کاروباری شراکت داروں کی طرف سے اظہار رائے ان کی اپنی ہوتی ہے۔
کئی سالوں سے ٹیکسٹ ٹو اسپیچ کے اصول سادہ رہے ہیں۔ اگر آپ اپنے پروڈکٹ کے لیے بہترین آواز چاہتے ہیں، تو آپ نے انٹرپرائز کی قیمت ادا کی۔ اگر آپ اسے سستے میں چاہتے ہیں، تو آپ نے ایک روبوٹ کا انتخاب کیا۔ اگر آپ تیز رفتار چاہتے ہیں، تو آپ دونوں شماروں پر کچھ ترک کر رہے تھے۔ وہ اصول توڑ دیا گیا ہے۔
ٹریڈ آف ہر پروڈکٹ ٹیم بنانے پر مجبور ہے۔
اگر آپ نے کبھی صوتی ایجنٹ، فون سسٹم، یا ریئل ٹائم ریڈر بنایا ہے، تو آپ جانتے ہیں کہ کس طرح تربیت کرنا ہے۔ ہم 4-5 ماڈل کا آڈیشن دیتے ہیں۔ ایک تو یہ ناقابل یقین لگتا ہے اور اس کی قیمت بنیادی ڈھانچے سے زیادہ ہے۔ ایک سستی ہے اور جی پی ایس کی طرح لگتا ہے جو 2009 میں جاری کیا گیا تھا۔ ایک تیز ہے، لیکن صرف 3 زبانوں کو سپورٹ کرتی ہے۔ کم سے کم برا آپشن چنیں اور اسے بھیج دیں۔
پھر بل آتا ہے۔
اور ہر سہ ماہی، CFOs وہی سوالات پوچھتے ہیں۔ آواز اسٹیک میں واحد سب سے مہنگی شے کیوں ہے؟
لیڈر بورڈز میں ابھی کیا بدلا ہے۔
اس ہفتے، Speechify’s Simba 3.2 مصنوعی تجزیات ٹیکسٹ ٹو اسپیچ لیڈر بورڈ میں سرفہرست ہے، جس نے ElevenLabs، Cartesia، OpenAI، اور Google DeepMind کو پیچھے چھوڑ دیا۔ وائس ایرینا میں، ایک نابینا سننے والا بینچ مارک جسے چیٹ بوٹ ایرینا کے بعد بنایا گیا ہے، یہ قیمت کی حد کے لحاظ سے سرفہرست ریئل ٹائم ماڈلز میں شامل ہے۔
کوئی بھی لیڈر بورڈ Speechify کے ذریعے نہیں چلتا ہے۔ نہ ہی خود رپورٹ کردہ اسکور استعمال کرتا ہے۔ مقامی بولنے والے دو کلپس سنتے ہیں اور ووٹ دیتے ہیں کہ کون سا زیادہ فطری لگتا ہے، یہ جانے بغیر کہ کس ماڈل نے بنایا ہے۔
سمبا 3.2 فی الحال سب سے زیادہ ریٹیڈ ریئل ٹائم اسپیچ ماڈل ہے جو ٹیم تیار کر سکتی ہے۔
یہ وہ جگہ ہے جہاں عہدے داروں کو تکلیف ہوتی ہے۔
تین اہم نمبر
آواز بنانے والے ہر فرد کے لیے، صرف تین چیزیں اہم ہیں: معیار، تاخیر اور لاگت۔ ہر ماڈل کی ریلیز ان میں سے کم از کم ایک پر سمجھوتہ کرنے پر مجبور ہوتی ہے۔
1۔ معیار سمبا 3.2 مصنوعی تجزیہ کے زمرے میں پہلے اور وائس ایرینا میں معیار اور قیمت کے زمرے میں پہلے نمبر پر ہے۔ دونوں بینچ مارک آزاد ہیں۔ دونوں نابینا ہیں۔
2. چھپنا۔ ایک اسٹریمنگ مقامی ماڈل جس میں پچھلے ماڈلز کے مقابلے پہلے بائٹ تک کم وقت ہوتا ہے، یہ ایسے صوتی ایجنٹوں کے لیے بنایا گیا ہے جو بات چیت کو خراب کرنے کے بعد توقف کے بجائے حقیقی وقت میں جواب دیتے ہیں۔ سبھی 100ms سے کم ہیں۔
3. خرچ یہ $10 فی ملین حروف پر درج ہے، توسیعی درجے پر $6 فی ملین حروف پر گرا ہے۔ کمپنی کے مطابق، یہ ٹاپ 10 مصنوعی تجزیاتی ماڈلز میں سب سے سستا ماڈل ہے، جو ElevenLabs سے 15 گنا سے زیادہ سستا ہے اور Cartesia سے تقریباً چھ گنا سستا ہے۔
بہترین آواز دینے والے، تیز ترین اور سستے ترین ماڈلز کو شاذ و نادر ہی بیان کیا جاتا ہے۔ اب یہ ہے.
کریڈٹ: Speechify
ایسا کیوں ہوا
AI ماڈلز کے لیے عام کہانی یہ ہے کہ لیب بینچ مارک کرے گی، انٹرپرائز خریداروں کے لیے قیمتوں کو بہتر بنائے گی، اور ڈویلپر پلیٹ فارم کو بقیہ مارجن وراثت میں حاصل کرنے کی اجازت دے گی۔ Speechify کو مخالف ترتیب میں بنایا گیا تھا۔
وہی آواز ٹیکنالوجی صارفین کی مصنوعات کے اندر چل رہی ہے جسے 60 ملین سے زیادہ لوگ برسوں سے استعمال کرتے ہیں۔ وہ سامعین مکینیکل آوازوں، پہلے لفظ سے پہلے دو سیکنڈ کی تاخیر، یا اکائی اکنامکس کو برداشت نہیں کرتے جو صرف انٹرپرائز کی قیمتوں پر لاگو ہوتے ہیں۔ اس پروڈکٹ کی تمام A/B ٹیسٹنگ ماڈل میں واپس آ جاتی ہے۔
Speechify میں انجینئرنگ لیڈ راحیل قاضی بتاتے ہیں، "ہم نے شروع سے ہی آرکیٹیکچرل فیصلے کیے تھے کہ زیادہ تر لیبز کو بعد میں روک دیا جائے گا۔” "ہم تاخیر کے تعاقب میں معیار یا معیار کے حصول میں قیمت کی قربانی نہیں دینا چاہتے تھے۔ ہم نے جان بوجھ کر زیادہ مشکل راستہ اختیار کیا۔ تینوں کو ایک ہی وقت میں SOTA میں فٹ کرنا ہمیشہ اس فیصلے کی وجہ تھا۔”
Speechify میں ڈویلپر تعلقات کے سربراہ، لیوک اولف نے ایک پریس ریلیز میں کہا، "یہ API فراہم کرنے والوں کے لیے ایک انڈر ڈاگ کہانی ہے۔” "ہم نے اپنے ماڈل کو مؤثر طریقے سے انجام دینے میں کئی سال گزارے ہیں کیونکہ دسیوں ملین سامعین نے اس کا مطالبہ کیا ہے – صارفین کے کاروبار میں سیارے پر بہترین آواز۔ اس سے ہمیں اب API کو دنیا کا سب سے اعلیٰ درجہ کا ماڈل پیش کرنے کی اجازت ملتی ہے جو کہ تقریباً سستی ہے۔ زیادہ تر لیبز بینچ مارکس کے لیے بنائی گئی ہیں اور قیمتیں انٹرپرائز کے لیے رکھی گئی ہیں۔ ہم سننے والوں کے لیے تیار کیے گئے ہیں۔”
مصنوعی تجزیات اور وائس ایرینا واقعی کیا جانچتے ہیں۔
نہ ہی لیڈر بورڈ کسی قسم کا بینچ مارک ہے جس کے خلاف دکاندار کھیل سکتے ہیں۔
مصنوعی تجزیہ ایک لائیو سرور لیس API اینڈ پوائنٹ پر تصادفی طور پر منتخب کردہ آواز، 500-کردار کے ایک منفرد پرامپٹ، اور معیاری آڈیو نمونے لینے کی شرح کا استعمال کرتے ہوئے تصادفی طور پر فی دن چار بار چلایا جاتا ہے۔ جب تک آڈیو فائل مقامی طور پر نہ آجائے اس وقت تک تاخیر کی پیمائش کی جاتی ہے۔
وائس ایرینا چھ زبانوں میں ایک ہی نابینا جوڑی کے موازنہ کے اصولوں کا استعمال کرتا ہے، ہر وینڈر کے بہترین آواز والے ڈیفالٹ کے بجائے فی ماڈل آوازوں کی متوازن سلیٹ کا استعمال کرتے ہوئے۔ طریقہ کار کارنیگی میلن یونیورسٹی کے پروفیسر شنجی واتنابے کے ان پٹ کے ساتھ تیار کیا گیا تھا۔
دونوں بورڈز پر معیار کا اسی طرح جائزہ لیا جاتا ہے۔ ایک ہی متن سے تیار کردہ کلپس کے جوڑے ایک مقامی اسپیکر کے ساتھ اندھی تقابل میں چلائے جاتے ہیں۔ سننے والا انتخاب کرتا ہے کہ کون سا زیادہ فطری محسوس ہوتا ہے۔ ووٹوں کو ایلو ریٹنگ کے حساب سے شمار کیا جاتا ہے۔ کوئی خود رپورٹ کردہ اسکور نہیں ہیں، کوئی وینڈر کے ذریعے منتخب کردہ کلپس نہیں ہیں، کوئی اندرونی پینل نہیں ہیں، اور کوئی فراہم کنندہ شمولیت یا درجہ بندی کے لیے ادائیگی نہیں کرتا ہے۔
کسی ماڈل کو دونوں میں سرفہرست مقام حاصل کرنے کے لیے، اسے معروضی کارکردگی کے جائزوں اور متعدد زبانوں میں انسانی ترجیحات کے اندھے سروے کو پورا کرنا ہوگا۔ سمبا 3.2 کرتا ہے۔
SpeechifyAI ایجنٹ اور Speechify کا ڈیولپر پلیٹ فارم
لیڈر بورڈ کے نتائج کے ساتھ ساتھ، Speechify ایک وائس ایجنٹ اور ڈویلپر پلیٹ فارم کو کاروبار کے لیے اسپیچیفائی ڈاٹ آئی پر شروع کر رہا ہے۔ ماڈل جو دونوں کو سپورٹ کرتا ہے وہی ماڈل ہے جو صارفین کی ایپس چلاتا ہے۔
سمبا 3.2 ایک اسٹریمنگ پر مبنی ماڈل ہے جس میں کم وقت سے پہلے بائٹ، عمدہ جذباتی کنٹرول، SSML پروسوڈی، اور حقیقی وقت کی آواز کی ایپلی کیشنز میں قدرتی آواز کے لیے ڈیزائن کیا گیا ہے۔ کمپنی کے مطابق، مزید آوازیں، اضافی زبانیں، اور اس سے بھی زیادہ سستی درجے پہلے سے ہی روڈ میپ پر موجود ہیں۔
"Simba 3.2 اس وقت Speechify.ai پر دستیاب بہترین ماڈل ہے،” Cliff Weitzman، CEO اور Speechify کے بانی نے ایک عوامی پوسٹ میں کہا۔ "یہ بڑے پیمانے پر وائس ایجنٹوں کو طاقت دینے کے لیے بنایا گیا تھا اور صارفین کے پلیٹ فارمز پر چلنے والے لاکھوں A/B ٹیسٹوں کے ذریعے اسے مکمل کیا گیا ہے۔ TTS APIs کی بات کرنے پر تین چیزیں اہم ہیں: لاگت، معیار، اور تاخیر۔ Simba 3.2 ان تینوں پر SOTA حاصل کرتا ہے۔ ہم تجربہ حاصل کرنے اور طاقتور ہونے کے لیے پرجوش ہیں۔”
تو کیا یہ آواز کے لیے انٹرپرائز کی قیمتوں کی ادائیگی کا خاتمہ ہے؟
اس ٹیم کے لیے جو اس سال صوتی فیس پر $60,000 خرچ کر چکی ہے، اس کا جواب واضح ہونا شروع ہو رہا ہے۔
ان ٹیموں کے لیے جنہوں نے ابھی تک ادائیگی نہیں کی ہے، سوال یہ ہے کہ وہ کب تک کسی ایسے سمجھوتے کی ادائیگی جاری رکھنے کے لیے تیار ہیں جو اب موجود نہیں ہے۔
ہم نے انتخاب کرنے کے لیے وائس AI کا استعمال کیا۔ اب ایسا نہیں رہا۔
کئی سالوں سے ٹیکسٹ ٹو اسپیچ کے اصول سادہ رہے ہیں۔ اگر آپ اپنے پروڈکٹ کے لیے بہترین آواز چاہتے ہیں، تو آپ نے انٹرپرائز کی قیمت ادا کی۔ اگر آپ اسے سستے میں چاہتے ہیں، تو آپ نے ایک روبوٹ کا انتخاب کیا۔ اگر آپ تیز رفتار چاہتے ہیں، تو آپ دونوں شماروں پر کچھ ترک کر رہے تھے۔ وہ اصول توڑ دیا گیا ہے۔
ٹریڈ آف ہر پروڈکٹ ٹیم بنانے پر مجبور ہے۔
اگر آپ نے کبھی صوتی ایجنٹ، فون سسٹم، یا ریئل ٹائم ریڈر بنایا ہے، تو آپ جانتے ہیں کہ کس طرح تربیت کرنا ہے۔ ہم 4-5 ماڈل کا آڈیشن دیتے ہیں۔ ایک تو یہ ناقابل یقین لگتا ہے اور اس کی قیمت بنیادی ڈھانچے سے زیادہ ہے۔ ایک سستی ہے اور جی پی ایس کی طرح لگتا ہے جو 2009 میں جاری کیا گیا تھا۔ ایک تیز ہے، لیکن صرف 3 زبانوں کو سپورٹ کرتی ہے۔ کم سے کم برا آپشن چنیں اور اسے بھیج دیں۔
پھر بل آتا ہے۔