رونمایی ساروام از مدل Bulbul V4 Flash؛ ایجنت‌های صوتی هندی حالا ۴۰ درصد سریع‌تر حرف می‌زنند!

عرضه مدل Bulbul V4 Flash برای ایجنت‌های صوتی پرکاربرد در هند

استارتاپ هوش مصنوعی هندی ساروام (Sarvam AI) از مدل جدید تبدیل متن به گفتار خود با نام Bulbul V4 Flash رونمایی کرد؛ مدلی که به‌طور ویژه برای پشتیبانی از زبان‌های هندی، لهجه‌های محلی، ترکیب زبان هندی و انگلیسی (Hinglish)، شناسه‌ها، سرواژه‌ها و مبالغ پولی طراحی شده است. این شرکت با فرآیند تقطیر (Distillation) نسخه سبک‌تر Flash را از یک مدل پژوهشی بزرگ‌تر V4 استخراج کرده تا هزینه استنتاج و میزان تأخیر را برای ایجنت‌های صوتی که همزمان با حجم بالایی از تماس‌ها سر و کار دارند، حسابی کاهش دهد.

ساروام این مدل جدید را از طریق محیط تست API (Playground)، استودیوی محتوا و همچنین اندپوینت فعلی API بلبل در دسترس توسعه‌دهندگان قرار داده است. خبر خوب برای مشتریان فعلی این است که بدون نیاز به بازنویسی کد یا تغییر معماری سیستم، صرفاً با تغییر مدل انتخابی می‌توانند به این نسخه مهاجرت کنند.

مرور مشخصات این عرضه در قالب اعداد و ارقام

در اطلاعیه اولیه، یک تخفیف موقت ۵۰ درصدی هم معرفی شده بود که قیمت را تا ۱۲ نوامبر به ۱۰ روپیه برای هر ۱۰ هزار کاراکتر کاهش می‌داد. توسعه‌دهندگانی که پس از پایان این بازه به سیستم متصل می‌شوند، بهتر است نرخ‌های جدید را مستقیماً از پنل کاربری ساروام بررسی کنند.

فرآیند تقطیر؛ چطور قبض پردازش مدل‌ها سبک‌تر شد؟

تیم تحقیقاتی ساروام در روند توسعه V4 ابتدا تمام محدودیت‌های محیط عملیاتی روی ابعاد مدل، میزان تأخیر و هزینه‌ها را کنار گذاشت تا با دست باز پایه‌های زبانی بزرگ‌تر، بازنمایی‌های غنی‌تر صوتی، روش‌های مختلف هوش مصنوعی مولد و بیش از ۴۰۰ میلیارد توکن صوتی را آزمایش کند. توکن‌های صوتی واحدهای فشرده و ماشین‌خوان هستند که در طول آموزش استفاده می‌شوند؛ بنابراین بدون دانستن جزئیات مربوط به توکنایزر و دیتاست نمی‌توان این عدد را مستقیماً به ساعت‌های فایل ضبط‌شده تبدیل کرد.

فرآیند تقطیر دانش (Distillation) رفتارها و قابلیت‌های کلیدی یک مدل معلم بزرگ را به یک مدل دانش‌آموز کوچک‌تر منتقل می‌کند که اجرای آن بسیار کم‌هزینه‌تر است. ساروام اعلام کرده با آزمایش‌های متعدد مشخص کرده کدام بخش‌ها به تلفظ دقیق‌تر، ریتم و آهنگ کلام (Prosody)، ارائه طبیعی متن و کیفیت کلی صدا کمک می‌کنند و سپس تمام این دستاوردها را در مدل جمع‌وجور Flash فشرده کرده است.

مدل Flash از نظر قیمت پایه یک‌سوم ارزان‌تر از نسخه V3 تمام می‌شود و همزمان کیفیت صوتی بالا‌تر و تأخیر کمتری ارائه می‌دهد. این موضوع اقتصادی در مراکز تماس بسیار حیاتی است؛ چرا که حتی تفاوت‌های بسیار کوچک در هزینه تولید هر کاراکتر، در مقیاس میلیون‌ها کاراکتر و جریان‌های صوتی همزمان رقم چشمگیری می‌شود.

تمرکز ویژه روی گویش‌ها و زبان‌های هندی

مدل V4 از صفر و با هدف اصلی پشتیبانی عمیق از زبان‌های هندی پیش‌آموزش دیده است. ساروام از یک برنامه آموزشی مداوم و متعادل میان زبان‌های مختلف استفاده کرده تا تلفظ بومی، اصالت هویت گویندگان و لحن بیان احساسی در تمام طول آموزش مدل حفظ شود.

به گفته این شرکت، حجم پیکره داده‌های صوتی اختصاصی آن‌ها نسبت به نسخه V3 نزدیک به هفت برابر رشد کرده است. این مجموعه داده گسترده زبان‌های بیشتر، لهجه‌های محلی، گویندگان متنوع، حالات احساسی گوناگون و سبک‌های مختلف گفت‌وگو را در بر می‌گیرد.

در مرحله پایانی، یک فرآیند شخصی‌سازی دقیق هر صدا را متناسب با لهجه و ریتم مکالمه تنظیم می‌کند. هدف از این کار جلوگیری از یک‌دست شدن الگوهای تلفظ است تا یک مدل چندزبانه فشرده، ظرافت‌ها و تمایزهای خاص زبان‌های هندی و انگلیسی با لهجه هندی را از دست ندهد.

نرمال‌سازی بلادرنگ؛ حل چالش کلمات و نمادهای خاص

مدل Flash از یک لایه نرمال‌سازی متنی بلادرنگ استفاده می‌کند تا قبل از سنتز و تبدیل متن به صدا، دقیقاً مشخص کند هر عبارت چگونه باید تلفظ شود. این لایه سرواژه‌ها، شناسه‌ها، شماره تلفن‌ها، تاریخ‌ها و مبالغ پولی را بر اساس جایگاه و نقش‌شان در متن تحلیل و دسته‌بندی می‌کند.

• ISRO (سازمان فضایی هند) به صورت یک کلمه یکپارچه تلفظ می‌شود («ایسرو»).
• EMI (اقساط ماهانه) حرف به حرف خوانده می‌شود («ای‌ام‌آی»).
• PAN اگر به کارت هویتی اشاره داشته باشد به صورت یک کلمه خوانده می‌شود، اما کد اختصاصی آن حرف به حرف و با دقت بالا تلفظ می‌گردد.
• Aadhaar (شناسه ملی هند) با تلفظ محلی و آشنای خود بیان می‌شود.

هماهنگ‌سازی لحن در طول آموزش باعث شده تا این فرم‌های نرمال‌شده کاملاً طبیعی شنیده شوند. در تماس‌های بانکی یا مسافرتی، تلفظ بی‌نقص مبالغ پرداختی، کدهای رهگیری (PNR)، شماره تماس‌ها یا شناسه‌های حساب می‌تواند اشتباهات را به حداقل برساند و نیاز مشتری به تکرار و تصحیح را از بین ببرد.

معماری متمرکز بر پردازش همزمان

شاخص زمان رسیدن به اولین خروجی صدا (Time to first audio) نشان‌دهنده فاصله زمانی بین ارسال متن تا دریافت اولین قطعه صوتی قابل پخش است. البته تأخیر کل یک ایجنت صوتی مواردی مثل تشخیص گفتار، پاسخ مدل زبانی، انتقال در شبکه، بافرینگ و پخش را هم شامل می‌شود؛ بنابراین عدد زیر ۲۵۰ میلی‌ثانیه صرفاً مربوط به مرحله تولید و سنتز صداست.

• استریم آگاه از دامنه پذیرش (Receptive-field-aware): محاسباتی را که تأثیری روی قطعه صوتی بعدی ندارند نادیده می‌گیرد.
• زمان‌بندی بلادرنگ (Real-time pacing): به جای تولید بخش‌های طولانی و بلااستفاده، صدای مورد نیاز مکالمات فعال را در اولویت قرار می‌دهد.
• کاهش همگام‌سازی و کپی داده‌ها: بار اضافی و تأخیر بین مراحل مختلف استنتاج را کاهش می‌دهد.
• دسته‌بندی درخواست‌های استریم: درخواست‌های سازگار را بدون ایجاد وقفه در جریان‌های فعال دسته‌بندی (Batch) می‌کند.
• توزیع بار لحظه‌ای (Live-load balancing): درخواست‌ها را بر اساس بار و ظرفیت واقعی سرور‌ها هدایت می‌کند.

به گفته ساروام، این تغییرات زیرساختی باعث شده Flash در بار کاری مشابه تا ۴۰ درصد سریع‌تر از V3 عمل کند و ظرفیت به مراتب بیشتری برای مکالمات همزمان در اختیار سرور‌ها قرار دهد. البته این آمار گزارش ارائه‌دهنده است و تیم‌های فنی باید آن را در عمل با توجه به طول پیام‌ها، الگوهای ترافیک، موقعیت جغرافیایی سرور‌ها و صدک‌های تأخیر خود آزمایش کنند.

تنوع صداها، سبک‌ها و محدودیت‌ها

کاتالوگ معرفی‌شده شامل ۸۳ صدا در ۱۱ زبان و ۲۲۴ ترکیب متنوع از صدا و سبک است. ساروام این مدل را برای اموری مثل خدمات مشتریان، فروش، پیگیری مطالبات، بانکداری، فروشگاه‌های اینترنتی، آموزش، گویندگی متن و کاربردهای گفت‌وگوی عمومی هدف‌گذاری کرده است.

امکان تغییر سبک به یک صدا اجازه می‌دهد تا در چند نقش مختلف (مانند مأمور پیگیری وام، مدرس آموزشی یا کارشناس فروش) ظاهر شود. توسعه‌دهندگان باید قبل از طراحی شخصیت صوتی ثابت برای سیستم خود، از موجود بودن ترکیب زبان، صدا و لحن موردنظرشان در کاتالوگ API مطمئن شوند.

ساروام همچنین در حال کار روی نسخه پیشرفته‌تر Bulbul V4 Pro است؛ نسخه‌ای برای کاربردهایی که نیازمند کنترل ظریف‌تر ویژگی‌های فرازبانی مانند خنده، مکث، آه کشیدن، هیجان، تردید و تأکید روی کلمات هستند. مدل Flash روی سرعت، قیمت اقتصادی، تلفظ دقیق و مکالمات کاربردی تمرکز دارد، در حالی که نسخه Pro ویژه قصه‌گویی و خلق تجربه‌های احساسی خواهد بود.

تمرکز اصلی این مدل روی زبان‌های هندی و انگلیسی با لهجه هندی است؛ بنابراین اگر پروژه‌ای به زبان‌های اروپایی یا شرق آسیا نیاز داشته باشد، باید از ارائه‌دهندگان دیگر کمک بگیرد که این کار نیازمند مسیریابی اضافه و هماهنگ‌سازی چند سرویس خواهد بود.

کاربردهایی که با این مدل همخوانی دارند

• ایجنت‌های بانکی، تسهیلات، وصول مطالبات و بیمه که باید اعداد، اسامی و اصطلاحات حقوقی را با نهایت دقت ادا کنند.
• پشتیبانی تلفنی راه‌آهن، خطوط هوایی و لجستیک که با ترکیب زبان‌های محلی و کدهای رهگیری سر و کار دارند.
• ربات‌های آموزشی و خدمات مشتریان که به زبان‌های محلی یا انگلیسی هندی نیاز دارند.
• سیستم‌های پاسخ صوتی تعاملی (IVR) که مدل اقتصادی آن‌ها به هزینه پایین تولید به ازای هر کاراکتر وابسته است.
• مراکز تماس با ترافیک بالا که به پخش استریم صدا همراه با زمان تأخیر کاملاً قابل پیش‌بینی نیاز دارند.

نکات مهم برای انتقال و تست نسخه جدید

کاربران فعلی بلبل می‌توانند بدون تغییر ساختار API و صرفاً با انتخاب مدل جدید به Flash مهاجرت کنند؛ با این حال، پیش از رفتن به محیط پروداکشن انجام تست‌های کیفیت و تست فشار ضروری است. یک فرآیند انتقال مطمئن باید شامل مراحل زیر باشد:

1. تهیه یک مجموعه تست تلفظ شامل نام مشتریان، آدرس‌ها، مبالغ پولی، تاریخ‌ها، سرواژه‌ها، شماره تلفن‌ها، شناسه‌های ملی و جملات چندزبانه.
2. مقایسه شناسه‌های صدا و سبک با نسخه V3 و اطمینان از حفظ هویت کاراکتر تعریف‌شده.
3. اندازه‌گیری میانه تأخیر و صدک‌های بالا (به‌ویژه p95 و p99) در شرایط ترافیک واقعی و همزمانی بالا.
4. پایش قطعی‌های احتمالی استریم صدا، گپ‌ها، تلاش‌های مجدد و رفتارهای ناشی از لغو تماس در مکالمات طولانی.
5. اندازه‌گیری تأخیر کامل چرخه مکالمه؛ شامل تشخیص گفتار، تولید متن توسط مدل زبانی، سنتز صدا، انتقال در شبکه و بافر پخش.
6. بررسی مجدد تعرفه‌های جاری، قوانین شمارش کاراکترها، سهمیه‌ها و دسترسی‌پذیری منطقه‌ای پیش از برآورد هزینه هر تماس.

تمامی این بنچمارک‌ها و اعداد بر اساس گزارش رسمی ساروام ارائه شده‌اند؛ بنابراین تیم‌هایی که قصد مهاجرت از V3 را دارند، بهتر است علاوه بر سادگی تغییر مدل در کد، ارزیابی‌های شنیداری، آزمون‌های تلفظ و تست‌های بارگذاری عملیاتی خودشان را هم حتماً اجرا کنند.