پروڈکشن گریڈ وائس اے آئی کے لیے صرف اسپیچ کلیکشن سے بڑھ کر بہت کچھ درکار ہوتا ہے

Kyutai اوپن وائس اور ملٹی ماڈل اے آئی کی حدود کو وسیع کر رہا تھا، جس میں ریئل ٹائم میں بات چیت کرنے والے ماڈلز اور جدید آواز کی تخلیق شامل ہیں۔ جیسے ہی لیبارٹری نے جذباتی طور پر تاثراتی ٹیکسٹ ٹو اسپیچ کی طرف قدم بڑھایا، تو دستیاب ڈیٹا سیٹس ایک بڑی رکاوٹ ثابت ہوئے۔ بنیادی اسپیچ ڈیٹا بیسز الفاظ کی وضاحت اور سمجھ بوجھ کی حد تک تو کارآمد ہو سکتے ہیں، لیکن ان میں اکثر وہ جذباتی باریکیاں، گفتگو کا تنوع، اور کثیر اللسانی یکسانیت نہیں ہوتی جو فطری اور قدرتی لگنے والی آوازیں پیدا کرنے کے لیے ضروری ہیں۔

ڈیٹاسیٹس کی تیاری نے آپریشنل پیچیدگی میں نمایاں اضافہ کیا۔ مقررین کو مختلف سیشنز میں اپنی شناخت اور ریکارڈنگ کے معیار کو برقرار رکھتے ہوئے مختلف جذبات اور بولنے کے انداز پیش کرنا ضروری تھا۔ ٹرانسکرپٹس، جذبات کے لیبلز، غیر گفتاری واقعات، تلفظ اور میٹاڈیٹا کو بھی زبانوں اور ریکارڈنگ بیچز میں درست رکھنا لازمی تھا۔ وسعت کے لیے، Kyutai کو ایک منظم پیداواری عمل درکار تھا جو مسلسل طور پر اظہار خیال سے بھرپور کثیر لسانی ڈیٹا تیار کر سکے۔

کثیر لسانی صوتی ڈیٹا کے لیے ایک متحدہ پروڈکشن پائپ لائن تیار کرنا

Kyutai نے Uber AI Solutions کے ساتھ شراکت داری کی تاکہ وائس ڈیٹا کی تخلیق کو ایک مربوط نظام کے طور پر عملی شکل دی جا سکے، بجائے اس کے کہ ریکارڈنگ، ٹرانسکرپشن، تشریح اور QA کو الگ الگ طور پر سنبھالا جائے۔

UAIS نے فرانسیسی، برازیلی پرتگالی، یورپی اور لاطینی امریکی ہسپانوی، اور جرمن زبانوں میں کثیر لسانی ریکارڈنگ پروگرامز کو مربوط کیا۔ وائس ٹیلنٹ کو منظم رہنمائی فراہم کی گئی جس کا مقصد جذباتی اور آہنگی کی وسعت کو بڑھانا تھا، جس میں ہمدردانہ، طنزیہ، غصے، اداسی، رونے اور دیگر شدت والے بولنے کے انداز شامل تھے۔

ورک فلو میں AI کی مدد سے ٹرانسکرپشن کو انسانی تصدیق کے ساتھ ملایا گیا تاکہ لفظ بہ لفظ ٹرانسکرپٹس، جذبات کے لیبلز، غیر گفتاری واقعات اور دیگر میٹا ڈیٹا تیار کیا جا سکے۔ معیاری معیارِ معیار کو تمام مقررین اور ریکارڈنگ بیچز پر لاگو کیا گیا، جس سے QA پیداوار کا مسلسل حصہ بن گیا بجائے اس کے کہ یہ صرف آخری مرحلہ ہو۔

اس آپریٹنگ ماڈل نے کیوٹائی کو یہ پروگرام مختلف زبانوں، مقررین اور مزید پیچیدہ آواز کی ضروریات میں پھیلنے کے دوران مستقل مزاجی برقرار رکھنے میں مدد دی۔

ایکسپریسیو کثیر لسانی TTS کے لیے ایک تفصیلی ڈیٹاسیٹ فراہم کرنا

اس تعاون کے نتیجے میں Kyutai کی اظہار پسند TTS ضروریات کے مطابق ایک منظم، کثیر لسانی تربیتی ڈیٹا کا ماخذ تیار ہوا۔

ڈیٹا سیٹ کے علاوہ، اس تعاون نے ٹیلنٹ کے انتظام، معیار کی ریکارڈنگ، تشریح، اور تقسیم شدہ زبان پروگراموں میں قبولیت کے معیار کے لیے ایک قابلِ تکرار عمل قائم کیا۔ اس بنیاد نے ماڈل کی تربیت میں ڈیٹا شامل ہونے سے پہلے تغیر کو کم کیا اور کیوٹائی کو مستقبل میں تقریری ڈیٹا سیٹس تیار کرنے کا ایک زیادہ مستقل طریقہ فراہم کیا، جیسے جیسے تقاضے بدلتے گئے۔