शुन्या लैब्स भारतीय भाषण की विशेषताओं के अनुकूल आवाज बुनियादी ढांचा विकसित कर रही है

मौजूदा बुनियादी ढांचे की समस्याएं

उपयोगकर्ता अक्सर वाक्यों के बीच भाषाओं को बदलते थे, कई लहजों में बोलते थे, विशिष्ट चिकित्सा शब्दावली का उपयोग करते थे और तीसरे पक्ष के सर्वर के माध्यम से संवेदनशील डेटा के हस्तांतरण के बारे में चिंता व्यक्त करते थे। इसके बावजूद, मौजूदा वॉयस इंफ्रास्ट्रक्चर इन आवश्यकताओं को पूरा नहीं कर पा रहा था।

मेहरात्रा ने उल्लेख किया कि बाजार का अध्ययन करने पर यह स्पष्ट हो गया कि किसी ने भी पूरे एशिया में भाषण पैटर्न की विविधता को उचित रूप से संभालने वाले मॉडल नहीं बनाए थे। इन सीमाओं को दरकिनार करने के बजाय, संस्थापकों ने आवश्यक बुनियादी ढांचे को स्वयं विकसित करने का निर्णय लिया, जिससे शुन्या लैब्स का निर्माण हुआ।

शुन्या लैब्स की तकनीकें

आज, कंपनी बहुभाषी, उच्चारण वाले और मिश्रित (कोड-स्विच्ड) भाषण के साथ काम करने के लिए डिज़ाइन किए गए वॉयस एआई का अपना बुनियादी ढांचा बना रही है। इस तकनीक का उपयोग बैंकिंग, स्वास्थ्य सेवा, दूरसंचार, ऑटोमोटिव और ई-कॉमर्स क्षेत्रों में बड़े कॉर्पोरेट ग्राहकों द्वारा किया जाता है, और यह सब महंगे ग्राफिक्स प्रोसेसिंग यूनिट (जीपीयू) की आवश्यकता वाले समाधानों के बजाय सेंट्रल प्रोसेसिंग यूनिट (सीपीयू) पर होता है।

शुन्या लैब्स ने अपने वॉयस एआई स्टैक को शुरू से बनाया है। प्लेटफॉर्म में तीन मुख्य घटक शामिल हैं: स्पीच-टू-टेक्स्ट मॉडल, संदर्भ और मेमोरी को ध्यान में रखते हुए जानकारी को संसाधित करने के लिए एक ऑर्केस्ट्रेशन लेयर, और प्रतिक्रियाओं को आवाज देने के लिए टेक्स्ट-टू-स्पीच मॉडल।

कंपनी का दावा है कि यह पूरा स्टैक सीपीयू पर काम कर सकता है, चाहे फोन, कार या कंपनी के अपने सर्वर का उपयोग किया जा रहा हो, और यहां तक कि इंटरनेट कनेक्शन के बिना भी। यह समान आपूर्तिकर्ताओं की तुलना में तैनाती की लागत को लगभग बीसवें हिस्से तक कम करने की अनुमति देता है, जबकि 55 भारतीय भाषाओं सहित 220 से अधिक भाषाओं का समर्थन करता है।

अनुकूलन और प्रदर्शन

मॉडल मालिकाना हैं, लेकिन कॉर्पोरेट ग्राहकों को एक अतिरिक्त अनुकूलन योग्य परत मिलती है जो व्यवसाय-विशिष्ट शब्दावली, उत्पाद नामों, दूरसंचार योजनाओं की शर्तों, फार्मास्युटिकल नामों और बैंक उत्पादों के कैटलॉग पर प्रशिक्षित होती है। इस तरह के कस्टम मॉडल को बनाने में जीपीयू पर लगभग 40 घंटे लगते हैं, और एक नई भाषा जोड़ने में लगभग 100 घंटे लगते हैं, जो उद्योग मानक 10,000 घंटों से काफी कम है।

ऑडियो सिग्नल ट्रांसक्रिप्शन इंजन में जाने से पहले, पेटेंटेड नॉइज़ रिडक्शन पृष्ठभूमि शोर को हटाता है, और एक अन्य टूल वॉल्यूम, आवृत्ति और विरूपण को ठीक करता है। सिस्टम अस्थिर ध्वनि गुणवत्ता की स्थिति में काम करने के लिए डिज़ाइन किया गया है, जैसे कॉल सेंटर या फील्ड रिकॉर्डिंग में।

ट्रांसक्रिप्शन के अलावा, प्लेटफॉर्म मूड विश्लेषण, भावना ट्रैकिंग, इरादा पहचान और वक्ता पहचान जैसी सुविधाएँ प्रदान करता है। मेहरात्रा ने इस बात पर जोर दिया कि शुन्या का हिंग्लिश मॉडल वास्तविक समय में मिश्रित भाषा टोकन उत्पन्न कर सकता है, उपयोगकर्ताओं को एक भाषा तक सीमित करने के लिए मजबूर किए बिना।

वाक का लॉन्च और साझेदारी

फरवरी 2026 में, कंपनी ने इंडिया एआई इम्पैक्ट समिट में न्यू दिल्ली में 55 भारतीय भाषाओं को कवर करने वाली ओपन-वेट्स रियल-टाइम अनुवाद प्रणाली वाक प्रस्तुत की। वाक को नस्कॉम के सहयोग से विकसित किया गया था, जिसमें शुन्या की जेनएआई कोरग्राफ शामिल है। यह प्रणाली एंड-टू-एंड विलंबता 1.5 सेकंड से कम सुनिश्चित करती है, प्री-ट्रेनिंग के बिना वॉयस क्लोनिंग (जीरो-शॉट वॉयस क्लोनिंग) का समर्थन करती है, और जीरो सूट प्लेटफॉर्म पर काम करती है। मॉडल वेट्स हगिंग फेस पर उपलब्ध हैं।

बंजोपाध्याय वाक को 'संप्रभु, स्व-वित्तपोषित नवाचार' बताते हैं, और जोड़ते हैं कि लक्ष्य यह है कि 'हर डेवलपर बना सके, हर सरकार लागू कर सके, और हर भारतीय अपनी मातृभाषा में सुना जा सके'।

बड़े ग्राहकों के साथ काम करना

शुन्या विशेष रूप से बड़े कॉर्पोरेट ग्राहकों के साथ सहयोग करती है। बिक्री प्रक्रिया में तीन चरण शामिल हैं: गैर-प्रकटीकरण समझौते (एनडीए) के तहत अवधारणात्मक प्रमाण (प्रूफ ऑफ कॉन्सेप्ट), एक क्षेत्र और एक भाषा में पायलट परीक्षण, और अंत में पूर्ण पैमाने पर कार्यान्वयन, जिसमें स्थायी अनुबंध में जाने से पहले आमतौर पर छह से आठ महीने लगते हैं।

हाल ही में कंपनी ने अवधारणात्मक प्रमाण चरण को सशुल्क बनाकर अपनी नीति बदल दी है। मूल्य निर्धारण नीति एक त्रि-स्तरीय मॉडल पर लागू की गई है। व्यक्तिगत डेवलपर्स प्लेटफॉर्म का मुफ्त उपयोग कर सकते हैं या $500 से शुरू होने वाले प्रीपेड उपयोग क्रेडिट खरीद सकते हैं। कॉर्पोरेट ग्राहकों को व्यक्तिगत मूल्य निर्धारण, स्व-होस्टिंग विकल्प, समर्पित सेवा स्तर समझौते (एसएलए) और उच्च समानांतरता के साथ समर्थन मिलता है।

कंपनी के अनुसार, स्पीच-टू-टेक्स्ट, एलएलएम और टेक्स्ट-टू-स्पीच को संयोजित करने वाला एक विशिष्ट वॉयस एजेंट प्रति मिनट लगभग $0.0154 का है। मेहरात्रा ने बताया कि पिछले तीन महीनों में कंपनी का राजस्व मासिक आधार पर दोगुना हो गया है, और उसी अवधि में प्लेटफॉर्म का उपयोग 6-8 गुना बढ़ गया है।

प्रौद्योगिकी अनुप्रयोग और उपलब्धियां

कंपनी विभिन्न सार्वजनिक बेंचमार्क पर हगिंग फेस पर स्वचालित भाषण पहचान के उच्च प्रदर्शनों को भी इंगित करती है, जिसमें वित्तीय, TED टॉक्स और यूरोपीय भाषा डेटासेट शामिल हैं, जहां उसके मॉडल Nvidia और Meta के प्रस्तावों से बेहतर प्रदर्शन करते हैं। उल्लिखित मेट्रिक्स में, जीरो एसटीटी मेड मल्टीपल स्पीकर्स वाले शोरगुल वाले चिकित्सा ऑडियो के साथ काम करते समय 11.1% शब्द त्रुटि दर और 5.1% वर्ण त्रुटि दर प्रदर्शित करता है। जीरो टिन्नी ओएनएनएक्स 3.10% शब्द त्रुटि दर दिखाता है, और जीरो एसटीटी इंडिक 200% अधिक सटीकता का दावा करता है, जो भारतीय भाषण के लिए अगली सर्वश्रेष्ठ मॉडल से अधिक है।

प्लेटफॉर्म आईएसओ 27001 मानक द्वारा प्रमाणित है, एचआईपीएए और जीडीपीआर आवश्यकताओं का अनुपालन करता है, और क्लाउड, एज या ऑन-प्रिमाइसेस वातावरण में तैनात किया जा सकता है। शुन्या का ग्राहक आधार दूरसंचार, बैंकिंग क्षेत्र और वित्तीय सेवाओं, स्वास्थ्य सेवा, ऑटोमोटिव उद्योग और ई-कॉमर्स तक फैला हुआ है। ग्राहकों में पैनासोनिक, नस्कॉम, यूएस में गोमोट्टो, ऑस्ट्रेलिया में ओएमजी फार्मा और भारत में ज़ेट शामिल हैं।

बैंकिंग क्षेत्र में, प्लेटफॉर्म केवाईसी सत्यापन, भुगतान अनुस्मारक और कॉल के दौरान भाषा स्विचिंग के लिए उपयोग किया जाता है। स्वास्थ्य सेवा में, यह वास्तविक समय में नैदानिक बातचीत को ट्रांसक्राइब करता है, डॉक्टर और रोगी की आवाज़ों को अलग करता है, और डेटा को स्थानीय रूप से रखते हुए इलेक्ट्रॉनिक मेडिकल रिकॉर्ड के लिए परिणामों को संरचित करता है। कॉल सेंटर प्लेटफॉर्म का उपयोग लाइव ट्रांसक्रिप्शन और एजेंटों को वास्तविक समय में सहायता के लिए करते हैं। ऑटोमोटिव उद्योग में, मॉडल नेटवर्क कनेक्टिविटी की आवश्यकता के बिना इंफोटेनमेंट सिस्टम में काम करते हैं। ई-कॉमर्स के ग्राहक मौखिक अनुरोधों को प्रासंगिक खोज परिणामों में बदलने के लिए तकनीक का उपयोग करते हैं, जिसे शुन्या वॉयस-टू-इंटेंट कहती है।

कंपनी की भविष्य की योजनाएं

कंपनी का काम 12 पेटेंट द्वारा समर्थित है, जो क्लिनिकल ट्रांसलेशन, मतिभ्रम को कम करने और पाठ को भावनाओं में मैप करने जैसे क्षेत्रों को कवर करते हैं। इसके अलावा, 18 से अधिक सहकर्मी-समीक्षित पेपर प्रकाशित किए गए हैं, और कंपनी के पास 23 विश्व रिकॉर्ड हैं। कई मॉडल हगिंग फेस पर ओपन सोर्स के रूप में उपलब्ध हैं।

ग्रैंड व्यू रिसर्च के अनुसार, भारत में कन्वर्सेशनल एआई बाजार 2033 तक $3.7 बिलियन तक पहुंचने का अनुमान है, जो 2026 से 26.4% की चक्रवृद्धि वार्षिक वृद्धि दर (सीएजीआर) दर्शाता है। बाजार में पहले से ही सरवम, ज्ञानी.एआई और येलो.एआई जैसे खिलाड़ी मौजूद हैं, जो वॉयस एआई इकोसिस्टम के विभिन्न स्तरों पर काम कर रहे हैं।

शुन्या ने प्री-सीड और सीड राउंड में लगभग $5.5 मिलियन जुटाए हैं और अगले तीन-चार महीनों के भीतर सीरीज ए राउंड करने की योजना बना रही है। हालांकि, वर्तमान प्राथमिकता लाभप्रदता प्राप्त करना है। मेहरात्रा ने कहा कि अगले छह से आठ महीनों में मुख्य कार्य सकारात्मक पी एंड एल हासिल करना है, जिसमें लागत दक्षता बनाए रखते हुए राजस्व बुनियादी ढांचे के निर्माण पर ध्यान केंद्रित किया जाएगा।

कंपनी 'बर्न और स्केल' रणनीति का पालन नहीं करती है, बल्कि एशिया में दूरसंचार, बीएफएसआई, चिकित्सा और ऑटोमोटिव क्षेत्रों में कॉर्पोरेट कार्यान्वयनों के माध्यम से टिकाऊ आवर्ती राजस्व बनाने पर ध्यान केंद्रित करती है। कंपनी की दीर्घकालिक महत्वाकांक्षाएं भारत से परे हैं। मेहरात्रा ने बताया कि लक्षित दर्शक पूरे एशिया, पूर्वी यूरोप और उच्च भाषाई विविधता और कम डिजिटल साक्षरता वाले अन्य क्षेत्रों में लोग शामिल हैं। उनका मानना है कि वे लोग जो अंग्रेजी में टाइप नहीं कर सकते या बिल्कुल टाइप नहीं कर सकते, वे अभी भी अपनी मातृभाषा में बोल सकते हैं, और इन उपयोगकर्ताओं को ऐसे बुनियादी वॉयस इंफ्रास्ट्रक्चर की आवश्यकता है जो विशेष रूप से उनके लिए डिज़ाइन किया गया हो, न कि उन प्रणालियों के लिए जो अंग्रेजी-प्रधान इंटरफेस और भारी कंप्यूटिंग शक्ति पर केंद्रित हैं।