आज Fable 5.1 और World Labs का Atlas लॉन्च हुआ, सभी इस बात पर ध्यान दे रहे हैं कि मॉडल कितने बुद्धिमान हो गए हैं और वर्ल्ड मॉडल कितना आगे बढ़ गया है। एक ऐसे कोने में, जहाँ लगभग कोई ध्यान नहीं दे रहा था, Meta ने एक ऐसी चीज़ जारी की है जिसके बारे में मुझे लगता है कि इसकी चर्चा करना बहुत महत्वपूर्ण है: Muse Voice Transcribe, Meta Superintelligence Labs का पहला रियल-टाइम ऑडियो-सेंसिंग मॉडल। सतही रूप से, यह एक स्पीच-टू-टेक्सट मॉडल लगता है, लेकिन यह Whisper जैसी पारंपरिक ASR से कहीं अधिक काम करता है। रियल-टाइम ट्रांसक्रिप्शन, speaker diarization — यानी पता लगाना कि अभी कौन बोल रहा है — और endpointing — यानी पता लगाना कि किसी व्यक्ति ने वाक्य पूरा कर लिया है या नहीं — ये तीनों काम एक ही स्ट्रीमिंग मॉडल में मूल रूप से पूरे होते हैं। ASR, VAD, speaker model को अलग-अलग पाइपलाइन में जोड़ने की जरूरत नहीं। यह वास्तव में महत्वपूर्ण है। Voice Agent के अनुभव में सबसे बड़ी समस्या अब सिर्फ़ सुनने में गलती करना नहीं है, बल्कि यह है कि कब सुनना बंद करना है, कब अपनी बारी है, और कई लोगों के बीच में, किसकी बात सुननी है। Muse का पहलू भी काफ़ी दिलचस्प है। प्रत्येक 80ms पर ऑडियो को chunk में काटा जाता है, और मॉडल स्वयं फ़िलहाल सुनते रहना है या पाठ प्रदर्शित करना है — यह स्वयं तय करता है। Meta ने RL का प्रयोग करके adaptive delay को प्रशिक्षित किया है: सरल शब्दों को तुरंत पुष्टि किया जाता है, जबकि कठिन शब्दों के लिए कुछ संदर्भ का प्रतीक्षा किया जाता है। अभी के परिणाम भी काफ़ी हैरान करने वाले हैं। Artificial Analysis के स्ट्रीमिंग स्पीच-टू-टेक्सट सूची में, Muse Voice Transcribe 3.1% WER प्राप्त करता है, समाप्ति-तक प्रतिक्रिया 160ms है — सबसे पहले। 70+ भाषाओं को प्रशिक्षित किया गया है, 25 में से प्रथम पुष्टि सफलतापूर्वक प्रदर्शित हुई; मिश्रित में, समान वाक्य में हिंदी-अंग्रेज़ी code-switching संभव है; 1+घंटे के सतत्‍ऑडियो, 20+ स्पीकर्स — सभी को प्रोसेस किया जा सकता है, कोई पोस्ट-प्रोसेसिंग की आवश्यकता नहीं। और कीमत मात्र 0.18 USD/घंटा। मुझे प्रतीत होता है कि Meta के लिए, aaj ka ye model launch ek bahut hi Meta-style launch hai। पिछले साल सभी AI में IQ add करने में मशगूल रहे, Meta ab sensory capabilities ko fill karne पर focus kar raha hai।