Большинство систем голосового искусственного интеллекта обучаются на образцах речи носителей безупречного английского, что редко соответствует реальному положению дел в Индии. Однако для Риту Мехротры и Саурав Банджопадьяя, основателей компании United We Care, занимающейся вопросами психического здоровья, этот пробел стал очевидным.
Пользователи часто переключались между языками в середине фраз, говорили с множеством акцентов, использовали специализированную медицинскую терминологию и высказывали опасения по поводу передачи конфиденциальных данных через сторонние серверы. При этом существующая голосовая инфраструктура не справлялась с такими требованиями.
Мехротра отметила, что при изучении рынка стало ясно, что никто не создал моделей, способных адекватно обрабатывать разнообразие речевых паттернов по всей Азии. Вместо того чтобы обходить эти ограничения, основатели решили разработать необходимую инфраструктуру самостоятельно, что привело к созданию Shunya Labs.
Сегодня компания создает собственную инфраструктуру голосового ИИ, предназначенную для работы с многоязычной, акцентированной и смешанной (code-switched) речью. Эта технология используется крупными корпоративными клиентами в секторах банковского дела, здравоохранения, телекоммуникаций, автомобилестроения и электронной коммерции, причем все это происходит на центральных процессорах (CPU), а не на дорогостоящих решениях, требующих мощных графических процессоров (GPU).
Shunya Labs построила свой стек голосового ИИ с нуля. Платформа состоит из трех основных компонентов: модели преобразования речи в текст (speech-to-text), слоя оркестрации для обработки информации с учетом контекста и памяти, и модели преобразования текста в речь (text-to-speech) для озвучивания ответов.
Компания утверждает, что весь этот стек способен работать на CPU, независимо от того, используется ли телефон, автомобиль или собственные серверы компании, и даже без подключения к интернету. Это позволяет снизить затраты на развертывание примерно до двадцатой части по сравнению с аналогичными поставщиками, при этом поддерживая более 220 языков, включая 55 индийских языков.
Модели являются проприетарными, однако корпоративные заказчики получают дополнительный настраиваемый слой, который обучается на специфической для бизнеса лексике, названиях продуктов, терминах телекоммуникационных планов, фармацевтических наименованиях и каталогах банковских продуктов. Создание такой кастомной модели занимает около 40 часов на GPU, а добавление нового языка требует примерно 100 часов, что значительно меньше отраслевого стандарта в 10 000 часов.
До того как аудиосигнал попадет в движок транскрипции, запатентованный шумоподавитель устраняет фоновый шум, а другой инструмент корректирует громкость, частоту и искажения. Система спроектирована для работы в условиях нестабильного качества звука, например, в колл-центрах или при полевых записях.
Помимо транскрипции, платформа предоставляет такие функции, как анализ настроений, отслеживание эмоций, определение намерения и идентификация говорящего. Мехротра подчеркнула, что модель Hinglish от Shunya может выдавать токены смешанных языков в режиме реального времени, не вынуждая пользователей ограничиваться одним языком.
В феврале 2026 года компания представила Vāķ — систему перевода в реальном времени с открытым весом, охватывающую 55 индийских языков, на саммите India AI Impact Summit в Нью-Дели. Vāķ была разработана совместно с Nasscom, в кого входит когорта GenAI Shunya. Система обеспечивает задержку от начала до конца менее 1,5 секунды, поддерживает клонирование голоса без предварительного обучения (zero-shot voice cloning) и работает на собственной платформе Zero Suite. Веса моделей доступны на Hugging Face.
Банджопадьяй описывает Vāķ как «суверенную, самофинансируемую инновацию», добавив, что цель состоит в том, чтобы «каждый разработчик мог создавать, каждое правительство могло внедрять, а каждый индиец мог быть услышан на своем родном языке».
Shunya сотрудничает исключительно с крупными корпоративными клиентами. Процесс продаж включает три этапа: концептуальное доказательство (proof of concept) под соглашением о неразглашении (NDA), пилотное тестирование в одном регионе и на одном языке, и, наконец, полномасштабное внедрение, которое обычно занимает от шести до восьми месяцев до перехода в постоянный контракт.
Недавно компания изменила политику, сделав этап концептуального доказательства платным. Ценовая политика реализована по трехступенчатой модели. Отдельные разработчики могут использовать платформу бесплатно или приобрести предоплаченные кредиты использования, начиная от 500 долларов США. Корпоративные клиенты получают индивидуальные цены, опции самостоятельного хостинга, выделенные соглашения об уровне обслуживания (SLA) и поддержку с более высокой параллельностью.
По данным компании, типичный голосовой агент, объединяющий speech-to-text, LLM и text-to-speech, стоит около 0,0154 доллара США за минуту работы. Мехротра сообщила, что выручка компании удвоилась ежемесячно в течение последних трех месяцев, а использование платформы выросло в 6–8 раз за тот же период.
Компания также указывает на высокие показатели распознавания автоматической речи в различных публичных бенчмарках на Hugging Face, включая финансовые, TED Talks и европейские языковые наборы данных, где ее модели превзошли предложения от Nvidia и Meta. Среди приведенных метрик, Zero STT Med демонстрирует частоту ошибок слов в размере 11,1% и частоту ошибок символов в размере 5,1% при работе с зашумленным медицинским аудио с несколькими говорящими. Zero Tinny ONNX показывает частоту ошибок слов 3,10%, а Zero STT Indic заявляет о точности, которая на 200% выше, чем у следующей лучшей модели для индийской речи.
Платформа сертифицирована по стандарту ISO 27001, соответствует требованиям HIPAA и GDPR, и может быть развернута в облачных, периферийных (edge) или локальных (on-premise) средах. Клиентская база Shunya охватывает телекоммуникации, банковский сектор и финансовые услуги, здравоохранение, автомобильную промышленность и электронную коммерцию. Среди клиентов — Panasonic, NASSCOM, Gomotto в США, OMG Pharma в Австралии и ZET в Индии.
В банковской сфере платформа используется для верификации KYC, напоминаний об оплате и переключения языка во время звонка. В здравоохранении она транскрибирует клинические беседы в реальном времени, разделяет голоса врача и пациента, структурируя результаты для электронных медицинских карт при сохранении данных локально. Колл-центры применяют платформу для живой транскрипции и помощи агентам в реальном времени. В автомобильной отрасли модели работают в информационно-развлекательных системах без необходимости сетевого подключения. Клиенты электронной коммерции используют технологию для преобразования устных запросов в соответствующие результаты поиска, что Shunya называет голосовым намерением (voice-to-intent).
Работа компании подкреплена 12 патентами, охватывающими области, такие как клинический перевод, смягчение галлюцинаций и картирование текста в эмоции. Кроме того, было опубликовано более 18 рецензируемых работ, и компания владеет 23 мировыми рекордами. Многие модели доступны в качестве открытого исходного кода на Hugging Face.
Согласно Grand View Research, рынок разговорного ИИ в Индии, по прогнозам, достигнет 3,7 миллиарда долларов к 2033 году, демонстрируя среднегодовой темп роста (CAGR) в 26,4% с 2026 года. На рынке уже присутствуют такие игроки, как Sarvam, Gnani.ai и Yellow.ai, работающие на разных уровнях экосистемы голосового ИИ.
Shunya привлекла около 5,5 миллионов долларов в раундах pre-seed и seed и планирует провести раунд Серии А в течение следующих трех-четырех месяцев. Однако на данный момент приоритетом является достижение прибыльности. Мехротра заявила, что в следующие шесть-восемь месяцев главная задача — достичь положительного показателя P&L, сосредоточив внимание на создании инфраструктуры доходов при сохранении эффективности затрат.
Компания не следует стратегии «сжигания и масштабирования», а вместо этого фокусируется на построении устойчивого регулярного дохода за счет корпоративных внедрений в телекоммуникационном, BFSI, медицинском и автомобильном секторах Азии. Долгосрочные амбиции компании выходят за пределы Индии. Мехротра указала, что целевая аудитория включает людей по всей Азии, Восточной Европе и другим регионам с высоким языковым разнообразием и низкой цифровой грамотностью. Она считает, что люди, которые не умеют печатать на английском или вообще не умеют печатать, все равно могут говорить на своем родном языке, и эти пользователи нуждаются в базовой голосовой инфраструктуре, разработанной специально для них, а не в системах, ориентированных на интерфейсы с преобладанием английского языка и обильной вычислительной мощностью.
Несмотря на развитие технологий искусственного интеллекта, работники продолжают отдавать предпочтение голосовым методам связи, особенно когда требуется быстрое реагирование на возникающие проблемы. Согласно недавнему отчету Mitel под названием «State of Workforce Communication», 79% сотрудников заявили, что ставят голосовую связь в приоритет для оперативного согласования действий, используя мессенджеры или видеосвязь лишь для последующего уточнения.
При выборе способа связи для срочных или критически важных моментов, голос остается самым популярным выбором среди всех возрастных групп. Этот выбор варьируется от 43% среди работников поколения Z до 54% среди представителей бэби-бумеров. Это подчеркивает непреходящую значимость коммуникации в реальном времени в рабочих средах с высокими рисками, где задержки могут негативно сказаться на обслуживании, безопасности или производительности операций.
Исследование, проведенное компанией Vanson Bourne по заказу Mitel, охватило ИТ-руководителей, офисных работников и линейный персонал, чтобы лучше понять эффективность инструментов коммуникации в различных ролях и условиях работы. Особое внимание уделяется тому, что восемь из десяти (80%) работников по всему миру работают на передовой, включая сферы здравоохранения, производства, розничной торговли, гостеприимства, финансовых услуг и государственного сектора, где пробелы в коммуникации могут иметь немедленные и существенные последствия.
По мере модернизации рабочих технологий и внедрения инструментов на базе ИИ, оценка прогресса должна учитывать, насколько эти инвестиции упрощают общение в реальных условиях, соответствуют ли они профилю рабочей силы и способствуют ли достижению желаемого результата непосредственно в точке выполнения задачи.
Многие сотрудники, работающие на передовой, несмотря на свою центральную роль в предоставлении услуг и ведении операций, находятся в коммуникационных средах, которые изначально не были спроектированы для мобильной, чувствительной ко времени и полевой работы. Фактически это часто означает необходимость искать информацию в большем количестве мест и повышенный риск того, что сообщения будут пропущены в самые важные моменты.
Офисные и линейные работники используют в среднем семь каналов связи, что приводит к фрагментации опыта. Это затрудняет поиск нужной информации, контакт с соответствующим лицом или быстрый ответ. Среди линейного персонала 65% отмечают потерю времени из-за переключения между разными инструментами, а 64% сообщают о пропущенных сообщениях из-за их распределения по множеству каналов.
Эти проблемы влияют не только на производительность. Mitel обнаружила, что 70% линейных работников считают, что сложные или ненадежные инструменты связи мешают им предоставлять наилучшую поддержку клиентам, пациентам или заказчикам. Более трети опрошенных утверждают, что проблемы в коммуникации создают риски для безопасности клиентов, пациентов или персонала.
Мартин Битцингер, старший вице-президент по управлению продуктами в Mitel, заявил: «Будущее коммуникаций в рабочей силе не будет исключительно голосовым, но оно должно быть голосовым в первую очередь в те моменты, когда наиболее важна координация в реальном времени». Он добавил, что для работников критически важных отраслей и линейного персонала голос часто является самым быстрым, ясным и надежным способом координации, когда работа не может ждать. Он также отметил, что при модернизации и внедрении ИИ организациям нельзя забывать о создании гибкой инфраструктуры связи, которая поддерживает сотрудников независимо от их роли или функции в выполнении задач и достижении результатов.
Сфера здравоохранения служит ярким примером. В динамичных клинических условиях работникам необходимо быстро координировать действия между командами по уходу, различными локациями и устройствами. Сбои в коммуникации могут привести к задержке помощи в критические моменты, увеличивая время ожидания приема или выписки пациента и снижая способность больницы обслуживать следующих пациентов.
Для руководителей в сфере здравоохранения эти риски не являются абстрактными; они напрямую связаны с удовлетворенностью пациентов, операционными расходами и результатами в области безопасности. Исследование Mitel показало, что здравоохранение является одной из отраслей, где проблемы с коммуникацией с наибольшей вероятностью создают угрозы безопасности, а линейные работники в этой сфере сообщают о самых острых пробелах в учете их потребностей при принятии решений о технологиях и инфраструктуре связи. Эти трудности распространяются и на другие критически важные отрасли, включая производство, финансовые услуги, гостиничный бизнес и розничную торговлю.
Зевс Керравала, основатель и ведущий аналитик ZK Research, подчеркнул: «В кризисной ситуации интерфейс должен исчезнуть. Голос это делает». Он пояснил, что нельзя обучить медсестру или диспетчера ориентироваться в пользовательском интерфейсе под давлением — нужно предоставить канал, который работает в момент необходимости. Именно поэтому голос остается единственной модальностью, которая выдерживает испытание, когда ставки высоки.
Поскольку внедрение ИИ растет во всех сферах бизнеса, голос также становится наиболее естественным и эффективным способом взаимодействия работников с технологиями. Особенно для линейного персонала, голосовой интерфейс ИИ, ориентированный на голос, может повысить принятие пользователями и производительность, сокращая время, затрачиваемое на навигацию по меню, переключение между приложениями или набор текстовых сообщений.
Стратегии развития рабочих технологий не должны рассматривать голос как устаревший или резервный канал; он должен стать неотъемлемой частью современной стратегии коммуникаций. Это позволяет голосу выступать в качестве уровня интерфейса, через который ИИ предоставляет наибольшую ценность тем работникам, которые в ней нуждаются больше всего.
Луиз Домингос, технический директор Mitel, заявил: «ИИ обладает потенциалом кардинально повлиять на тех работников, которые были наименее обеспечены цифровой трансформацией, но мы должны встретиться с ними там, где они находятся». Он заключил, что будь то медсестра в приемном покое или техник в полевых условиях, голосовой ИИ устраняет разрыв так, как это не делала ни одна предыдущая технология. По его мнению, приложение будущего, особенно для линейных работников, — это не чат-окно или панель управления, а диалог.
