Ko'pgina sun'iy intellektli ovoz tizimlari mukammal ingliz tilida gapiruvchilarning nutq namunalari asosida o'qitiladi, bu Hindistondagi haqiqiy vaziyatga kamdan-kam mos keladi. Biroq, psixologik salomatlik masalalari bilan shug'ullanadigan United We Care kompaniyasining asoschilari Ritu Mehrotra va Saurav Bandjopadiya uchun bu bo'shliq aniq bo'ldi.
Foydalanuvchilar ko'pincha jumlalar o'rtasida tillarni almashtirishar edi, turli aksentlarda gapirishar edi, maxsus tibbiyot terminologiyasidan foydalanishar edi va maxfiy ma'lumotlarning uchinchi tomon serverlari orqali uzatilishi haqida xavotirlanishar edi. Shu bilan birga, mavjud ovoz infratuzilmasi bunday talablarga javob bera olmadi.
Mehrotra bozorni o'rganish natijasida hech kim Osiyo bo'ylab nutq naqshlarining xilma-xilligini to'g'ri qayta ishlashga qodir modellar yaratmaganligini tushundi. Ushbu cheklovlarni chetlab o'tish o'rniga, asoschilar zarur infratuzilmani mustaqil ishlab chiqishga qaror qilishdi, bu esa Shunya Labs tashkil etilishiga olib keldi.
Bugungi kunda kompaniya ko'p tilli, aksentli va aralash (code-switched) nutq bilan ishlash uchun mo'ljallangan o'z ovoz AI infratuzilmasini yaratmoqda. Bu texnologiya bank, sog'liqni saqlash, telekommunikatsiya, avtomobilsozlik va elektron tijorat sohalaridagi yirik korporativ mijozlar tomonidan qo'llaniladi, va bular ham qimmatbaho grafik protsessorlar (GPU) talab qiladigan yechimlar emas, balki markaziy protsessorlar (CPU) ustida amalga oshiriladi.
Shunya Labs o'z ovoz AI stekini boshidan qurdi. Platforma uchta asosiy komponentdan iborat: nutqni matnga aylantirish (speech-to-text) modellar, kontekst va xotira hisobga olingan ma'lumotlarni qayta ishlash uchun orkestratsiya qatlami va javoblarni ovoz chiqarish uchun matndan nutqqa aylantirish (text-to-speech) modeli.
Kompaniya bu butun stek telefon, avtomobil yoki kompaniyaning o'z serverlari ishlatilishi holatidan qat'i nazar, hatto internetga ulanmagan holda ham CPU da ishlashiga qodir ekanligini ta'kidlaydi. Bu joylashtirish xarajatlarini singari yetkazib beruvchilarga nisbatan taxminan yigirma qismga kamaytirish imkonini beradi, shu bilan birga 55 ta hindiston tillari kiritilgan 220 dan ortiq tillarni qo'llab-quvvatlaydi.
Modellar maxfiy hisoblanadi, ammo korporativ buyurtmacilar biznes uchun xos lug'at, mahsulot nomlari, telekommunikatsiya rejasi terminlari, farmatsevtik nomlar va bank mahsulotlari kataloglari asosida o'qitiladigan qo'shimcha sozlash qatlamini oladi. Bunday maxsus modelni yaratish uchun GPU da taxminan 40 soat, yangi til qo'shish esa taxminan 100 soat talab qiladi, bu sanoat standartidan sezilarli darajada kamroqdir (10 000 soat).
Audio signali transkripsiya dvigateli ichiga kirishidan oldin, patentlangan shovqinni yo'qotuvchi fon shovqinini yo'q qiladi, boshqa bir vosita esa ovoz balandligi, chastota va buzilishlarni tuzatadi. Tizim noaniq tovush sifati sharoitida, masalan, call-markazlarida yoki lapangan yozuvlarida ishlash uchun mo'ljallangan.
Transkripsiyadan tashqari, platforma kayfiyatni tahlil qilish, hissiyotlarni kuzatish, maqsadni aniqlash va gapiruvchini identifikatsiya qilish kabi funksiyalarni taqdim etadi. Mehrotra Shunya ning Hinglish modeli real vaqt rejimida aralash tilli tokenlarni chiqarishi mumkinligini ta'kidladi, foydalanuvchilarni bitta til bilan cheklanishga majburlamaydi.
2026-yil fevral oyida kompaniya New-Delhi shahridagi India AI Impact Summitda 55 ta hindiston tilini qamrab oluvchi ochiq og'irlikdagi real vaqt tarjima tizimi bo'lgan Vāķni taqdim etdi. Vāķ Nasscom bilan birgalikda ishlab chiqilgan bo'lib, unga Shunya ning GenAI kohortasi kiradi. Tizim boshlanishdan oxirigacha 1,5 sekunddan kam kechikishni ta'minlaydi, oldindan o'qitishsiz ovozni klonlashni (zero-shot voice cloning) qo'llab-quvvatlaydi va o'zining Zero Suite platformasida ishlaydi. Modellar og'irligi Hugging Face da mavjud.
Bandjopadiya Vāķni «suveren, o'z mablag'ini ta'minlaydigan innovatsiya» deb ta'riflab, maqsad har bir ishlab chiquvchi yaratishi, har bir hukumat joriy etishi va har bir hindistonlik o'z ona tilida eshitilishi ekanligini qo'shimcha qildi.
Shunya faqat yirik korporativ mijozlar bilan hamkorlik qiladi. Sotuv jarayoni uch bosqichdan iborat: maxfiylik to'g'risidagi kelishuv (NDA) ostida konsepsiyaviy isbot (proof of concept), bitta mintaqa va bitta tilda pilot sinov va nihoyat, doimiy shartnomaga o'tishgacha odatda olti tortiz sakkiz oy davom etadigan keng miqyosli joriy etish.
Yaqinda kompaniya siyosatini o'zgartirib, konsepsiyaviy isbot bosqichini pullik qildi. Narx siyosati uch bosqichli model bo'yicha amalga oshirilgan. Muqobil ishlab chiquvchilar platformadan bepul foydalanishi yoki 500 AQSh dollaridan boshlab oldindan to'langan foydalanish kreditlarini sotib olishi mumkin. Korporativ mijozlar individual narxlarni, mustaqil hosting opsiyalarini, ajratilgan xizmat darajasi kelishuvlarini (SLA) va yuqori parallelizm bilan qo'llab-quvohnishni oladi.
Kompaniya ma'lumotlariga ko'ra, speech-to-text, LLM va text-to-speech ni birlashtirgan tipik ovoz agenti ish vaqti uchun taxminan 0,0154 AQSh dollari turadi. Mehrotra kompaniyaning daromadlari so'nggi uch oy davomida har oy ikki baravar oshganini, platformadan foydalanish esa shu davrda 6-8 barobar oshganini ma'lum qildi.
Kompaniya shuningdek, Hugging Face dagi turli jamoat benchmarklarida, jumladan moliyaviy, TED Talks va yevropa til ma'lumotlar to'plamlari bo'yicha avtomatik nutqni tanishning yuqori ko'rsatkichlarini ko'rsatishini bildiradi, bu yerda uning modellari Nvidia va Meta takliflaridan ustun keldi. Ko'rsatilgan metrikalar orasida, Zero STT Med ko'p gapiruvchilar bilan shovqinli tibbiy audio bilan ishlayotganda 11,1% so'z xatoligi va 5,1% belgi xatoligi chastotasini namoyish etadi. Zero Tinny ONNX 3,10% so'z xatoligi chastotasini, Zero STT Indic esa hindiston nutqi uchun keyingi eng yaxshi modelga qaraganda 200% yuqori aniqlikni e'lon qiladi.
Platforma ISO 27001 standarti bo'yicha sertifikatlangan, HIPAA va GDPR talablariga javob beradi va bulutli, chekka (edge) yoki mahalliy (on-premise) muhitlarda joylashtirilishi mumkin. Shunya ning mijozlar bazasi telekommunikatsiya, bank sektori va moliyaviy xizmatlar, sog'liqni saqlash, avtomobil sanoati va elektron tijoratni qamrab oladi. Mijozlar orasida Panasonic, NASSCOM, AQShdagi Gomotto, Avstraliyadagi OMG Pharma va Hindistondagi ZET bor.
Bank sohasida platforma KYC tasdiqlash, to'lovlarni eslatish va qo'ng'iroq paytida tilni almashtirish uchun ishlatiladi. Sog'liqni saqlashda u klinik suhbatlarni real vaqtda transkriptiya qiladi, shifokor va bemor ovozlarini ajratib, ma'lumotlarni mahalliy saqlagan holda elektron tibbiy kartalar uchun natijalarni tuzadi. Call-markazlar platformadan jonli transkripsiya va agentlarga real vaqtda yordam olish uchun foydalanadilar. Avtomobil sanoatida modellar tarmoq ulanishi shart bo'lmagan axborot-ko'ngil ochish tizimlarida ishlaydi. Elektron tijorat mijozlari ushbu texnologiyadan og'zaki so'rovlarni tegishli qidiruv natijalariga aylantirish uchun foydalanadilar, bu Shunya uni ovozli maqsad (voice-to-intent) deb ataydi.
Kompaniyaning ishi 12 ta patent bilan mustahkamlanadi, ular klinik tarjima, halüsinatsiyalarni yumshatish va matnni hissiyotlarga xaritalashtirish kabi sohalarni qamrab oladi. Bundan tashqari, 18 dan ortiq hakimli maqolalar chop etilgan va kompaniya 23 ta jahon rekordiga ega. Ko'pgina modellar Hugging Face da ochiq kod sifatida mavjud.
Grand View Research ma'lumotlariga ko'ra, Hindistondagi suhbat AI bozori 2033 yilga 3,7 milliard dollarga yetishi prognoz qilinmoqda, bu 2026 yildan boshlab 26,4% o'sish sur'atini ko'rsatadi. Bozorda allaqachon Sarvam, Gnani.ai va Yellow.ai kabi o'yinchilar mavjud, ular ovoz AI ekotizimining turli darajalarida ishlaydi.
Shunya pre-seed va seed bosqichlarida taxminan 5,5 million dollar jalb qildi va keyingi uch-to'rt oy ichida A seriyasi turini o'tkazishni rejalashtirmoqda. Biroq, hozirgi ustuvor vazifa foyda keltirishga erishishdir. Mehrotra keyingi olti-sakkiz oy ichida asosiy vazifa daromadlar infratuzilmasini yaratishga e'tibor qaratish va xarajat samaradorligini saqlash orqali ijobiy P&L ko'rsatkichiga erishish ekanligini ma'lum qildi.
Kompaniya «yoqish va kengaytirish» strategiyasiga amal qilmaydi, balki Osiyo miqyosidagi telekommunikatsiya, BFSI, tibbiyot va avtomobil sektorlaridagi korporativ joriy etishlar orqali barqaror muntazam daromad qurishga e'tibor qaratadi. Kompaniyaning uzoq muddatli ambitsiyalari Hindiston chegaralaridan tashqariga cho'zilgan. Mehrotra maqsadli auditoriyaga Osiyo, Yevropa Sharq va yuqori til xilma-xilligi va past raqamli savodxonlikka ega boshqa mintaqalardagi odamlarni kiritishini ko'rsatdi. U aytadiki, ingliz tilida yozishni bilmaydigan yoki umuman yozishni bilmaydigan odamlar ham o'z ona tilida gapira oladilar va ularga ingliz tiliga moyil va katta hisoblash quvvati talab qiladigan tizimlar emas, balki aynan ular uchun ishlab chiqilgan asosiy ovoz infratuzilmasi kerak.
Sun'iy intellekt texnologiyalari rivojlanayotganiga qaramay, xodimlar ayniqsa muammolar yuzaga kelganda tezkor reaksiyani talab qilganda, ovozli aloqa usullarini afzal ko'rmoqda. Mitelning "Ishchi kuchi aloqasi holati" nomli yaqinda chiqqan hisoboti ma'lumot berishicha, xodimlarning 79% operativ harakatlarni muvofiqlashtirish uchun ovozli aloqani ustuvor deb bilishadi va faqat keyinchalik aniqlash uchun messenjerlar yoki video aloqadan foydalanadilar.
Shoshilinch yoki tanqidiy muhim vaqtlar uchun aloqa usulini tanlashda, barcha yosh guruhlari orasida ovoz eng mashhur tanlov bo'lib qolmoqda. Bu tanlov Z avlod ishchilari orasida 43% dan boshlab, baby-boomer vakillari orasida 54% gacha o'zgaradi. Bu yuqori xavfli ish muhitlarida real vaqt rejimida aloqaning abadiy ahamiyatini ta'kidlaydi, bu yerda kechikish xizmat ko'rsatishga, xavfsizlikka yoki operatsiyalar samaradorligiga salbiy ta'sir ko'rsatishi mumkin.
Mitel buyurtmasi bilan Vanson Bourne tomonidan o'tkazilgan tadqiqot IT rahbariyatiga, ofis xodimlariga va liniya xodimlariga yo'naltirilgan bo'lib, turli rollar va ish sharoitlarida aloqa vositalarining samaradorligini yaxshiroq tushunish maqsadida amalga oshirildi. Ayniqsa, dunyo bo'ylab xodimlarning sakkizdan biri (80%) sog'liqni saqlash, ishlab chiqarish, chakana savdo, mehmonxona, moliyaviy xizmatlar va davlat sektori kabi old safda ishlaydi, bu yerlarda aloqadagi bo'shliqlar darhol va sezilarli oqibatlarga olib kelishi mumkin.
Ish texnologiyalari modernizatsiya qilinayotgani va sun'iy intellektga asoslangan vositalar joriy etilayotgani sari, taraqqiyot baholanishi bu investitsiyalar real sharoitlarda muloqotni qanchalik soddalashtirayotganini, ular ishchi kuchi profili bilan mos kelishini va vazifa bajarilish nuqtasida istalgan natijaga erishishga yordam berishini hisobga olishi kerak.
Old safda ishlaydigan ko'plab xodimlar, xizmat ko'rsatish va operatsiyalarni olib borishdagi markaziy roliga qaramay, dastlab mobil, vaqtga sezgir va maydon ishi uchun mo'ljallanmagan aloqa muhitlarida joylashgan. Aslida, bu ko'pincha ma'lumotni ko'proq joylarda izlash va xabarlar eng muhim paytlarda o'tkazib yuborilishi xavfi oshishi degan ma'noni anglatadi.
Ofis va liniya xodimlari o'rtacha yetti aloqa kanalidan foydalanadilar, bu esa tajribaning parchalanib ketishiga olib keladi. Bu kerakli ma'lumotni topishni, tegishli shaxs bilan bog'lanishni yoki tez javob berishni qiyinlashtiradi. Liniya xodimlarining 65% turli vositalar orasida almashtirish tufayli vaqt yo'qotishini qayd etishadi, 64% esa xabarlarning ko'plab kanallar bo'ylab tarqalishi tufayli o'tkazib yuborilganligini bildiradi.
Bu muammolar nafaqat samaradorlikka ta'sir qiladi. Mitel 70% liniya xodimlarining murakkab yoki ishonchsiz aloqa vositalari mijozlarga, bemorlarga yoki buyurtmalarga eng yaxshi yordam ko'rsatishga to'sqinlik qilayotgan deb hisoblayotganini aniqladi. So'rovnomada uchdan ortiq xodimlar aloqadagi muammolar mijozlar, bemorlar yoki xodimlar xavfsizligi uchun xavf tug'dirishini ta'kidlaydi.
Mitelning mahsulotlarni boshqarish bo'yicha bosh vitse-prezidenti Martin Bitzinger quyidagicha bayon etdi: "Ishchi kuchi aloqaning kelajagi faqat ovozli bo'lmaydi, lekin u real vaqt rejimida koordinatsiya eng muhim bo'lgan paytlarda birinchi navbatda ovozli bo'lishi kerak." U qo'shimcha qilib, tanqidiy sanoatlardagi va liniya xodimlar uchun ovoz ko'pincha ish kutib turmasligi kerak bo'lgan vaziyatlarda eng tez, aniq va ishonchli koordinatsiya usuli ekanligini ta'kidladi. Shuningdek, u AI ni modernizatsiya va joriy etishda tashkilotlar xodimlarining roli yoki vazifasi qanday bo'lishidan qat'i nazar ularni qo'llab-quvvatlaydigan moslashuvchan aloqa infratuzilmasini yaratishni unutmamasligi kerakligini ta'kidladi.
Sog'liqni saqlash sohasi yorqin misol bo'lib xizmat qiladi. Dinamik klinik sharoitlarda xodimlarga parvarish jamoalari, turli joylar va qurilmalar o'rtasida harakatlarni tezkor muvofiqlashtirish zarur. Aloqadagi uzilishlar tanqidiy paytlarda yordam kechikishiga, bemorni qabul qilish yoki chiqarish kutish vaqtini oshirishga va kasalxonaning keyingi bemorlarni xizmat ko'rsatish qobiliyatini pasaytirishga olib kelishi mumkin.
Sog'liqni saqlash sohasidagi rahbariyat uchun bu xatarlar abstrakt emas; ular bevosita bemorlar qoniqishi, operatsion xarajatlar va xavfsizlik natijalari bilan bog'liq. Mitel tadqiqoti sog'liqni saqlashning aloqadagi muammolar xavfsizlik tahdidlarini keltirib chiqarish ehtimoli eng yuqori bo'lgan sohalardan biri ekanligini ko'rsatdi, va shu sohadagi liniya xodimlari texnologiya va aloqa infratuzilmasi haqidagi qarorlar qabul qilinishda o'z ehtiyojlari hisobga olinmagan eng keskin kamchiliklarni bildirmoqda. Bu qiyinchiliklar ishlab chiqarish, moliyaviy xizmatlar, mehmonxona va chakana savdo kabi boshqa muhim sanoatlarga ham tarqaladi.
ZK Research asoschisi va bosh tahlilchisi Zeus Kerravala ta'kidladi: "Inqiroz holatida interfeys yo'qolishi kerak. Ovoz buni amalga oshiradi." U tushuntirdi, shunchaki hamshira yoki dispetcherga bosim ostida foydalanuvchi interfeysi bilan ishlashni o'rgatib bo'lmaydi - ehtiyoj tug'ilganda ishlaydigan kanal taqdim etilishi kerak. Shu sababli, stavkalar yuqori bo'lganda sinovdan o'tadigan yagona modalitet ovoz bo'lib qoladi.
AI ning biznesning barcha sohalariga joriy etilishi ortib borayotganligi sababli, ovoz ham xodimlarning texnologiyalar bilan o'zaro aloqasi uchun eng tabiiy va samarali usulga aylanmoqda. Ayniqsa, liniya xodimlari uchun ovozga yo'naltirilgan AI ovozli interfeysi foydalanuvchilar tomonidan qabul qilinishni va samaradorlikni oshirishi mumkin, menyu bo'ylab navigatsiya qilish, ilovalar orasida almashish yoki matnli xabar yozish uchun sarflanadigan vaqtni qisqartiradi.
Ish texnologiyalarini rivojlantirish strategiyalari ovozni eskirgan yoki zaxira kanal sifatida ko'rmasligi kerak; u zamonaviy aloqa strategiyasining ajralmas qismi bo'lishi kerak. Bu ovozga AI eng ko'p ehtiyoj sezadigan xodimlarga eng katta qiymatni taqdim etadigan interfeys darajasi sifatida xizmat qilish imkonini beradi.
Mitel texnik direktori Luis Domingos shunday dedi: "AI eng kam raqamli transformatsiya bilan ta'minlangan xodimlarga kardinal ta'sir ko'rsatish potentsialiga ega, ammo biz ularga ular mavjud bo'lgan joyda uchrashishimiz kerak." U xulosa qilib, bu qabul qilish xonasidagi hamshira yoki maydondagi texnik bo'lishidan qat'i nazar, ovozli AI avvalgi hech bir texnologiya qilmaganidek tafovutni bartaraf etadi. Uning fikricha, kelajakdagi ilova, ayniqsa liniya xodimlari uchun, chat oynasi yoki boshqaruv paneli emas, balki dialogdir.
