Domain-Adaptive ASR for Telephony AI Agents: Fine-tuning Canary Flash Models for Enterprise Contact Center Applications
यह तकनीकी रिपोर्ट प्रदर्शित करती है कि टेलीफोनी-विशिष्ट डेटासेट पर NVIDIA के ओपन-सोर्स Canary Flash मॉडल्स को फाइन-ट्यून करने से शोर वाले ऑडियो और व्यावसायिक-महत्वपूर्ण शब्दावली के लिए कैरेक्टर एरर रेट (character error rates) में उल्लेखनीय कमी आती है, जबकि एंटरप्राइज वॉयसबॉट डिप्लॉयमेंट के लिए रियल-टाइम इन्फरेंस गति को बनाए रखा जाता है।
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
एक टेलीफोन लाइन पर होने वाली बातचीत की कल्पना कीजिए। उस तार के माध्यम से यात्रा करने वाली ध्वनि वैसी नहीं होती जैसी हम एक शांत कमरे में स्पष्ट, उच्च-गुणवत्ता वाली आवाज़ सुनते हैं। यह संकुचित होती है, अक्सर कंप्रेस्ड होती है, और अक्सर व्यस्त सड़क के शोर या एक सस्ते हैंडसेट की गूँज से बाधित होती है। दशकों से, कंप्यूटर इस विशिष्ट प्रकार की ऑडियो को समझने के लिए संघर्ष कर रहे हैं। जबकि आर्टिफिशियल इंटेलिजेंस पॉडकास्ट या मीटिंग्स से स्पष्ट भाषण को ट्रांसक्राइब करने में उल्लेखनीय रूप से अच्छा हो गया है, यह ग्राहक सेवा कॉल की अव्यवस्थित वास्तविकता का सामना करने पर अक्सर लड़खड़ा जाता है। यह अंतराल उन व्यवसायों के लिए एक बड़ी बाधा है जो वॉइस असिस्टेंट का उपयोग करके लाखों कॉल को संभालने के लिए चाहते हैं, विशेष रूप से उन क्षेत्रों में जहाँ तकनीक को स्थानीय भाषाओं या स्थानीय फोन नेटवर्क के विशिष्ट शोर पर प्रशिक्षित नहीं किया गया है।
थाईलैंड में बॉटनोई ग्रुप (Botnoi Group) के शोधकर्ताओं ने एक शक्तिशाली, ओपन-सोर्स कंप्यूटर मॉडल को यह सिखाने के लिए कि फोन कॉल पर इंसान कैसे सुनता है, इस समस्या को हल करने का बीड़ा उठाया। उन्होंने थाई भाषा पर ध्यान केंद्रित किया, जो एक ऐसा क्षेत्र है जहाँ टेलीफोनिक स्पीच के लिए सार्वजनिक डेटा दुर्लभ है। उनका काम यह प्रदर्शित करता है कि एक सामान्य-उद्देश्य वाले स्पीच रिकग्नाइज़र को एक विशेषज्ञ में बदलकर, जो शोर वाले कॉन्टैक्ट सेंटर में विश्वसनीय रूप से काम कर सके, वे वास्तव में वास्तविक दुनिया की कॉल रिकॉर्डिंग और व्यवसाय-विशिष्ट शब्दावली को सावधानीपूर्वक फीड कर सकते हैं। परिणाम एक ऐसा सिस्टम है जो न केवल भाषा को समझता है, बल्कि स्टैटिक (static) को भी अनदेखा कर देता है, जिससे AI एजेंटों के लिए नाम और पते पढ़ने जैसे जटिल कार्यों को बिना निरंतर मानवीय हस्तक्षेप के संभालना संभव हो जाता है।
उनके काम के मूल में एक बड़े, पूर्व-मौजूद आर्टिफिशियल इंटेलिजेंस मॉडल 'कैनरी' (Canary) को लेना शामिल था, जो पहले से ही कई भाषाओं को समझने में अच्छा था, और उसे एक विशेष शिक्षा देना शामिल था। शोधकर्ताओं ने महसूस किया कि मॉडल का केवल वैसे ही उपयोग करना उनकी जरूरतों के लिए काम नहीं करेगा। मॉडल को मुख्य रूप से साफ, उच्च-गुणवत्ता वाली ऑडियो पर प्रशिक्षित किया गया था, जिससे वह टेलीफोन कनेक्शन के विकृत प्रभावों के लिए तैयार नहीं था। इसे ठीक करने के लिए, उन्होंने एक अनूठा प्रशिक्षण पाइपलाइन बनाया। उन्होंने दो प्रकार के डेटा एकत्र किए: उनके अपने लाइव वॉयसबॉट सिस्टम से रिकॉर्डिंग, जिसने वास्तविक फोन कॉल की वास्तविक अराजकता को कैद किया, और मैसेजिंग ऐप में प्रॉम्प्ट बोलते हुए लोगों की रिकॉर्डिंग। इन ऐप रिकॉर्डिंग को फोन कॉल जैसा बनाने के लिए, उन्होंने डिजिटल फिल्टर लागू किए जो टेलीफोन लाइन के कंप्रेशन और शोर की नकल करते थे। इस प्रक्रिया ने टेलीफोन-ग्रेड ऑडियो का एक विशाल पुस्तकालय (77 घंटे का ऑडियो) तैयार किया, जिसमें नाम और पते को पहचानने के कठिन कार्य के लिए समर्पित 104 घंटों का एक विशिष्ट उपसमूह भी शामिल था।
इस कस्टम डेटासेट के साथ, टीम ने कैनरी मॉडल को 'फाइन-ट्यून' (fine-tune) किया। फाइन-ट्यूनिंग एक ऐसी प्रक्रिया है जहाँ एक कंप्यूटर नए उदाहरणों से सीखता है ताकि वह अपने आंतरिक नियमों को समायोजित कर सके, ठीक वैसे ही जैसे एक छात्र किसी विशेष परीक्षा की तैयारी के लिए एक विशिष्ट पाठ्यपुस्तक का अध्ययन करता है। उन्होंने मॉडल का परीक्षण तीन अलग-अलग परिदृश्यों में थाई स्पीच को पहचानने की इसकी क्षमता पर किया। पहले, उन्होंने जांचा कि क्या यह भाषा को सामान्य रूप से समझ सकता है। दूसरे, उन्होंने शोर वाले टेलीफोन ऑडियो पर इसका परीक्षण किया। अंत में, उन्होंने नामों और पते के विशिष्ट व्यावसायिक शब्दजाल (jargon) पर इसका परीक्षण किया। परिणामों ने एक नाटकीय सुधार दिखाया। इस प्रशिक्षण से पहले, मॉडल टेलीफोन ऑडियो पर लगभग 23 प्रतिशत बार गलतियाँ करता था। टेलीफोन डेटा से सीखने के बाद, त्रुटि दर गिरकर केवल 9 प्रतिशत रह गई। यह एक महत्वपूर्ण छलांग थी, जो साबित करती है कि मॉडल टेलीफोन लाइन की विशिष्ट ध्वनिक स्थितियों के अनुकूल हो सकता है।
नाम और पते की चुनौती विशेष रूप से कठिन है क्योंकि ये शब्द अक्सर अद्वितीय होते हैं और एक-दूसरे के बहुत समान सुनाई दे सकते हैं। प्रारंभिक परीक्षणों में, मॉडल इन शब्दों के साथ संघर्ष करता था, जिससे लगभग 17 प्रतिशत बार त्रुटियां होती थीं। हालांकि, जब शोधकर्ताओं ने मॉडल को विशेष रूप से नाम और पते के डेटासेट पर केंद्रित प्रशिक्षण का दूसरा दौर दिया, तो त्रुटि दर तेजी से गिरकर 4 प्रतिशत से भी कम हो गई। सटीकता का यह स्तर एंटरप्राइज अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है, जहाँ ग्राहक के नाम या पते में गलती होने से लेनदेन विफल हो सकता है या उपयोगकर्ता निराश हो सकता है। अध्ययन ने मॉडल के दो संस्करणों की तुलना की: एक छोटा, तेज़ संस्करण और एक बड़ा, अधिक जटिल वाला। जबकि बड़ा मॉडल थोड़ा अधिक सटीक था, छोटा संस्करण लगभग उतना ही अच्छा था लेकिन बहुत तेज़ी से चलता था, जो इसे वास्तविक समय की प्रणालियों के लिए बेहतर विकल्प बनाता है जिन्हें तुरंत प्रतिक्रिया देने की आवश्यकता होती है।
प्रयोगों के दौरान, शोधकर्ताओं ने ऑडियो को प्रोसेस करने की गति को मापा। उन्होंने पाया कि छोटा मॉडल अविश्वसनीय गति के साथ वर्कलोड को संभाल सकता है, जो मानक हार्डवेयर पर वास्तविक समय से 600 गुना अधिक तेज़ है। इसका मतलब है कि एक सिंगल कंप्यूटर चिप भी बिना किसी लैग के हजारों कॉल को एक साथ संभाल सकती है। अध्ययन पुष्टि करता है कि एक शक्तिशाली, प्री-ट्रेंड मॉडल को सावधानीपूर्वक एकत्र किए गए, डोमेन-विशिष्ट डेटासेट के साथ जोड़कर, उन भाषाओं और वातावरणों के लिए मजबूत वॉयस सिस्टम बनाना संभव है जो पहले उपेक्षित रहे हैं। यह कार्य स्पीच रिकग्निशन की हर समस्या को हल करने का दावा नहीं करता है, न ही यह सुझाव देता है कि सिस्टम हर संभावित स्थिति में पूर्ण है। इसके बजाय, यह सामान्य AI टूल को विशिष्ट, शोर वाले और उच्च-दांव वाले एंटरप्राइज टेलीफोनी की दुनिया के अनुकूल बनाने के लिए एक स्पष्ट, प्रमाणित मार्ग प्रदान करता है, जो दिखाता है कि सही डेटा के साथ, मशीनें फोन पर इंसानों की तरह ही सुनने में सक्षम हो सकती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।