चित्रण: tuput
हिन्दी
बेंगलुरु की सर्वम AI ने 25 सितंबर 2026 को सारस V4 स्पीच रिकग्निशन मॉडल और 13 अक्टूबर को बुलबुल V4 फ़्लैश टेक्स्ट-टू-स्पीच मॉडल जारी किया। सारस V4 22 अनुसूचित भाषाओं और अंग्रेज़ी को समेटता है, और बुलबुल V4 फ़्लैश की क़ीमत 10,000 अक्षरों पर 20 रुपये है, जो उसके पिछले मॉडल से एक तिहाई कम है। ज़्यादातर स्कोर सर्वम के अपने हैं, और कई के पीछे AI4Bharat के सार्वजनिक टेस्ट सेट हैं।
बेंगलुरु की कंपनी सर्वम AI ने तीन हफ़्तों के भीतर दो वॉइस मॉडल जारी किए। सारस V4, जो 25 सितंबर 2026 को घोषित हुआ, सभी 22 अनुसूचित भारतीय भाषाओं और अंग्रेज़ी में बोली गई बात को पाठ में बदलता है। बुलबुल V4 फ़्लैश, जो 13 अक्टूबर को घोषित हुआ, पाठ को आवाज़ में बदलता है और, सर्वम के अनुसार, 250 मिलीसेकंड से कम में पहली ध्वनि बजाता है, 10,000 अक्षरों के लिए 20 रुपये की क़ीमत पर। दोनों मिलकर फ़ोन पर चलने वाले वॉइस एजेंट के सुनने और बोलने, दोनों हिस्सों को ढकते हैं, यानी ऐसा प्रोग्राम जो किसी ग्राहक से हिंदी, तमिल या बंगाली में बात करता है।
सारस V4 एक ही बोली के पांच रूप देता है
एक ऑडियो एनकोडर 3 अरब पैरामीटर (किसी मॉडल के भीतर के समायोज्य अंक) वाले भाषा मॉडल को खिलाता है, जिसे सर्वम के अनुसार उसने ख़ुद शुरू से अपने यहां प्रशिक्षित किया। उसका डिकोडर एक हाइब्रिड स्टेट-स्पेस मॉडल है, जो ज़्यादातर बड़े भाषा मॉडलों में इस्तेमाल होने वाली अटेंशन परतों का विकल्प है। दोनों के बीच का एक चरण ऑडियो की कड़ी को छोटा करता है ताकि लंबी रिकॉर्डिंग डिकोडर की कार्यशील स्मृति में समा सकें।
सर्वम का ज़ोर आउटपुट पर है। एक ही रिकॉर्डिंग से मॉडल पांच तरह का पाठ लौटा सकता है, और लॉन्च पोस्ट उन्हें T20 बल्लेबाज़ी के बारे में एक ही हिंदी वाक्य पर दिखाती है।
| मोड | क्या लौटाता है |
|---|---|
| transcribe | मूल लिपि में, संख्याएं और तारीख़ें सामान्य रूप में |
| codemix | transcribe जैसा, पर अंग्रेज़ी शब्द अंग्रेज़ी अक्षरों में ही रहते हैं |
| translit | पूरा वाक्य अंग्रेज़ी अक्षरों में, जिसे पोस्ट के अनुसार बोलचाल में “WhatsApp भाषा” कहा जाता है |
| translate | अंग्रेज़ी अनुवाद |
| verbatim | हर शब्द जैसा बोला गया, इसलिए “T20” हिंदी के उन शब्दों में आता है जो “टी ट्वेंटी” पढ़े जाते हैं |
चूंकि पांचों एक ही मॉडल से आते हैं, सर्वम के अनुसार किसी अतिरिक्त प्रोसेसिंग चरण की ज़रूरत नहीं, और इसलिए ऐसा कोई चरण भी नहीं जिसमें त्रुटियां जमा हो सकें। डेवलपर दस्तावेज़ यही मोड गिनाते हैं और सारस V4 को डिफ़ॉल्ट मॉडल बताते हैं। वह भारतीय अंग्रेज़ी के साथ दुनिया भर के अंग्रेज़ी लहजों की पहचान भी जोड़ता है, और कीटर्म प्रॉम्प्टिंग का वर्णन करता है, जिसमें डेवलपर 50 तक नाम या तकनीकी शब्द देता है ताकि पहचान उनकी ओर झुके। यह सुविधा सिंक्रोनस और बैच इंटरफ़ेस पर चलती है, स्ट्रीमिंग पर नहीं।
पोस्ट के अनुसार, AI4Bharat के IndicVoices सेट की सत्यापित बोलियों पर भाषा पहचान की त्रुटि सभी 22 भाषाओं में 5.22% है और सबसे ज़्यादा बोली जाने वाली दस भाषाओं में 2.9%। लाइव इस्तेमाल के लिए स्ट्रीमिंग में पहले टोकन का समय 150 मिलीसेकंड से कम बताया गया है। 30 सेकंड से छोटी क्लिपें सिंक्रोनस इंटरफ़ेस से जाती हैं, और बैच इंटरफ़ेस दो घंटे तक की फ़ाइलें लेता है, वक्ता-लेबल के विकल्प के साथ। Business Standard ने 25 सितंबर को लॉन्च की रिपोर्ट दी और सर्वम के आंकड़े दोहराए। भारतीय स्पीच मॉडलों पर tuput की एक पिछली राउंडअप V4 के IndicContextEval नतीजे और सारस V3 के स्कोर को समेटती है, इसलिए वे यहां नहीं दोहराए गए।
बुलबुल V4 फ़्लैश रफ़्तार और क़ीमत के लिए बना है
13 अक्टूबर की अपनी पोस्ट में सर्वम कहता है कि फ़्लैश प्रोडक्शन में अनुरोध से पहली आवाज़ तक 250 मिलीसेकंड से कम देता है और तुलनीय भार में बुलबुल V3 से 40% तक तेज़ चलता है। क़ीमत 10,000 अक्षरों पर 20 रुपये है, जबकि V3 की 30 रुपये, और 12 नवंबर 2026 को पढ़ा गया क़ीमत का पन्ना वही दरें 1,000 अक्षरों पर 2.00 और 3.00 रुपये दिखाता है। Analytics India Magazine ने 14 अक्टूबर को मेल खाते आंकड़ों के साथ लॉन्च की रिपोर्ट दी।
सर्वम गुणवत्ता के दो कारण देता है। वह कहता है कि उसने अपना स्पीच डेटा V3 के मुक़ाबले लगभग सात गुना बढ़ाया और मॉडल को शुरू से प्री-ट्रेन किया, जिसमें भारतीय भाषाओं का प्रतिनिधित्व एक मुख्य लक्ष्य था। उसके शोध संस्करण, जो 400 अरब से ज़्यादा ऑडियो टोकन (ध्वनि के छोटे टुकड़े, जैसे पाठ मॉडल शब्दों के टुकड़े इस्तेमाल करते हैं) पर प्रशिक्षित हुए, उस पैमाने पर भी सुधरते रहे, और फ़्लैश उनसे सीखे ज्ञान से बनाया गया एक छोटा मॉडल है।
दूसरा ज़ोर संख्याओं और नामों को सही पढ़ने पर है। एक टेक्स्ट नॉर्मलाइज़ेशन परत हर चीज़ को संदर्भ में पढ़ती है और तय करती है कि वह कैसे बोली जाएगी: ISRO एक शब्द की तरह, EMI अक्षर-अक्षर, PAN एक शब्द की तरह, आधार अपने जाने-पहचाने उच्चारण में। पोस्ट के डेमो में रेल हेल्पलाइन की एक कॉल और एक लोन रिमाइंडर शामिल हैं, जिनमें PNR नंबर, ट्रेन नंबर, रक़में और तारीख़ें हैं। फ़्लैश 83 आवाज़ों और 224 आवाज़-और-शैली संयोजनों के साथ लॉन्च हुआ, जो ग्राहक सेवा, बिक्री, वसूली, बैंकिंग, ई-कॉमर्स और शिक्षा को ढकते हैं, और यह सर्वम API, उसके प्लेग्राउंड और कंटेंट स्टूडियो पर चलता है।
सर्वम के अपने पन्ने भाषाओं की गिनती पर अलग हैं। लॉन्च पोस्ट और Analytics India Magazine 11 भाषाएं कहते हैं। डेवलपर दस्तावेज़, जो 12 नवंबर को पढ़े गए, कहते हैं कि फ़्लैश की आवाज़ सूची में हिंदी, अंग्रेज़ी, अंग्रेज़ी और हिंदी की मिली-जुली शैली, बंगाली, गुजराती, कन्नड़, मराठी, पंजाबी, तमिल और तेलुगु हैं, और मलयालम व ओड़िया, जो बुलबुल V3 में हैं, अभी फ़्लैश पर नहीं हैं। वे 222 वॉइस ID भी गिनते हैं, जहां पोस्ट 83 आवाज़ें और 224 संयोजन गिनती है। सर्वम किसी भी फ़र्क़ की व्याख्या नहीं करता।
सर्वम और AI4Bharat क्यों कहते हैं कि शब्द-त्रुटि दर भारतीय बोली को ग़लत नापती है
स्पीच के स्कोर आम तौर पर शब्द-त्रुटि दर (WER) इस्तेमाल करते हैं, यानी वे शब्द जो इंसानी ट्रांसक्रिप्ट से अलग हैं, उनका हिस्सा। सर्वम की 2 अप्रैल 2026 की पोस्ट तर्क देती है कि WER, कैरेक्टर एरर रेट और BLEU मुख्य रूप से अंग्रेज़ी के लिए बने थे, जहां हर शब्द की एक मान्य वर्तनी होती है। वह दो काम की मिसालें देती है।
पहली में, एक वक्ता “वे साथ काम करते हैं” के अर्थ का एक बोलचाल का तमिल वाक्य कहता है, और सिस्टम उसे बोलचाल के उस रूप में लिखता है जहां संदर्भ में औपचारिक रूप है। पांच में से चार शब्द ग़लत गिने जाते हैं, यानी 80% WER, हालांकि पोस्ट के अनुसार मूल भाषी को एकदम सही ट्रांसक्रिप्ट सुनाई देता है। दूसरी में, एक हिंदी वाक्य में “doctor” संदर्भ में अंग्रेज़ी अक्षरों में है और आउटपुट में देवनागरी में। पांच में से एक शब्द ग़लत गिना जाता है, 20%, जबकि अर्थ एक ही है। पोस्ट जोड़ती है कि मिली-जुली हिंदी संभालने वाला बैंक बॉट, जिसमें अकाउंट, बैलेंस और ट्रांसफ़र जैसे उधार के शब्द होते हैं, असल से 15% ख़राब दिख सकता है।
सर्वम का इलाज स्कोरों का एक परतदार समूह है। LLM-WER सामान्य तुलना चलाता है, फिर एक भाषा मॉडल से पूछता है कि हर बेमेल हिस्से का अर्थ वही है या वह वैसा ही सुनाई देता है, और अनिश्चित होने पर “अलग” को डिफ़ॉल्ट मानता है। इंटेंट स्कोर किसी अनुवाद को 1 या 0 देता है कि उसका मूल अर्थ बचा या नहीं। एंटिटी प्रिज़र्वेशन स्कोर नामों, संख्याओं और तारीख़ों का वह हिस्सा गिनता है जो ठीक से आ गया, और पोस्ट बैंकिंग, चिकित्सा या नेविगेशन के उपयोग के लिए कम से कम 0.95 की सिफ़ारिश करती है। जज Google के Vertex AI के ज़रिये Gemini है, और सर्वम ने कोड GitHub पर प्रकाशित किया है। पोस्ट ख़ुद कहती है कि वह इस तरीके को Indic ASR मूल्यांकन का “अंतिम शब्द” नहीं मानती।
दूसरे शोधकर्ता भी यह चिंता साझा करते हैं। AI4Bharat, IIT मद्रास की वह प्रयोगशाला जो IndicVoices और Vistaar टेस्ट सेटों के पीछे है, ने मार्च 2026 में ICASSP 2026 के लिए वर्तनी-सजग WER पर एक पेपर प्रकाशित किया। वह बताता है कि मान्य वर्तनी रूपों को अनुमति देने से त्रुटि दरें औसतन 6.3 अंक घटीं और दो सिस्टमों के बीच का अंतर 18.1 से 11.5 अंक रह गया।
संख्याओं के पीछे के सार्वजनिक टेस्ट
सर्वम की पोस्टों में नामित कई टेस्ट कंपनी के बाहर बने थे। AI4Bharat का Vistaar, जो 2023 का है, भारतीय भाषाओं और क्षेत्रों में 59 बेंचमार्क जुटाता है, और उसके लेखकों ने Whisper मॉडलों को फ़ाइन-ट्यून करके IndicWhisper बनाया, जिसने 59 में से 39 पर सबसे कम WER पाया। IndicVoices, जो 2024 का डेटासेट है, 145 ज़िलों के 16,237 वक्ताओं की 7,348 घंटे की बोली रखता है, सभी 22 भाषाओं में, जिनमें से पेपर आने के समय 1,639 घंटे ट्रांसक्राइब हुए थे। Vistaar के लिए, सारस V4 की पोस्ट दस भाषाओं में नतीजे WER और LLM-WER दोनों में बताती है, और आंकड़े सिर्फ़ चार्ट के रूप में दिखते हैं।
अंग्रेज़ी की तरफ़, पोस्ट के अनुसार सात में से छह टेस्ट सेट Hugging Face के Open ASR Leaderboard से जैसे प्रकाशित हैं वैसे ही लिए गए हैं। सातवां AI4Bharat का Svarah सेट है, जो भारतीय लहजे की अंग्रेज़ी का है, और नॉर्मलाइज़ेशन और स्कोरिंग लीडरबोर्ड के कोड का अनुसरण करते हैं। उस लीडरबोर्ड का पेपर 12 डेटासेटों पर 86 सिस्टमों की दोहराई जा सकने वाली तुलना बताता है।
कीटर्म का आंकड़ा IndicContextEval पर टिका है, जो AI4Bharat और सर्वम AI के शोधकर्ताओं का है और Interspeech 2026 में स्वीकृत हुआ। उसमें 8 भाषाओं और 23 पेशेवर क्षेत्रों में 555 वक्ताओं की 56 घंटे की बोली है, जिसे जोड़े गए संदर्भ के सात स्तरों पर परखा गया। सर्वम कहता है कि मूल लिपि में मुख्य शब्दों की सूची देने पर सारस V4 सबसे कम WER, 16.03%, तक पहुंचता है। 17 जून को जमा हुआ पेपर, V4 की घोषणा से तीन महीने पहले, इसके बजाय Sarvam Audio को परखता है और उस स्तर पर उसके लिए 15.70% बताता है, जबकि Gemini 3 Flash के लिए 17.46% और GPT-4o Transcribe के लिए 26.04%। ये अलग-अलग मॉडल हैं, और V4 की पोस्ट नहीं बताती कि उसके परीक्षण में वही आठ भाषाएं थीं या नहीं।
जो अभी दिखाया नहीं गया है
12 नवंबर 2026 तक tuput को सर्वम की पोस्ट के पाठ में सारस V4 के लिए डेटासेट-वार कोई तालिका पढ़ने को नहीं मिली, जो ElevenLabs Scribe v2, Deepgram Nova3 और GPT-4o Transcribe के नमूना आउटपुट दिखाती है पर उनके स्कोर नहीं छापती। सभी 22 भाषाओं में शीर्ष नतीजों का दावा इसलिए सर्वम का अपना है। बुलबुल V3 के लिए सर्वम ने Josh Talks का चलाया एक ब्लाइंड सुनने का अध्ययन बताया, जिसे वह स्वतंत्र कहता है, हर भाषा में 50 से 70 एनोटेटरों के साथ, और उस अध्ययन में फ़ुल-बैंड ऑडियो गुणवत्ता पर ElevenLabs v3 alpha आगे था। V4 फ़्लैश की पोस्ट कोई सुनने का स्कोर नहीं देती।
सर्वम के पन्ने 3 रुपये प्रति मिनट से वॉइस एजेंट का भी विज्ञापन करते हैं, मॉडलों समेत। यह स्पीच मॉडलों से अलग उत्पाद है, और क़ीमत का पन्ना अपने पे-एज़-यू-गो प्लान पर स्पीच-टू-टेक्स्ट 0.49 रुपये प्रति मिनट गिनाता है।
सर्वम IndiaAI मिशन के तहत चुनी गई बारह टीमों में से एक है, और 13 फ़रवरी 2026 का PIB अनुलग्नक उसके लिए 246.72 करोड़ रुपये का कंप्यूट सहयोग गिनाता है, जबकि मिशन के कंप्यूट और मॉडल एक अलग लेख में समेटे गए हैं। किसी भी स्पीच पोस्ट में यह नहीं कहा गया कि वॉइस मॉडलों ने मिशन का कंप्यूट इस्तेमाल किया। भाषिणी और AI4Bharat उन्हीं 22 भाषाओं के लिए सार्वजनिक स्पीच टूल देते हैं, जो संविधान की आठवीं अनुसूची की भाषाएं हैं, और जिन्हें हमारी 22 भाषाओं की व्याख्या में बताया गया है।
बुलबुल V4 प्रो, जिसे सर्वम ने एक बड़े मॉडल के रूप में पूर्वावलोकित किया जो हंस, आह भर और फुसफुसा सकता है, की 12 नवंबर 2026 तक कोई घोषित रिलीज़ तारीख़ या क़ीमत नहीं है।
स्रोत और आगे पढ़ने के लिए
- Sarvam AI: Introducing Saaras V4 (25 September 2026)
- Sarvam AI: Introducing Bulbul V4 Flash (13 October 2026)
- Sarvam AI: Evaluating Indian Language ASR (2 April 2026)
- Sarvam AI: Introducing Bulbul V3 (February 2026)
- Sarvam API docs: Saaras speech to text model page (read 12 November 2026)
- Sarvam API docs: Bulbul text to speech model page (read 12 November 2026)
- Sarvam API docs: Text to speech voices and the Bulbul v4 Flash catalogue (read 12 November 2026)
- Sarvam AI: API pricing (read 12 November 2026)
- Business Standard: Saaras V4, Sarvam AI's new speech model can transcribe 22 Indian languages (25 September 2026)
- Analytics India Magazine: Sarvam AI launches Bulbul V4 Flash for real-time speech in 11 Indian languages (14 October 2026)
- arXiv: Vistaar, Diverse Benchmarks and Training Sets for Indian Language ASR (Interspeech 2023)
- arXiv: IndicVoices, Towards building an Inclusive Multilingual Speech Dataset for Indian Languages (4 March 2024)
- arXiv: Towards Orthographically-Informed Evaluation of Speech Recognition Systems for Indian Languages (1 March 2026, ICASSP 2026)
- arXiv: IndicContextEval, a Benchmark for Evaluating Context Utilisation in Audio Large Language Models Across 8 Indic Languages (17 June 2026, Interspeech 2026)
- arXiv: Open ASR Leaderboard, Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation (revised 30 March 2026)
- GitHub: sarvamai/llm_wer, Sarvam's open-source LLM-WER evaluation code
- PIB: IndiaAI Mission progress, with Annexure I of support to foundation model builders (13 February 2026)
- AI4Bharat, IIT Madras: home page and research areas
यह लेख AI उपकरणों की सहायता से शोधित और लिखा गया है, और सटीकता के लिए संपादित किया गया है। यह केवल सामान्य जानकारी और चर्चा के लिए है, पेशेवर सलाह नहीं। हमारे संपादकीय मानक और अस्वीकरण देखें। कोई त्रुटि मिली? हमें बताएँ।
अच्छा लगा? अगला लेख पाएँ।
एक बार में एक अच्छा लेख, सीधे आपके इनबॉक्स में। कोई स्पैम नहीं, जब चाहें अनसब्सक्राइब करें।