Moshi Chatbot: आता ChatGPT ला टक्कर द्यायला आलाय 'मोशी'; फक्त आवाज ओळखून देणार हवी ती माहिती

AI Update : चॅट जीपीटीच्या आगामी 'अॅडव्हान्स व्हॉइस मोड' सारख्याच वैशिष्ट्यांसह येणारा मोशी हा नवा कृत्रिम बुद्धिनिर्मित चॅटबॉट सध्या चर्चेत आहे. फ्रेंच कंपनी Kyutai ने विकसित केलेला हा असिस्टंट तुमच्या आवाजातला सूर समजून घेतो आणि त्यानुसार उत्तर देतो. इतकेच नाही तर तो मराठीसह अनेक भाषांमध्ये बोलू शकतो.

हेलियम या 7 अब्ज पैरामीटर्सच्या लार्ज लँग्वेज मॉडेलवर आधारित असलेला मोशी सध्या सर्वांसाठी मोफत उपलब्ध आहे. तो वेगवेगळ्या उच्चारशैलींमध्ये आणि 70 वेगवेगळ्या भावनात्मक शैलींमध्ये बोलू शकतो. त्याची आणखी एक खास गोष्ट म्हणजे तो एकाच वेळी दोन ऑडिओ स्ट्रिम्स हाताळू शकतो. म्हणजेच तो तुम्ही बोलतानाच तुमचे ऐकू शकतो आणि उत्तरही देऊ शकतो.

मोशी हे जपानी फोन उचलण्याच्या पद्धतीवरून आलेले नाव असून त्याचे उत्तर देण्याचे वेळापत्रक फक्त 200 मिलीसेकंद इतके आहे. जे चॅट जीपीटीच्या अॅडव्हान्स व्हॉइस मोडपेक्षा वेगवान आहे (चॅट जीपीटीला साधारणपणे 232 ते 320 मिलीसेकंद इतका वेळ लागतो).

Kyutai कंपनीने मोशीला मानवी संभाषणातील सूक्ष्म बारीकसारीक आणि भाव समजून घेण्यासाठी प्रशिक्षण दिले आहे. त्याच्या आवाजाची गुणवत्ता वाढवण्यासाठी त्यांनी व्यावसायिक आवाज कलाकाराशीही सहयोग केला आहे.

चॅट जीपीटी-40 पेक्षा वेगवान असूनही, मोशी हा तुलनेने लहान आहे आणि फक्त आठ संशोधकांच्या टीमने सहा महिन्यांत त्याची निर्मिती केली आहे. असे सांगितले जाते की त्याला टेक्स्ट-टू-स्पीच तंत्रज्ञानाचा वापर करून 1,00,000 कृत्रिम संवादांवर प्रशिक्षण देण्यात आले आहे.

Kyutai चे म्हणणे आहे की ते भविष्यात मोशीला ओपन सोर्स प्रोजेक्ट बनवण्याचा विचार करत आहेत. म्हणजेच त्याच्या मॉडेलचा कोड आणि फ्रेमवर्क सर्वांसाठी उपलब्ध करून दिला जाईल जेणेकरून वापरकर्ते गोपनीयतेची चिंता न करता सुरक्षितपणे चॅटबॉटचा वापर करू शकतील.

मोशी हा चॅट जीपीटीचा पर्याय नसला तरी तो कृत्रिम बुद्धिनिर्मित मॉडेल्सच्या विकासातील मोठी झेप आहे. विशेष म्हणजे तो ऑफलाइनही चालू शकतो. Kyutai आणखी एका साउंड ओळखणारे, वॉटरमार्किंग आणि सिग्नेचर ट्रॅकिंग असे AI-आधारित सिस्टमवर देखील काम करत आहे जे भविष्यात मोशीशी जोडले जाऊ शकते.