुलना में बहुत तेज़ी से उच्च-गुणवत्ता वाला टेक्स्ट और शब्दों की प्राकृतिक विविधता (diversity) बनाए रखते हुए जेनरेट करता है।

संक्षेप में, पेपर कहता है: "साफ टेक्स्ट तक पहुँचने के लिए एक एकल सीधे रास्ते की तलाश करना बंद करें। इसके बजाय, मॉडल को यह सिखाएं कि सभी वैध रास्ते एक ही मंजिल की ओर ले जाते हैं, और यह तुरंत वहां पहुँचने का हुनर सीख जाएगा।"

यहाँ शोध पत्र "Consistent Diffusion Language Models" (CDLM) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

डिफ्यूजन लैंग्वेज मॉडल्स (DLMs) ऑटोरेग्रेसिव (AR) मॉडल्स के एक आशाजनक विकल्प के रूप में उभर रहे हैं, जो समानांतर टोकन जनरेशन और सबलीनियर-टाइम इन्फरेंस (sublinear-time inference) को सक्षम करते हैं। हालाँकि, एक महत्वपूर्ण बाधा बनी हुई है: उच्च गुणवत्ता वाला टेक्स्ट उत्पन्न करने के लिए आमतौर पर सैकड़ों रिफाइनमेंट स्टेप्स की आवश्यकता होती है, जो पैरेललिज्म द्वारा किए गए दक्षता के वादों को निष्फल कर देता है।

निरंतर डोमेन (जैसे कि इमेज) में, कंसिस्टेंसी मॉडल्स (Consistency Models) ने मॉडल को प्रोबेबिलिटी फ्लो ऑर्डिनरी डिफरेंशियल इक्वेशन (PF-ODE) द्वारा परिभाषित एक अद्वितीय, नियत पथ (deterministic trajectory) के साथ इनवेरिएंट (invariant) बनाकर डिफ्यूजन को सफलतापूर्वक तेज किया है।

अंतराल (The Gap): डिस्क्रीट डोमेन (जैसे कि टेक्स्ट) में, इसके अनुरूप कोई सैम्पल-स्पेस PF-ODE मौजूद नहीं है। डिस्क्रीट करप्शन प्रक्रियाएं (जैसे कि मास्किंग या यूनिफॉर्म नॉइज़) एक एकल नियत पथ का पालन नहीं करती हैं; इसके बजाय, वे स्टोकेस्टिक ट्रांज़िशन (stochastic transitions) से जुड़ी होती हैं।
परिणाम (The Consequence): निरंतरता वाले निरंतर विधियों (continuous consistency methods) को सीधे डिस्क्रीट डेटा पर अनुकूलित करना अपरिभाषित है। मौजूदा समाधान अक्सर मल्टी-स्टेज डिस्टिलेशन पाइपलाइनों (एक टीचर मॉडल का उपयोग करके) या निरंतर-रिलैक्सेशन सरोगेट्स (continuous-relaxation surrogates) पर निर्भर करते हैं, जो जटिल, गणनात्मक रूप से महंगे हैं, और अक्सर मोड कोलैप्स (mode collapse) या विविधता की हानि का शिकार होते हैं।

2. कार्यप्रणाली: मल्टी-पाथ डिस्क्रीट कंसिस्टेंसी (MPDC)

लेखक एक मौलिक बदलाव का प्रस्ताव करते हैं: एक गैर-मौजूद नियत पथ की खोज करने के बजाय, वे डिस्क्रीट डिफ्यूजन प्रक्रियाओं में निहित सटीक पोस्टीरियर ब्रिजेस (exact posterior bridges) का लाभ उठाते हैं।

मुख्य अवधारणा: पोस्टीरियर ब्रिज (The Posterior Bridge)

किसी भी दो नॉइज़ लेवल्स $s < t$ के लिए, जो एक डिस्क्रीट डिफ्यूजन प्रोसेस में हैं, एक क्लोज्ड-फॉर्म सटीक पोस्टीरियर ब्रिज $q(x_s | x_t, x_0)$ मौजूद होता है। यह ब्रिज एक शोर वाले स्टेट $x_t$ को एक स्वच्छ स्टेट $x_s$ से जोड़ने वाले एक वैध स्टोकेस्टिक पथ को परिभाषित करता है, जो वास्तविक डेटा $x_0$ पर आधारित होता है।

निरंतर PF-ODE के विपरीत, यह ब्रिज स्टोकेस्टिक है।
महत्वपूर्ण रूप से, ये ब्रिजेस एक सेमीग्रुप (semigroup) (चेपमैन-कोलमगॉरोव प्रॉपर्टी) बनाते हैं, जिसका अर्थ है कि पथों को ट्रांसिटिवली (transitively) संयोजित किया जा सकता है।

MPDC सिद्धांत

लेखक मल्टी-पाथ डिस्क्रीट कंसिस्टेंसी (MPDC) पेश करते हैं, जो एक डिनॉइज़र (denoiser) को एक्सपेक्टेशन में पाथ-इनवेरिएंट (path-invariant in expectation) होने के लिए प्रशिक्षित करता है।

परिभाषा: एक मॉडल $f_\theta(x_t, t)$ तब कंसिस्टेंट होता है जब उसका प्रेडिक्शन एक शोर वाले स्टेट $x_t$ पर, सटीक पोस्टीरियर ब्रिज के माध्यम से एक मध्यवर्ती "हॉप" (hop) लेने के बाद किए गए प्रेडिक्शन के साथ (एक्सपेक्टेशन में) सहमत होता है।
उद्देश्य: मॉडल $x_t$ से अपने प्रत्यक्ष प्रेडिक्शन और $x_s$ (जहाँ $x_s$ ब्रिज से लिया गया है) से किए गए अपेक्षित प्रेडिक्शन के बीच के डायवर्जेंस को कम करता है।
गणितीय सूत्रीकरण (Mathematical Formulation):
$\mathcal{L}_{CDLM} = \mathbb{E}_{t, \delta, x_t} \left[ \sum_{i \in \mathcal{M}(x_t)} w(t, \delta) \cdot D\left( f_\theta(x_t, t)_i \parallel \tilde{f}_\theta(x_s, s)_i \right) \right]$
जहाँ $x_s \sim q(x_s | x_t, x_0)$ , $\tilde{f}_\theta$ एक टारगेट नेटवर्क (EMA) है, और $D$ एक डायवर्जेंस मेट्रिक (आमतौर पर जेन्सन-शैनन डायवर्जेंस) है।

स्थिरता के लिए प्रमुख डिज़ाइन विकल्प

मोड कोलैप्स (जहाँ मॉडल दोहराव वाला टेक्स्ट आउटपुट करता है) और यूनिफॉर्म ड्रिफ्ट को रोकने के लिए, लेखक तीन स्टेबलाइजिंग मैकेनिज्म पेश करते हैं:

करिकुलम के रूप में स्टेप साइज (Step Size as Curriculum): विशिष्ट रेंज (जैसे $1/8$ से $3/8$ ) से स्टेप साइज़ $\delta$ को सैंपल करना और उन्हें $1/\delta$ द्वारा वेट करना ताकि छोटे और लंबे पथों के बीच लर्निंग सिग्नल को संतुलित किया जा सके।
मैक्स-स्टेप डिफ्यूजन एंकर (Max-Step Diffusion Anchor): एक छोटा हिस्सा मानक डिफ्यूजन ऑब्जेक्टिव का उपयोग करके वास्तविक डेटा ( $s=0$ ) पर एंकर किया जाता है। यह मॉडल को डिजेनरेट कांस्टेंट सॉल्यूशंस की ओर अभिसरण (converge) करने से रोकता है।
ऑप्टिमाइजेशन एसिमेट्री और डायवर्जेंस: टारगेट नेटवर्क पर स्टॉप-ग्रेडिएंट का उपयोग करना और जेन्सन-शैनन डायवर्जेंस (JSD) का उपयोग करना (फॉरवर्ड/बैकवर्ड KL के बजाय)। JSD, मोड-सीकिंग और मोड-कवरिंग के बीच एक स्थिर ट्रेड-ऑफ प्रदान करता है, जिससे स्क्रैच से ट्रेनिंग के दौरान KL डायवर्जेंस की अस्थिरता से बचा जा जा सकता है।

3. मुख्य योगदान

डिस्क्रीट जेनेरेटिव मॉडलिंग के लिए एक नया सिद्धांत: यह पेपर स्थापित करता है कि सटीक पोस्टीरियर ब्रिजेस, गायब PF-ODE के लिए एक कठोर, क्लोज्ड-फॉर्म विकल्प के रूप में कार्य करते हैं, जो "डिस्क्रीट एक्सेलेरेशन" की बाधा को एक एनालिटिक संपत्ति में बदल देते हैं।
एक एकीकृत प्रशिक्षण ढांचा (A Unified Training Framework): CDLM एक सिंगल-स्टेज, टीचर-फ्री ऑब्जेक्टिव प्रदान करता है। लेखक सिद्ध करते हैं कि मानक मास्क डिफ्यूजन, कंटीन्यूअस कंसिस्टेंसी मॉडल्स, प्रोग्रेसिव डिस्टिलेशन, और हालिया टू-स्टेज डिस्टिलेशन मेथड्स (जैसे SDTT और DUO-DCD) सभी CDLM फ्रेमवर्क के विशेष मामले, लिमिट्स या एप्रोक्सिमेट कपलिंग हैं।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: CDLM अनकंडीशनल और कंडीशनल टेक्स्ट जनरेशन दोनों में श्रेष्ठ परिणाम प्राप्त करता है, जो मजबूत बेस मॉडल्स को पछाड़ता है और जटिल मल्टी-स्टेज डिस्टिल्ड मॉडल्स की बराबरी करता है या उनसे बेहतर प्रदर्शन करता है, बिना किसी टीचर की आवश्यकता के।

4. प्रयोगात्मक परिणाम

लेखकों ने OpenWebText डेटासेट पर MDLM, DUO, SDTT, और DUO-DCD जैसे बेसलाइन्स के विरुद्ध CDLM (विशेष रूप से मास्क डिफ्यूजन के लिए MCDLM और यूनिफॉर्म डिफ्यूजन के लिए UCDLM) का मूल्यांकन किया।

अनकंडीशनल जनरेशन (Unconditional Generation):
- फ्यू-स्टेप एफिशिएंसी (Few-Step Efficiency): CDLM सिंगल-स्टेज मॉडल्स के लिए नए स्टेट-ऑफ-द-आर्ट (SOTA) परिणाम स्थापित करता है। यह सभी सैंपलिंग बजटों में बेस मॉडल्स (MDLM, DUO) से काफी बेहतर प्रदर्शन करता है।
- डिस्टिलेशन के साथ तुलना: उल्लेखनीय रूप से, सिंगल-स्टेज CDLM अक्सर पर्सप्लेक्सिटी (PPL) के मामले में मल्टी-स्टेज डिस्टिल्ड मॉडल्स (SDTT, DUO-DCD) से बेहतर प्रदर्शन करता है, जबकि बहुत अधिक एन्ट्रॉपी (entropy) (विविधता) बनाए रखता है।
- मोड कोलैप्स: ग्रीडी सैंपलर (जैसे DUO-DCD) का उपयोग करने वाले डिस्टिल्ड मॉडल्स ने कम एन्ट्रॉपी (3.9) दिखाई, जो गंभीर मोड कोलैप्स (दोहराव वाले कैरेक्टर्स) का संकेत देती है। CDLM ने स्वस्थ एन्ट्रॉपी (5.0+) बनाए रखी, जो इसकी विविधता बनाए रखने की क्षमता को सिद्ध करती है।
- गति (Speed): CDLM ऑटोरेग्रेसिव बेसलाइन्स पर 32x–64x और मानक MDLM पर 64x–128x की गति प्राप्त करता है, जबकि गुणवत्ता तुलनीय रहती है।
कंडीशनल जनरेशन (Conditional Generation):
- CDLM ने कई डेटासेट्स (OpenWebText, Lambada, Wikitext-103, PTB) पर 50% करप्टेड इनपुट्स से मूल वाक्यों को रिकवर करने में मजबूत प्रदर्शन दिखाया।
- इसने SDTT और DUO की तुलना में बेहतर BLEU स्कोर और कम पर्सप्लेक्सिटी हासिल की, विशेष रूप से उन इनपुट कंडीशंस को सुरक्षित रखने में जहाँ अन्य मॉडल विफल रहे।

5. महत्व और प्रभाव

सैद्धांतिक एकीकरण (Theoretical Unification): यह पेपर डिस्क्रीट जेनेरेटिव मॉडलिंग के लिए एक "एकीकृत लेंस" प्रदान करता है, जो दिखाता है कि विविध एक्सेलेरेशन तकनीकें मौलिक रूप से पाथ कंसिस्टेंसी की अवधारणा के माध्यम से जुड़ी हुई हैं।
स्केलेबिलिटी (Scalability): मल्टी-स्टेज डिस्टिलेशन और टीचर मॉडल्स की आवश्यकता को समाप्त करके, CDLM अगली पीढ़ी के फास्ट डिस्क्रीट जेनेरेटिव मॉडल्स के लिए एक सिद्धांतिक, स्केलेबल, और टीचर-फ्री आधार प्रदान करता है।
सामान्यीकरण (Generalizability): हालांकि इसे टेक्स्ट पर प्रदर्शित किया गया है, यह फ्रेमवर्क किसी भी डिस्क्रीट डोमेन पर लागू होता है जिसमें एक सुलभ (tractable) पोस्टीरियर ब्रिज हो (जैसे जैविक अनुक्रम, ग्राफ, प्रोग्राम सिंथेसिस)।
पैराडाइम शिफ्ट: यह फास्ट डिस्क्रीट डिफ्यूजन को निरंतर ODEs के सन्निकटन (approximation) के रूप में नहीं, बल्कि स्टोकेस्टिक ब्रिजेस पर एक पाथ-इंडिपेंडेंट डिनॉइज़र को सीखने के रूप में फिर से परिभाषित करता है, जिससे डिस्क्रीट स्पेस में 'फ्यू-स्टेप जनरेशन' की समस्या सफलतापूर्वक हल होती है।

निष्कर्षतः, CDLM निरंतर कंसिस्टेंसी मॉडल्स की दक्षता और डिस्क्रीट डेटा की वास्तविकता के बीच के अंतर को पाटता है, जो एक मजबूत, सिंगल-स्टेज समाधान प्रदान करता है जो जटिल डिस्टिलेशन पाइपलाइनों की आवश्यकता के बिना उच्च-फिडेलिटी, तेज़ टेक्स्ट जनरेशन प्राप्त करता है।