नरेन कछरू, गूगल क्लाउड में बिक्री और जीटीएम एआई के प्रमुख, ने कहा कि सबसे मूल्यवान कृत्रिम बुद्धिमत्ता वह है जो सौंपे गए कार्य को पूरी तरह से पूरा कर सके। उन्होंने इस बात पर जोर दिया कि मूल्य तभी बनता है जब एआई की मदद से कार्य वास्तव में पूरा हो जाता है।
TechSparks 2026 कार्यक्रम में, 'वॉयस एआई इन एक्शन' नामक उत्पाद का प्रदर्शन करते हुए, कछरू ने गूगल के नवीनतम वॉयस मॉडल, ग्राहकों द्वारा उपयोग किए जाने वाले उदाहरणों और छोटे व्यवसायों के लिए विकसित एक लाइव डेमो का प्रदर्शन किया। उनका मुख्य विचार यह था कि आवाज लोगों और एआई के बीच बातचीत का प्राथमिक तरीका बन रही है, और भारत में यह बदलाव स्थानीय भाषाओं और लहजों में होगा।
कछरू ने उल्लेख किया कि उद्योग जनरेटिव एआई की अवधारणा से हट गया है, जिसे केवल प्रश्नोत्तर उपकरण के रूप में देखा जाता था। उन्होंने समझाया कि ध्यान अब ऐसे एआई पर केंद्रित हो गया है जिसके पास डेटा, उपकरण और क्षमताएं हैं जो व्यक्ति की ओर से कार्रवाई करने की अनुमति देते हैं।
गूगल ने हाल ही में जेमिनी 3.8 लाइव और जेमिनी 3.8 लाइव एक्सटेंडेड थिंकिंग प्रस्तुत किया है। जेमिनी 3.8 लाइव मॉडल एक ही बातचीत के भीतर 97 समर्थित भाषाओं को पहचानने और उनके बीच स्विच करने में सक्षम है। कछरू ने समझाया कि व्यवसाय इन दोनों मॉडलों के बीच कैसे चयन कर सकते हैं।
जेमिनी 3.8 लाइव मॉडल संवाद और एजेंट कार्यों से जुड़ी सरल समस्याओं के लिए उपयुक्त है, जैसे कि बुनियादी टूल कॉलिंग के साथ वॉयस चैट। जबकि एक्सटेंडेड थिंकिंग उन संवादों के लिए डिज़ाइन किया गया है जिनके लिए गहन तर्क, संदर्भ स्विचिंग और कई चरणों के निष्पादन की आवश्यकता होती है। उन्होंने यह भी उल्लेख किया कि एक्सटेंडेड थिंकिंग प्रति टोकन अधिक महंगा है।
दोनों मॉडल 'वॉयस टू वॉयस' प्रकार के हैं, जो एक ही सिस्टम के भीतर इनपुट और आउटपुट दोनों के रूप में भाषण को संसाधित करते हैं। डेवलपर्स के लिए जिन्हें इस प्रक्रिया के केवल एक हिस्से की आवश्यकता है, गूगल टेक्स्ट-टू-स्पीच, स्पीच-टू-टेक्स्ट और लाइव ट्रांसलेशन के लिए अलग-अलग मॉडल भी प्रदान करता है।
कछरू ने बताया कि टेक्स्ट-टू-स्पीच के लिए नवीनतम जेमिनी मॉडल ने भारतीय भाषाओं, लहजों और स्वर के उपयोग के साथ गूगल के आंतरिक परीक्षणों में उच्च परिणाम दिखाए हैं। उन्होंने संभावित उपयोग के परिदृश्यों की श्रृंखला दिखाने के लिए कई छोटे प्रदर्शन किए।
पहले उदाहरण में, शॉपिफाई सहायक, साइडकिक, ने विक्रेता को शॉपिफाई एडमिन पैनल के माध्यम से डोमेन कनेक्ट करने में चरण-दर-चरण मदद की। दूसरे उदाहरण में, एक वॉयस एजेंट ने आठ लोगों के लिए एक रेस्तरां में टेबल बुक की। कॉल के दौरान, कॉलर ने पूछा कि क्या केक की अनुमति है, समीक्षाओं से एक फोटो साझा की ताकि पता चल सके कि व्यंजन शाकाहारी है या नहीं, और बुकिंग की पुष्टि करने से पहले अन्य शाकाहारी विकल्पों के बारे में जानकारी मांगी। इस दूसरे परिदृश्य में एजेंट को कई संवाद चरणों के दौरान संदर्भ को ट्रैक करने, प्राथमिकताओं को याद रखने और कई टूल कॉल्स को निष्पादित करने की आवश्यकता थी, जो कछरू के अनुसार एक्सटेंडेड थिंकिंग के लिए आदर्श है।
उन्होंने लाइव अवतार का भी प्रदर्शन किया, जो जेमिनी की लाइव आवाज को वास्तविक समय वीडियो जनरेशन और लिप सिंक के साथ जोड़ता है, जिससे उपयोगकर्ताओं को केवल आवाज सुनने के बजाय एक एनिमेटेड चेहरा देखने की अनुमति मिलती है। गूगल ने हाल ही में जेमिनी एंटरप्राइज के माध्यम से व्यवसायों को लाइव अवतार प्रदान किया है, उत्पन्न ऑडियो और वीडियो सामग्री पर सिंथआईडी अदृश्य वॉटरमार्क लगाया है। सिटी एक पायलट ग्राहक के रूप में उभरा: इसका सिटी स्काई सहायक, जिसे गूगल डीपमाइंड और जेमिनी लाइव एपीआई की वास्तविक समय अवतार तकनीक का उपयोग करके बनाया गया है, अमेरिकी कल्याण क्षेत्र के ग्राहकों को निर्णय लेने में मदद करता है, जैसे कि जमा प्रमाणपत्र को भुनाने के संबंध में।
कछरू ने उल्लेख किया कि जेमिनी 3.8 लाइव तुलनीय मॉडलों में प्रति टर्न सबसे कम लागत वाला है, और एक्सटेंडेड थिंकिंग स्पीच-टू-स्पीच रूपांतरण की गुणवत्ता में उद्योग मानक स्थापित करता है। गूगल ने दावा किया है कि आर्टिफिशियल एनालिसिस से स्पीच-टू-स्पीच रूपांतरण गुणवत्ता सूचकांक पर एक्सटेंडेड थिंकिंग ने 82.6 अंक प्राप्त किए हैं, जो उच्चतम है।
उन्होंने स्पष्ट किया कि कम कीमत का कारण यह है कि गूगल पूरे स्टैक का प्रबंधन स्वयं करता है - टीपीयू चिप्स और बुनियादी ढांचे से लेकर मॉडल और एप्लिकेशन तक, और इस दक्षता को ग्राहकों को प्रदान करता है। यह गूगल को उच्च गुणवत्ता वाले मॉडल और अधिक किफायती वर्कहॉर्स दोनों की पेशकश करने की अनुमति देता है।
वॉयस एआई के उपयोग के उदाहरणों के रूप में, कछरू ने दो ग्राहकों का उल्लेख किया: ऑटोट्रेडर, जो पुरानी कारों की खरीद और बिक्री के लिए इस तकनीक का उपयोग करता है, और इक्वल एआई, एक भारतीय स्टार्टअप जिसका सहायक उपयोगकर्ता के फोन उठाने से पहले कॉल का जवाब देता है और उसे संभालता है।
सत्र का केंद्रीय बिंदु माइक्रो, लघु और मध्यम उद्यमों (एमएसएमई) के लिए सहायक का लाइव डेमो था, जिसे कछरू की टीम ने लगभग एक दिन में विकसित किया था। यह एक बड़ा संभावित बाजार है: एमएसएमई मंत्रालय के आंकड़ों के अनुसार, फरवरी 2026 तक उद्यम सरकार पोर्टल पर 7.8 करोड़ से अधिक उद्यम पंजीकृत हैं। कछरू ने पहले ही एक जोखिम के बारे में चेतावनी दी थी: उन्होंने होटल नेटवर्क से कनेक्ट न हो पाने के बाद मोबाइल हॉटस्पॉट के माध्यम से डेमो शुरू किया था।
डेमो में सुरक्षात्मक गियर बनाने वाली एक काल्पनिक कंपनी और उसके मालिक, राजेश, शामिल थे, जिन्हें अभी-अभी लगभग 500 हेलमेट मिले थे। सहायक से बात करते हुए, राजेश ने पूछा कि उसके पास हेलमेट के लिए कितने संभावित ग्राहक हैं। सहायक ने दो पाए: मुंबई में एक निर्माण कंपनी जिसे 500 हेलमेट की आवश्यकता थी, और आग्र में एक हार्डवेयर स्टोर जिसे 50 की आवश्यकता थी। राजेश ने सहायक को छोटे ऑर्डर को छोड़ने, मुंबई के खरीदार को व्यावसायिक प्रस्ताव भेजने और सौदे को अंतिम रूप देने के लिए उसे कॉल करने का निर्देश दिया। उसने एक शर्त रखी: कीमत प्रति हेलमेट 400 रुपये से ऊपर रहनी चाहिए, और सहायक को बिना दोबारा अनुमोदन के ऑर्डर दे सकता था। फिर सहायक ने खरीदार को कॉल किया और हिंदी में बातचीत की। कछरू ने उल्लेख किया कि सहायक ने बाहरी कॉल के दौरान राजेश के साथ आंतरिक बातचीत से संदर्भ बनाए रखा, कंपनी की ओर से बातचीत की और सौदा बंद कर दिया।
कछरू के अनुसार, यही एंड-टू-एंड प्रक्रिया वॉयस एआई के विकास की दिशा है। उनका मानना है कि 3.8 लाइव मॉडल के साथ, उद्यम अब अपने प्रक्रियाओं में वॉयस एजेंटों को एकीकृत कर सकते हैं जो स्वतंत्र रूप से कार्य करते हैं। कछरू ने जोड़ा कि यह सहायक तमिल, तेलुगु, मलयालम, कन्नड़, मराठी और अन्य भाषाओं में भी ऐसा ही संवाद कर सकता था। उन्होंने इस बात पर जोर दिया कि यह महत्वपूर्ण है क्योंकि भारतीय उपभोक्ता तेजी से वॉयस इंटरैक्शन पर निर्भर हो रहा है। जेमिनी लाइव अब 25 से अधिक भारतीय भाषाओं और बोलियों का समर्थन करता है। IAMAI-Kantar इंटरनेट इन इंडिया 2024 रिपोर्ट के अनुसार, भारत के 886 मिलियन सक्रिय इंटरनेट उपयोगकर्ताओं में से 98% भारतीय भाषाओं में सामग्री प्राप्त करते हैं, और पांच में से एक नेटवर्क में बाहर निकलने के लिए वॉयस कमांड का उपयोग करता है।
उन्होंने निष्कर्ष निकाला, 'मेरा मानना है कि आवाज भविष्य है।' उन्होंने जोड़ा कि भारत में वॉयस एआई को उन भाषाओं, लहजों और चीजों के अनुकूल होना चाहिए जिनकी लोग बात करते हैं और जिनसे वे परिचित हैं। कछरू ने बताया कि गूगल डीपमाइंड में बेंगलुरु में एक टीम है जो भारतीय लहजों और सांस्कृतिक बारीकियों पर ध्यान केंद्रित करते हुए आवाज पर शोध कर रही है। गूगल इंडियन इंस्टीट्यूट ऑफ साइंस और ARTPARK द्वारा कार्यान्वित प्रोजेक्ट वाणी को भी वित्त पोषित करता है, जिसने 165 जिलों से 105 भाषाओं में 31,000 से अधिक घंटों की आवाज खोली है।
अंत में, कछरू ने संस्थापकों और डेवलपर्स से मॉडलों का परीक्षण करने, अनुभव का उपयोग करने और प्रतिक्रिया साझा करने का आग्रह किया, जिसमें यह भी जानकारी शामिल है कि क्या काम नहीं कर रहा है, ताकि गूगल की अनुसंधान और विकास टीमों उन्हें बेहतर बना सकें। उनका व्यापक विचार यह था कि वॉयस एआई साधारण संचार से वास्तविक निष्पादन की ओर बढ़ने के लिए तैयार है, और भारत, अपनी भाषाई विविधता और उपयोगकर्ताओं के आवाज पर ध्यान केंद्रित करने के कारण, उन बाजारों में से एक है जहां यह बदलाव सबसे पहले परखा जाएगा।
