భాషిణి 22 భారతీయ భాషల్లో వాయిస్, 36 భాషల్లో టెక్స్ట్ సేవలు అందిస్తోంది, షెడ్యూల్‌లోని మొత్తం 22 భాషల కోసం ఓపెన్ అనువాద మోడల్‌ను ఐఐటీ మద్రాస్‌లోని ఒక ల్యాబ్ తయారుచేసింది

భారత ప్రభుత్వ భాషా వేదిక అయిన భాషిణి, 2026 ఫిబ్రవరి 9 నాటికి 22 భాషల్లో వాయిస్ సేవలను, 36 భాషల్లో టెక్స్ట్ సేవలను అందించింది అని ప్రభుత్వ ప్రెస్ విభాగమైన పత్రికా సమాచార కార్యాలయం (PIB) బ్యాక్‌గ్రౌండర్ చెబుతోంది. ఆ వేదికలో 350కి పైగా AI మోడళ్లు, డేటాసెట్లు ఉన్నాయని, 400 కోట్లకు పైగా, అంటే 4 బిలియన్లకు పైగా భాషా ఇన్ఫరెన్స్‌లు పూర్తయ్యాయని అదే పత్రం చెబుతోంది. ఇన్ఫరెన్స్ అంటే ఒక అభ్యర్థనపై మోడల్‌ను ఒక్కసారి నడపడం.

ఈ వేదికకు అవసరమైన ఓపెన్ డేటాసెట్లు, మోడళ్లు AI4Bharat నుంచి వస్తాయి. ఇది ఇండియన్ ఇన్‌స్టిట్యూట్ ఆఫ్ టెక్నాలజీ (IIT) మద్రాస్‌లోని ల్యాబ్, మిషన్‌కు డేటా మేనేజ్‌మెంట్ యూనిట్‌గా పనిచేస్తోంది. దీని అనువాద మోడల్ IndicTrans2, రాజ్యాంగంలోని ఎనిమిదో షెడ్యూలులో ఉన్న 22 భాషలన్నింటికీ మద్దతు ఇచ్చిన మొదటి మోడల్ అని దాని రచయితలు వివరిస్తున్నారు.

2022 జూలైలో మొదలైన మిషన్

భాషిణి అనేది జాతీయ భాషా అనువాద మిషన్‌కు వాడుక పేరు. ఎలక్ట్రానిక్స్, సమాచార సాంకేతిక మంత్రిత్వ శాఖ (MeitY) దీనిని డిజిటల్ ఇండియా భాషిణి విభాగం ద్వారా నడుపుతోంది, ఈ విభాగాన్ని అధికారిక సైట్ డిజిటల్ ఇండియా కార్పొరేషన్ కింద స్వతంత్ర విభాగంగా చెబుతోంది. PIB 2022 ఆగస్టు ఫ్యాక్ట్‌షీట్‌లో ఈ పేరుకు “BHASa INterface for India” అని విస్తరణ ఇచ్చారు; గాంధీనగర్‌లో డిజిటల్ ఇండియా వీక్ 2022 ప్రారంభోత్సవంలో ప్రధానమంత్రి దీనిని ప్రారంభించారని ఆ ఫ్యాక్ట్‌షీట్ చెబుతోంది. స్వరాజ్య కథనం ఆ తేదీని 2022 జూలై 4గా పేర్కొని, మూడేళ్లకు ₹495.51 కోట్ల కేటాయింపును నివేదించింది.

ఫ్యాక్ట్‌షీట్ మూడు లక్ష్యాలను పేర్కొంది. పౌరులకు ఇంటర్నెట్, డిజిటల్ సేవలు భారతీయ భాషల్లో, వాయిస్ ద్వారా కూడా అందుబాటులోకి రావాలి. భాషా దాన్ అనే క్రౌడ్‌సోర్సింగ్ ప్రయత్నం ప్రజల నుంచి భాషా డేటాను సేకరిస్తుంది. భాషిణి ఒక సమన్వయకర్తగా ప్రభుత్వం, పరిశ్రమ, విద్యా సంస్థలు, స్టార్టప్‌ల సహకారాలను ఒక ఓపెన్ రిపోజిటరీలోకి తెస్తుంది.

2026 ఫిబ్రవరి నాటికి PIB ఈ సేవలను అనువాదం, స్పీచ్-టు-టెక్స్ట్, టెక్స్ట్-టు-స్పీచ్, ట్రాన్స్‌లిటరేషన్ (ఒక పదాన్ని మరొక లిపిలో రాయడం), డాక్యుమెంట్ అండర్‌స్టాండింగ్‌గా వివరించింది. ఇతర వేదికలు భాషా, వాయిస్ ఫీచర్లను మొదటి నుంచి నిర్మించుకోకుండానే జోడించుకోవడమే దీని ఉద్దేశమని దాని మాటల్లోనే ఉంది. PIB 2026 ఫిబ్రవరి 10 బ్యాక్‌గ్రౌండర్‌లో ఈ వేదిక 1.2 మిలియన్ డౌన్‌లోడ్‌లను దాటింది, tuput 2026 అక్టోబర్ 15న చదివినప్పుడు అధికారిక సైట్ 1.4 మిలియన్లకు పైగా మొబైల్ యాప్ డౌన్‌లోడ్‌లను చూపింది. కంప్యూట్ నిధులతో సహా విస్తృత ప్రభుత్వ AI కార్యక్రమం గురించి భారత్ తన సొంత భాషల్లో AI నిర్మించడంపై tuput కథనంలో ఉంది.

ఐఐటీ మద్రాస్‌లోని ల్యాబ్

AI4Bharat తనను ఐఐటీ మద్రాస్‌లోని పరిశోధన ల్యాబ్‌గా చెప్పుకుంటుంది, ఓపెన్ సోర్స్ కృషి ద్వారా భారతీయ భాషల కోసం AI మీద పనిచేస్తుంది. ట్రాన్స్‌లిటరేషన్, భాషా అవగాహన, భాషా ఉత్పత్తి, అనువాదం, స్పీచ్ రికగ్నిషన్, స్పీచ్ సింథసిస్ దాని జాబితాలోని ప్రధాన రంగాలు. హోమ్ పేజీలో పేర్కొన్న నిధుల సంస్థలు MeitY, రోహిణి నీలేకని ఫిలాంత్రపీస్, ఎక్‌స్టెప్ ఫౌండేషన్, C-DAC, మైక్రోసాఫ్ట్, గూగుల్, యోట్టా ఇన్‌ఫ్రాస్ట్రక్చర్.

తన డేటా సేకరణకు MeitY గ్రాంట్లు అందాయని ఆ పేజీ పేర్కొంటోంది, దీనిని భాషిణిలోని డేటా మేనేజ్‌మెంట్ యూనిట్‌లో భాగంగా చెబుతోంది. IndicTrans2 పత్రం కూడా తన కృతజ్ఞతల విభాగంలో అదే చెప్పింది: ఆ ప్రాజెక్టులోని అనువాదకులు, సమీక్షకులు, భాషా నిపుణులకు ఈ పాత్ర కోసం డిజిటల్ ఇండియా భాషిణి మిషన్ ఐఐటీ మద్రాస్‌కు ఇచ్చిన గ్రాంటు మద్దతుగా నిలిచింది.

2023 మార్చిలో ఐఐటీ మద్రాస్ డైరెక్టర్ వి. కామకోటి మనీకంట్రోల్‌తో మాట్లాడుతూ, AI4Bharat లోని నీలేకని సెంటర్ పరిశోధకుల వద్ద భాషిణిలో భాగంగా తొమ్మిది భాషలకు పనిచేసే టెక్స్ట్ అనువాదకం ఉందని చెప్పారు. ఆ కేంద్రం 2022లో నీలేకని ఫిలాంత్రపీస్ ఇచ్చిన ₹36 కోట్ల గ్రాంటుతో మొదలైందని ఆ నివేదిక జతచేసింది.

IndicTrans2, 22 భాషలకూ ఒకే మోడల్

భారతదేశంలో ఎనిమిదో షెడ్యూలులో జాబితా చేసిన 22 షెడ్యూల్డ్ భాషలు ఉన్నాయి, జనాభాలో సుమారు 97 శాతం మంది వాటిలో ఒకదాన్ని మొదటి భాషగా మాట్లాడతారని పత్రం పేర్కొంది. ఆ 22 భాషలను ఎలా ఎంచుకున్నారనే నేపథ్యం కోసం ఎనిమిదో షెడ్యూలుపై tuput వివరణ చూడండి.

IndicTrans2 పత్రం 14 మంది రచయితలది, జయ్ గాలా, ప్రాంజల్ చిటాలే నేతృత్వం వహించారు; ఇది 2023 మే 25న arXivలో పోస్ట్ అయి, 2023 డిసెంబర్‌లో ట్రాన్సాక్షన్స్ ఆన్ మెషిన్ లెర్నింగ్ రిసెర్చ్‌లో ప్రచురితమైంది. ఈ పనికి ముందు 22 భాషలన్నింటినీ కలిపే పేరలెల్ ట్రైనింగ్ డేటా (రెండు భాషల్లో ఒకే వాక్యాలు, మోడల్ వాటి నుంచి నేర్చుకుంటుంది) లేదని, అన్నింటినీ కలిపే బెంచ్‌మార్క్ లేదని, అన్నింటికీ మద్దతు ఇచ్చే అనువాద మోడల్ లేదని దాని సారాంశం చెబుతోంది.

బృందం మూడు వస్తువులను నిర్మించింది. భారత్ పేరలెల్ కార్పస్ కలెక్షన్ (BPCC)లో సుమారు 230 మిలియన్ వాక్య జతలు ఉన్నాయి, వాటిలో 126 మిలియన్లు కొత్తగా చేర్చినవి, అందులో 6,44,000 జతలు మానవులు అనువదించినవి. IN22 అనేది పరీక్షా సెట్, 22 భాషల్లోనూ ఒకే కంటెంట్ ఉన్న మొదటి బెంచ్‌మార్క్ అని రచయితలు చెబుతున్నారు. IndicTrans2కు 1.1 బిలియన్ పారామీటర్లు ఉన్నాయి, సుమారు 211 మిలియన్ పారామీటర్ల డిస్టిల్డ్ వెర్షన్లు కూడా ఉన్నాయి; రెండో వెర్షన్ ఇంగ్లీష్ గుండా వెళ్లకుండా భారతీయ భాషల మధ్య నేరుగా అనువదిస్తుంది, 462 దిశలను కవర్ చేస్తుంది.

నాణ్యత విషయంలో, మెటా ఓపెన్ NLLB మోడల్‌తో, గూగుల్, మైక్రోసాఫ్ట్ వాణిజ్య వ్యవస్థలతో IndicTrans2 సమానంగా పనిచేస్తుందని రచయితలు నివేదిస్తున్నారు; దీనికి BLEU, chrF++, COMET అనే ఆటోమేటిక్ స్కోర్లను వాడారు. ఇవి రచయితల స్వంత మూల్యాంకనాలు. 16 ఏళ్లలో దీర్ఘకాలంగా నడుస్తున్న షేర్డ్ టాస్క్ అయిన వర్క్‌షాప్ ఆన్ మెషిన్ ట్రాన్స్‌లేషన్ మొత్తం 4 భారతీయ భాషలను మాత్రమే కవర్ చేసిందని కూడా పత్రం చెబుతోంది.

మోడళ్లు, డేటా ఓపెన్ లైసెన్సుల కింద విడుదలయ్యాయి. GitHub రిపోజిటరీ మోడల్ చెక్‌పాయింట్లను MIT లైసెన్సు కింద జాబితా చేస్తోంది, దాని విడుదల నోట్లు 2025 జనవరి 18న లాంగ్-కాంటెక్స్ట్ అప్‌డేట్‌ను నమోదు చేశాయి. భారతదేశ AI రిపోజిటరీ AIKosh కూడా డిజిటల్ ఇండియా భాషిణి విభాగాన్ని మూల సంస్థగా చూపుతూ IndicTrans2 ఎంట్రీని జాబితా చేసింది. భాషిణిలోని ఒక నిర్దిష్ట సేవ లోపల ఏ మోడల్ నడుస్తుందో tuput తెరిచిన పేజీల్లో ఏదీ చెప్పదు, కాబట్టి ఈ వ్యాసం అలాంటి వాదన చేయదు.

దాని కింద ఉన్న టెక్స్ట్, స్పీచ్ డేటా

IndicTrans2 అదే బృందం మునుపటి విడుదలల మీద ఆధారపడింది. మొదటిది IndicNLPSuite, 2020 నవంబర్‌లో Findings of EMNLPలో ప్రచురితమైంది. ఇది 11 భాషలు, భారతీయ ఇంగ్లీష్‌లో 8.8 బిలియన్ టోకెన్ల ఏకభాషా టెక్స్ట్‌ను, ఎక్కువగా వార్తా క్రాల్స్ నుంచి తీసుకున్నదాన్ని, కాంపాక్ట్ ALBERT డిజైన్ మీద నిర్మించిన ప్రీ-ట్రైన్డ్ భాషా మోడళ్లను అందించింది.

సుమంత్ దొడ్డపనేని, సహచరులు రాసిన ACL 2023 తర్వాతి పత్రం ఆ కార్పస్‌ను (IndicCorp) 24 భాషల్లో 20.9 బిలియన్ టోకెన్లకు పెంచింది, అంటే మునుపటి పరిమాణానికి సుమారు 2.3 రెట్లు. 20 భాషల్లో తొమ్మిది టాస్క్‌లతో, 105 మూల్యాంకన సెట్లతో (వాటిలో 52 కొత్తవి) కూడిన బెంచ్‌మార్క్ IndicXTREMEను, బలమైన బేస్‌లైన్ కంటే సగటున 2 పాయింట్లు మెరుగుపడుతుందని రచయితలు చెప్పే భాషా మోడల్ IndicBERT v2ను కూడా ఇది పరిచయం చేసింది.

స్పీచ్ విషయంలో, IndicSUPERB పత్రంలోని Kathbath కార్పస్‌లో 203 జిల్లాల నుంచి 1,218 మంది సహకారులు చెప్పిన, 12 భాషల్లో లేబుల్ చేసిన 1,684 గంటల స్పీచ్ ఉంది. 2024 మార్చిలో పోస్ట్ అయిన IndicVoices లో 22 భాషల్లో, 145 జిల్లాల్లోని 16,237 మంది వక్తల నుంచి 7,348 గంటలు ఉన్నాయి, వాటిలో 1,639 గంటలను ట్రాన్స్‌క్రైబ్ చేశారు. అందులో చదివిన టెక్స్ట్ 9 శాతం మాత్రమే, ముందస్తు సిద్ధత లేని ప్రసంగం 74 శాతం, సంభాషణ 17 శాతం.

ఎక్కడ వాడుతున్నారు

PIB 2026 ఫిబ్రవరి బ్యాక్‌గ్రౌండర్ రెండు సందర్భాలను ఇస్తోంది. వారణాసిలో కాశీ తమిళ సంగమం వద్ద, ప్రధానమంత్రి హిందీ ప్రసంగాన్ని భాషిణి ద్వారా నిజ సమయంలో తమిళంలోకి అనువదించారు. మహా కుంభమేళా 2025లో, భాషిణి ఆధారిత చాట్‌బాట్ కుంభ్ సహాయక్ (Kumbh Sah’AI’yak) యాత్రికులకు 11 భాషల్లో నావిగేషన్, కార్యక్రమాల సమాచారం ఇచ్చింది, టెక్స్ట్, వాయిస్ అనువాదంతో తప్పిపోయిన వారిని, పోయిన వస్తువులను వెతికే ఫీచర్‌ను నడిపింది. 2024లో సుప్రీంకోర్టు వజ్రోత్సవ వేడుకల్లో తన ప్రసంగాన్ని నిజ సమయంలో ఇంగ్లీషులోకి అనువదించారని ప్రధానమంత్రి చెప్పినట్టు కూడా అధికారిక సైట్ ఉటంకిస్తోంది.

పార్లమెంటు 2025 మార్చి 18న చేరింది. లోక్‌సభ సచివాలయం, MeitY సంసద్ భాషిణి కోసం ఒప్పందంపై సంతకం చేశాయి; దీనిలో పార్లమెంటు తన చర్చల ఆర్కైవ్‌ను సాధనాల ఫైన్-ట్యూనింగ్ కోసం ఇస్తుంది, భాషిణి అనువాదాన్ని అందిస్తుంది. PIB విడుదల నాలుగు ప్రణాళికా వినియోగాలను జాబితా చేసింది: గత చర్చల పత్రాలను ప్రాంతీయ భాషల్లోకి అనువదించడం, పార్లమెంటు వెబ్‌సైట్ కోసం చాట్‌బాట్, భారతీయ భాషల్లో స్పీచ్-టు-టెక్స్ట్, నిజ సమయ ట్రాన్స్‌క్రిప్షన్‌తో స్పీచ్-టు-స్పీచ్ మార్పిడి. భాషిణి హోమ్ పేజీలో ఇప్పుడు పార్లమెంటు కోసం అనువాదం, ట్రాన్స్‌క్రిప్షన్, సారాంశీకరణను వివరించే సంసద్ భాషిణి బ్యానర్ ఉంది.

రైల్వేల్లో, డిజిటల్ ఇండియా భాషిణి విభాగం, సెంటర్ ఫర్ రైల్వే ఇన్ఫర్మేషన్ సిస్టమ్స్ (CRIS) 2025 జూన్ 9న ఒప్పందంపై సంతకం చేశాయి; నేషనల్ ట్రైన్ ఎంక్వైరీ సిస్టమ్, ఫిర్యాదుల పోర్టల్ అయిన రైల్‌మదద్ వంటి వ్యవస్థలకు 22 భాషల్లో టెక్స్ట్, స్పీచ్, అక్షర పఠన సాధనాలను తేవడం దీని లక్ష్యం. తర్వాతి నెలల్లో వర్క్‌షాపులు, పైలట్లు మొదలవుతాయని ఆల్ ఇండియా రేడియో నివేదించింది. భాషిణి Our Impact పేజీ విడిగా ఎంక్వైరీ సిస్టమ్‌ను టెక్స్ట్, స్పీచ్ రికగ్నిషన్ వాడే సేవగా జాబితా చేసింది, దానితో పాటు ప్రభుత్వ CPGRAMS ఫిర్యాదుల పోర్టల్‌ను కూడా, దీనిని అది 22 భాషల్లో టెక్స్ట్, 16 భాషల్లో వాయిస్ అందించేదిగా వర్ణిస్తోంది.

కోర్టుల్లో, సుప్రీంకోర్టు నేషనల్ ఇన్ఫర్మాటిక్స్ సెంటర్‌తో కలిసి నిర్మించిన SUVAS సాధనంతో తీర్పులను 18 భారతీయ భాషల్లోకి అనువదించి, వాటిని e-SCR పోర్టల్‌లో ఉంచుతోంది అని PIB 2026 ఫిబ్రవరి 11 బ్యాక్‌గ్రౌండర్ చెబుతోంది. అనువాదాలను న్యాయ చట్రాల్లో సమీక్షిస్తారని ఆ బ్యాక్‌గ్రౌండర్ చెప్పింది, SUVAS ఏ భాషా ఇంజిన్‌ను వాడుతుందో చెప్పలేదు. భారత కోర్టుల్లో AIపై tuput నివేదికలో కోర్టు సాధనాల పూర్తి జాబితా, వాటి వెనుక ఉన్న పత్రాలు ఉన్నాయి.

ప్రచురిత సంఖ్యలు తేల్చకుండా వదిలినవి

IndicTrans2 పత్రం పని ఎక్కడ మిగిలి ఉందో సూటిగా చెబుతోంది. దేవనాగరి లిపిలో మణిపురి (మైతేయి), సంతాలీ, సింధీ భాషలకు మోడళ్లు పరిమిత స్థాయిలోనే సాధారణీకరిస్తాయని, డేటా పుష్కలంగా ఉన్న భాషలకు, తక్కువగా ఉన్న భాషలకు మధ్య పనితీరు అంతరం మిగిలి ఉందని అది చెబుతోంది. మనుషులు ఆనోటేట్ చేసిన డేటా కొరత, వెబ్ కంటెంట్ తక్కువ ఉండటమే కారణాలని రచయితలు పేర్కొంటున్నారు.

వేదిక దేనికి మద్దతు ఇస్తుందనే లెక్కలు సేవను బట్టి, తేదీని బట్టి మారుతాయి. PIB 2026 ఫిబ్రవరి బ్యాక్‌గ్రౌండర్ 22 వాయిస్ భాషలు, 36 టెక్స్ట్ భాషలు అని చెబుతుండగా, అధికారిక సైట్ ఒక ఫిర్యాదుల వ్యవస్థకు 16 భాషల్లో వాయిస్ అని జాబితా చేసింది. ఈ వ్యాసం కోసం తెరిచిన పేజీల్లో అమలులో ఉన్న సేవలకు ఖచ్చితత్వ సంఖ్యలు లేవు, రైల్వే, పార్లమెంటు ఒప్పందాలు ప్రణాళికా పనిని వివరిస్తాయి. భారతీయ భాషల్లో స్పీచ్ వ్యవస్థల స్వతంత్ర పోలికలు వాయిస్, అనువాద మోడళ్లపై tuput రౌండప్లో ఉన్నాయి.

400కు పైగా జిల్లాల నుంచి 15,000 గంటల ట్రాన్స్‌క్రైబ్ చేసిన స్పీచ్‌ను AI4Bharat స్వంత పేజీలు లక్ష్యంగా జాబితా చేస్తున్నాయి, ఇది లక్ష్యమే కానీ పూర్తయిన మొత్తం కాదు.