अलीबाबा ने कोज़ीवॉइस स्टूडियो लॉन्च किया है, जिसे यह चीन में आवाज के माध्यम से उत्पादकता बढ़ाने के लिए पहले पूर्ण-कार्यशील प्लेटफॉर्म के रूप में प्रस्तुत करता है। यह उत्पाद Qwen-Audio मॉडल परिवार को एक एकीकृत स्टैक में जोड़ता है जो स्पीच रिकग्निशन, स्पीच सिंथेसिस और रियल-टाइम वॉयस इंटरैक्शन को कवर करता है।
यह प्लेटफॉर्म उस मॉडल परिवार पर आधारित है जिसने 28 जुलाई को आर्टिफिशियल इंटेलिजेंस के लिए स्पीच-टू-स्पीच ट्रांसफॉर्मेशन इंडेक्स में पहला स्थान हासिल किया था, जहां Qwen-Audio-3.0-Realtime ने 84.1 प्रतिशत का परिणाम दिखाया, जिससे यह वॉयस रीजनिंग, एजेंट प्रदर्शन और डायनेमिक डायलॉग के क्षेत्र में प्रतिस्पर्धियों से आगे निकल गया।
उत्पाद को तीन कार्यात्मक मॉड्यूल में विभाजित किया गया है। CosyFlow व्यक्तिगत दक्षता का स्तर है: यह जल्दबाजी में बोले गए मौखिक भाषण को संरचित कार्य परिणाम में बदल देता है, पारंपरिक वॉयस टूल द्वारा आवश्यक सफाई चरण को समाप्त करता है। CosyCreative मॉड्यूल सामग्री निर्माण के लिए जिम्मेदार है: यह एक स्क्रिप्ट या यूआरएल लेता है और किसी भी आवाज में तैयार ऑडियो सामग्री उत्पन्न करता है। अंत में, CosyAgent एक कॉर्पोरेट स्तर है जो उद्यमों को मौजूदा ग्राहक सेवा प्रणालियों में वॉयस इंटरफ़ेस को एकीकृत करने की अनुमति देता है।
यह विभाजन चैटबॉट के बाहर वॉयस एआई के व्यावसायीकरण के तीन दिशाओं को दर्शाता है।
यह लॉन्च आवाज-आधारित उत्पादकता की अंतरराष्ट्रीय मांग में वृद्धि के बीच हो रहा है। उदाहरण के लिए, अमेरिकी वॉयस कीबोर्ड सेवा Wispr ने छह महीनों में अपनी वार्षिक रेटिंग लगभग तिगुनी कर ली है, जो 2 बिलियन डॉलर तक पहुंच गई है, और उपयोगकर्ताओं की संख्या सालाना सौ गुना से अधिक बढ़ गई है। वैश्विक वॉयस एआई फंडिंग केवल 2026 की पहली तिमाही में 7 बिलियन डॉलर से अधिक हो गई है। समानांतर में हार्डवेयर विकसित हो रहा है: वॉयस रिंग्स, एआई चश्मे और एआई हैंगिंग्स एआई-आधारित वर्कफ़्लो में दैनिक जीवन के एकीकरण के लिए बाधाओं को कम करने का प्रयास करते हैं। अमेरिकी बाजार में, ElevenLabs एक पूर्ण-कार्यशील वॉयस प्लेटफॉर्म का मानक कार्यान्वयन बन गया है। अलीबाबा का मानना है कि चीनी समकक्ष अनुपस्थित है, और CosyVoice Studio इस जगह को भरने के लिए डिज़ाइन किया गया है।
अलीबाबा का संरचनात्मक लाभ मॉडल प्रशिक्षण चक्र में निहित है। CosyVoice Studio कोई बिल्कुल नया उत्पाद नहीं है; यह मॉडल परिवार के लिए एक उपयोगकर्ता इंटरफ़ेस है जिसका Qwen, DingTalk, Amap और Taobao में 2023 से वास्तविक उत्पादन ट्रैफ़िक पर सक्रिय रूप से परीक्षण किया जा रहा है। Qwen-Audio मॉडल शोर वाले चीनी लहजों के बड़े डेटासेट पर प्रशिक्षित हुआ है, और प्रत्येक नया रिलीज़ उपयोगकर्ता फीडबैक के साथ एक प्रतिक्रिया चक्र से गुजरता है। इसके कारण, प्लेटफॉर्म को स्थिर स्टैक के लिए एक साल की पायलट परियोजनाओं की आवश्यकता के बिना तुरंत जारी किया जा सकता है।
बाजार संरचना का प्रश्न एक महत्वपूर्ण द्वितीयक पहलू है। आवाज एआई एजेंट के लिए डेटा इनपुट का सबसे कम श्रमसाध्य तरीका बन गया है, और अलीबाबा CosyVoice Studio को चीन में वॉयस ट्रैफिक के लिए एक रूटिंग लेयर के रूप में प्रस्तुत करता है। यह प्लेटफॉर्म अलीबाबा की जटिल रणनीति का सबसे स्वच्छ उदाहरण भी है: एक मालिकाना मॉड्यूल, एक उत्पादन प्लेटफॉर्म और डेवलपर्स के लिए एक उत्पाद जो एक साथ बाजार में आते हैं। वॉयस एआई के क्षेत्र में चीनी विजेताओं की पिछली लहर एकल-कार्य उपकरणों की थी; अगली लहर प्लेटफॉर्म समाधानों की है, और अलीबाबा ऐसा उत्पाद जारी करने वाली पहली बड़ी चीनी प्रौद्योगिकी कंपनी बन रही है।
