Skip to content
Sarvam యొక్క Saaras V4 షెడ్యూల్‌లోని మొత్తం 22 భాషలను ఐదు అవుట్‌పుట్ రూపాల్లో లిప్యంతరీకరిస్తుంది, దాని Bulbul V4 Flash వాయిస్ మోడల్ 250 మిల్లీసెకన్ల లోపే మాట్లాడటం మొదలుపెడుతుందని Sarvam నివేదిక
ఏఐ మరియు సాంకేతికత

Sarvam యొక్క Saaras V4 షెడ్యూల్‌లోని మొత్తం 22 భాషలను ఐదు అవుట్‌పుట్ రూపాల్లో లిప్యంతరీకరిస్తుంది, దాని Bulbul V4 Flash వాయిస్ మోడల్ 250 మిల్లీసెకన్ల లోపే మాట్లాడటం మొదలుపెడుతుందని Sarvam నివేదిక

చిత్రణ: tuput

తెలుగు

బెంగళూరుకు చెందిన Sarvam AI 2026 సెప్టెంబర్ 25న Saaras V4 స్పీచ్ రికగ్నిషన్ మోడల్‌ను, అక్టోబర్ 13న Bulbul V4 Flash టెక్స్ట్-టు-స్పీచ్ మోడల్‌ను విడుదల చేసింది. Saaras V4 షెడ్యూల్‌లోని 22 భాషలను, ఇంగ్లిష్‌ను కవర్ చేస్తుంది, Bulbul V4 Flash ధర 10,000 అక్షరాలకు రూ. 20, అంటే ముందటి మోడల్ కంటే మూడో వంతు తక్కువ. చాలా స్కోర్లు Sarvam నుంచే వచ్చాయి, వాటిలో చాలా వాటి వెనుక AI4Bharat యొక్క పబ్లిక్ టెస్ట్ సెట్లు ఉన్నాయి.

· · 7 నిమిషాల పఠనం

బెంగళూరుకు చెందిన Sarvam AI మూడు వారాల వ్యవధిలో రెండు వాయిస్ మోడళ్లను విడుదల చేసింది. 2026 సెప్టెంబర్ 25న ప్రకటించిన Saaras V4, షెడ్యూల్‌లోని మొత్తం 22 భారతీయ భాషల్లో, ఇంగ్లిష్‌లో ప్రసంగాన్ని టెక్స్ట్‌గా మారుస్తుంది. అక్టోబర్ 13న ప్రకటించిన Bulbul V4 Flash టెక్స్ట్‌ను ప్రసంగంగా మారుస్తుంది, Sarvam ప్రకారం 250 మిల్లీసెకన్ల లోపే తొలి శబ్దాన్ని వినిపిస్తుంది, ధర 10,000 అక్షరాలకు రూ. 20. ఫోన్ ఆధారిత వాయిస్ ఏజెంట్‌లోని వినడం, మాట్లాడటం అనే రెండు భాగాలనూ ఇవి కలిసి కవర్ చేస్తాయి, ఆ ఏజెంట్ అంటే హిందీ, తమిళం లేదా బెంగాలీలో కస్టమర్‌తో మాట్లాడే ప్రోగ్రామ్.

Saaras V4 ఒకే ప్రసంగానికి ఐదు రూపాలు ఇస్తుంది

ఒక ఆడియో ఎన్‌కోడర్ 3 బిలియన్ పారామీటర్ల (మోడల్ లోపల సర్దుబాటు చేయగల సంఖ్యలు) లాంగ్వేజ్ మోడల్‌కు ఇన్‌పుట్ ఇస్తుంది, దాన్ని తన సొంత సంస్థలోనే మొదటి నుంచీ శిక్షణ ఇచ్చానని Sarvam చెబుతోంది. దీని డికోడర్ ఒక హైబ్రిడ్ స్టేట్-స్పేస్ మోడల్, చాలా పెద్ద లాంగ్వేజ్ మోడళ్లు వాడే అటెన్షన్ లేయర్లకు ఇది ప్రత్యామ్నాయం. రెండింటి మధ్య ఉన్న ఒక దశ ఆడియో క్రమాన్ని కుదిస్తుంది, దాంతో పొడవైన రికార్డింగ్‌లు డికోడర్ వర్కింగ్ మెమరీలో ఇమడతాయి.

Sarvam ఒత్తిడి అవుట్‌పుట్ మీద పెడుతుంది. ఒక రికార్డింగ్ నుంచి మోడల్ ఐదు రకాల టెక్స్ట్ ఇవ్వగలదు, T20 బ్యాటింగ్ గురించిన ఒకే హిందీ వాక్యంపై లాంచ్ పోస్ట్ వాటిని చూపిస్తుంది.

మోడ్ఏం ఇస్తుంది
transcribeస్థానిక లిపిలో, సంఖ్యలు, తేదీలు సాధారణీకరించి
codemixTranscribe లాంటిదే, కానీ ఇంగ్లిష్ పదాలు ఇంగ్లిష్ అక్షరాల్లోనే ఉంటాయి
translitమొత్తం వాక్యం ఇంగ్లిష్ అక్షరాల్లో, దీన్ని “WhatsApp భాష” అని వాడుకలో అంటారని పోస్ట్ చెబుతుంది
translateఇంగ్లిష్ అనువాదం
verbatimమాట్లాడిన ప్రతి పదం యథాతథంగా, అందుకే “T20” హిందీలో “టీ ట్వెంటీ” అనే పదాలుగా కనిపిస్తుంది

ఐదూ ఒకే మోడల్ నుంచి వస్తాయి కాబట్టి అదనపు ప్రాసెసింగ్ దశలు అవసరం లేవని, అందువల్ల తప్పులు పోగుపడే దశలు కూడా లేవని Sarvam చెబుతోంది. డెవలపర్ డాక్యుమెంటేషన్ ఇవే మోడ్‌లను జాబితా చేసి, Saaras V4 ను డిఫాల్ట్ మోడల్‌గా పేర్కొంటుంది. భారతీయ ఇంగ్లిష్‌తో పాటు ప్రపంచ ఇంగ్లిష్ ఉచ్చారణల గుర్తింపును కూడా చేర్చిందని, కీటర్మ్ ప్రాంప్టింగ్‌ను వివరిస్తుందని అది చెబుతుంది, అందులో డెవలపర్ 50 వరకు పేర్లు లేదా సాంకేతిక పదాలను ఇచ్చి, గుర్తింపును వాటివైపు మొగ్గేలా చేయవచ్చు. ఈ సౌకర్యం సింక్రనస్, బ్యాచ్ ఇంటర్‌ఫేస్‌లలో పనిచేస్తుంది, స్ట్రీమింగ్‌లో పనిచేయదు.

IndicVoices సెట్‌లో ధృవీకరించిన ఉచ్చారణలపై భాషా గుర్తింపు తప్పు 22 భాషల మొత్తంలో 5.22 శాతం, అత్యధికంగా మాట్లాడే పది భాషల్లో 2.9 శాతం అని పోస్ట్ నివేదిస్తుంది, ఈ సెట్ AI4Bharat యొక్కది. లైవ్ వాడకానికి స్ట్రీమింగ్ చేసేటప్పుడు తొలి టోకెన్ సమయం 150 మిల్లీసెకన్ల కంటే తక్కువ అని చెబుతుంది. 30 సెకన్ల లోపు క్లిప్‌లు సింక్రనస్ ఇంటర్‌ఫేస్ ద్వారా వెళ్తాయి, బ్యాచ్ ఇంటర్‌ఫేస్ రెండు గంటల వరకు ఫైళ్లను తీసుకుంటుంది, స్పీకర్ లేబుళ్లు ఐచ్ఛికం. సెప్టెంబర్ 25న Business Standard ఈ లాంచ్‌ను నివేదించి Sarvam సంఖ్యలను పునరావృతం చేసింది. భారతీయ స్పీచ్ మోడళ్లపై tuput రౌండప్ V4 యొక్క IndicContextEval ఫలితాన్ని, Saaras V3 ఎలా స్కోర్ చేసిందో వివరిస్తుంది, కాబట్టి అవి ఇక్కడ పునరావృతం కావు.

Bulbul V4 Flash వేగం, ధర కోసం నిర్మించారు

అక్టోబర్ 13 పోస్ట్‌లో, ప్రొడక్షన్‌లో అభ్యర్థన నుంచి తొలి ఆడియో వరకు Flash 250 మిల్లీసెకన్ల లోపు ఇస్తుందని, పోల్చదగిన లోడ్‌లో Bulbul V3 కంటే 40 శాతం వరకు వేగంగా నడుస్తుందని Sarvam చెబుతోంది. ధర 10,000 అక్షరాలకు రూ. 20, V3 కు రూ. 30, 2026 నవంబర్ 12న చదివిన ధరల పేజీ అవే రేట్లను 1,000 అక్షరాలకు రూ. 2.00, రూ. 3.00 గా చూపిస్తుంది. Analytics India Magazine అక్టోబర్ 14న సరిపోలే సంఖ్యలతో లాంచ్‌ను నివేదించింది.

నాణ్యతకు Sarvam రెండు కారణాలు చెబుతుంది. తన సొంత స్పీచ్ డేటాను V3 కంటే దాదాపు ఏడు రెట్లు విస్తరించానని, భారతీయ భాషల ప్రాతినిధ్యాన్ని ప్రధాన లక్ష్యంగా పెట్టుకుని మోడల్‌కు మొదటి నుంచీ ప్రీట్రైనింగ్ ఇచ్చానని అది చెబుతుంది. 400 బిలియన్లకు పైగా ఆడియో టోకెన్లపై (టెక్స్ట్ మోడళ్లు పదాల ముక్కలను వాడినట్లే, శబ్దపు చిన్న ముక్కలు) శిక్షణ పొందిన దాని పరిశోధన వెర్షన్లు ఆ స్థాయిలో కూడా మెరుగవుతూనే ఉన్నాయి, Flash అవి నేర్పిన దాని నుంచి డిస్టిల్ చేసిన చిన్న మోడల్.

రెండో ఒత్తిడి సంఖ్యలను, పేర్లను సరిగ్గా చదవడం మీద. ఒక టెక్స్ట్ నార్మలైజేషన్ లేయర్ ప్రతి అంశాన్ని సందర్భంలో చదివి, అది ఎలా పలకాలో నిర్ణయిస్తుంది: ISRO ను ఒక పదంగా, EMI ను అక్షరం అక్షరంగా, PAN ను ఒక పదంగా, Aadhaar ను అందరికీ తెలిసిన ఉచ్చారణలో. పోస్ట్‌లోని డెమోల్లో రైల్ హెల్ప్‌లైన్ కాల్, లోన్ రిమైండర్ ఉన్నాయి, వాటిలో PNR నంబర్లు, రైలు నంబర్లు, మొత్తాలు, తేదీలు ఉన్నాయి. Flash 83 వాయిస్‌లు, 224 వాయిస్-అండ్-స్టైల్ కలయికలతో విడుదలైంది, అవి కస్టమర్ కేర్, సేల్స్, కలెక్షన్లు, బ్యాంకింగ్, ఇ-కామర్స్, విద్యను కవర్ చేస్తాయి, ఇది Sarvam API, దాని Playground, Content Studio లో నడుస్తుంది.

భాషల సంఖ్యపై Sarvam సొంత పేజీలే భిన్నంగా ఉన్నాయి. లాంచ్ పోస్ట్, Analytics India Magazine 11 భాషలని చెబుతున్నాయి. నవంబర్ 12న చదివిన డెవలపర్ డాక్యుమెంటేషన్, Flash వాయిస్ కేటలాగ్ హిందీ, ఇంగ్లిష్, ఇంగ్లిష్-హిందీ కోడ్-మిక్స్డ్ శైలి, బెంగాలీ, గుజరాతీ, కన్నడ, మరాఠీ, పంజాబీ, తమిళం, తెలుగును కవర్ చేస్తుందని, Bulbul V3 అందించే మలయాళం, ఒడియా ఇంకా Flash లో లేవని చెబుతుంది. పోస్ట్ 83 వాయిస్‌లు, 224 కలయికలు అని లెక్కిస్తుండగా, అది 222 వాయిస్ IDలను లెక్కిస్తుంది. ఈ రెండు తేడాల్లో దేన్నీ Sarvam వివరించలేదు.

భారతీయ ప్రసంగాన్ని వర్డ్ ఎర్రర్ రేట్ తప్పుగా అంచనా వేస్తుందని Sarvam, AI4Bharat ఎందుకు అంటున్నాయి

స్పీచ్ స్కోర్లు సాధారణంగా వర్డ్ ఎర్రర్ రేట్ (WER) వాడతాయి, అంటే మనిషి రాసిన ట్రాన్స్‌క్రిప్ట్‌తో విభేదించే పదాల వాటా. WER, క్యారెక్టర్ ఎర్రర్ రేట్, BLEU ప్రధానంగా ఇంగ్లిష్ కోసం రూపొందాయని, అక్కడ ప్రతి పదానికి ఒకే ఆమోదిత స్పెల్లింగ్ ఉంటుందని Sarvam 2026 ఏప్రిల్ 2 పోస్ట్ వాదిస్తుంది. అది రెండు ఉదాహరణలు ఇస్తుంది.

మొదటిదానిలో, ఒక వక్త “వారు కలిసి పనిచేస్తారు” అనే అర్థంతో సాధారణ తమిళ వాక్యం పలుకుతారు, సిస్టమ్ దాన్ని వాడుక రూపంలో రాస్తుంది, రిఫరెన్స్‌లో అధికారిక రూపం ఉంది. ఐదింటిలో నాలుగు పదాలు తప్పుగా గుర్తిస్తారు, అంటే WER 80 శాతం, కానీ స్థానిక వక్తకు ఇది పరిపూర్ణ ట్రాన్స్‌క్రిప్ట్‌గా వినిపిస్తుందని పోస్ట్ చెబుతుంది. రెండో దానిలో, ఒక హిందీ వాక్యంలో “doctor” రిఫరెన్స్‌లో ఇంగ్లిష్ అక్షరాల్లో, అవుట్‌పుట్‌లో దేవనాగరిలో ఉంది. ఐదింటిలో ఒక పదం తప్పుగా గుర్తిస్తారు, అంటే 20 శాతం, కానీ అర్థం ఒకటే. అకౌంట్, బ్యాలెన్స్, ట్రాన్స్‌ఫర్ వంటి అరువు పదాలతో కోడ్-మిక్స్డ్ హిందీని నిర్వహించే బ్యాంక్ బాట్ నిజం కంటే 15 శాతం అధ్వాన్నంగా కనిపించవచ్చని పోస్ట్ జతచేస్తుంది.

Sarvam పరిష్కారం పొరలుగా ఉన్న స్కోర్ల సమితి. LLM-WER మామూలు పోలికను నడుపుతుంది, తర్వాత సరిపోలని ప్రతి భాగం అదే అర్థమిస్తుందా లేదా అదే ధ్వనిస్తుందా అని ఒక లాంగ్వేజ్ మోడల్‌ను అడుగుతుంది, సందేహంలో “భిన్నం” అని డిఫాల్ట్ చేస్తుంది. Intent Score ఒక అనువాదంలో మూల అర్థం మిగిలిందా అనే దానిపై 1 లేదా 0 ఇస్తుంది. Entity Preservation Score పేర్లు, సంఖ్యలు, తేదీల్లో ఎన్ని చేరాయో వాటా లెక్కిస్తుంది, బ్యాంకింగ్, వైద్య లేదా నావిగేషన్ వాడకాలకు కనీసం 0.95 ఉండాలని పోస్ట్ సిఫార్సు చేస్తుంది. Google Vertex AI ద్వారా Gemini న్యాయనిర్ణేత, Sarvam కోడ్‌ను GitHub లో ప్రచురించింది. ఈ విధానం భారతీయ భాషల ASR మూల్యాంకనంలో “తుది మాట” అని తాను అనుకోవడం లేదని పోస్ట్ స్వయంగా చెబుతుంది.

ఇతర పరిశోధకులూ ఈ ఆందోళనను పంచుకుంటున్నారు. IndicVoices, Vistaar టెస్ట్ సెట్ల వెనుక ఉన్న IIT మద్రాస్ ల్యాబ్ AI4Bharat, ICASSP 2026 కోసం 2026 మార్చిలో ఆర్థోగ్రఫీ ఆధారిత WER పై ఒక పేపర్ ప్రచురించింది. చెల్లుబాటయ్యే స్పెల్లింగ్ రూపాలను అనుమతిస్తే ఎర్రర్ రేట్లు సగటున 6.3 పాయింట్లు తగ్గాయని, రెండు సిస్టమ్‌ల మధ్య అంతరం 18.1 నుంచి 11.5 పాయింట్లకు తగ్గిందని అది నివేదిస్తుంది.

సంఖ్యల వెనుక ఉన్న పబ్లిక్ టెస్టులు

Sarvam పోస్ట్‌లలో పేర్కొన్న అనేక టెస్టులను కంపెనీ బయట నిర్మించారు. AI4Bharat యొక్క Vistaar, 2023 నుంచి, భారతీయ భాషలు, రంగాల్లో 59 బెంచ్‌మార్క్‌లను సేకరిస్తుంది, దాని రచయితలు Whisper మోడళ్లను IndicWhisper గా ఫైన్-ట్యూన్ చేశారు, అది 59లో 39 లో అత్యల్ప WER సాధించింది. IndicVoices, 2024 డేటాసెట్, 22 భాషల్లో 145 జిల్లాల నుంచి 16,237 వక్తల 7,348 గంటల ప్రసంగాన్ని కలిగి ఉంది, పేపర్ వచ్చినప్పుడు వాటిలో 1,639 గంటలు లిప్యంతరీకరించారు. Vistaar కోసం, Saaras V4 పోస్ట్ పది భాషల్లో ఫలితాలను WER గా, LLM-WER గా నివేదిస్తుంది, ఆ సంఖ్యలు చార్టులుగా మాత్రమే ఉన్నాయి.

ఇంగ్లిష్ వైపు, ఏడు టెస్ట్ సెట్లలో ఆరింటిని Hugging Face యొక్క Open ASR Leaderboard నుంచి ప్రచురించినట్లే తీసుకున్నారని పోస్ట్ చెబుతుంది. ఏడోది భారతీయ ఉచ్చారణ ఇంగ్లిష్‌కు చెందిన AI4Bharat యొక్క Svarah సెట్, నార్మలైజేషన్, స్కోరింగ్ లీడర్‌బోర్డ్ కోడ్‌నే అనుసరిస్తాయి. ఆ లీడర్‌బోర్డ్ పేపర్ 12 డేటాసెట్లలో 86 సిస్టమ్‌ల పునరుత్పత్తి చేయదగిన పోలికను వివరిస్తుంది.

కీటర్మ్ సంఖ్య IndicContextEval పై ఆధారపడి ఉంది, ఇది AI4Bharat, Sarvam AI పరిశోధకుల నుంచి వచ్చి Interspeech 2026 లో అంగీకరించారు. అందులో 8 భాషల్లో, 23 వృత్తిపరమైన రంగాల్లో 555 వక్తల 56 గంటల ప్రసంగం ఉంది, జోడించిన సందర్భం యొక్క ఏడు స్థాయిల్లో పరీక్షించారు. స్థానిక లిపిలో కీ టర్మ్‌ల జాబితా ఇచ్చినప్పుడు Saaras V4 అత్యల్ప WER, 16.03 శాతం సాధిస్తుందని Sarvam చెబుతోంది. V4 ప్రకటనకు మూడు నెలల ముందు, జూన్ 17న సమర్పించిన పేపర్ బదులుగా Sarvam Audio ను పరీక్షించి, ఆ స్థాయిలో దానికి 15.70 శాతం నివేదిస్తుంది, Gemini 3 Flash కు 17.46 శాతం, GPT-4o Transcribe కు 26.04 శాతం. ఇవి వేర్వేరు మోడళ్లు, V4 పోస్ట్ తన రన్‌లో అవే ఎనిమిది భాషలను వాడిందో లేదో చెప్పదు.

ఇంకా చూపించనివి

2026 నవంబర్ 12 నాటికి Sarvam పోస్ట్ టెక్స్ట్‌లో Saaras V4 కోసం డేటాసెట్ వారీ పట్టిక ఏదీ tuput చదవలేకపోయింది, ఆ పోస్ట్ ElevenLabs Scribe v2, Deepgram Nova3, GPT-4o Transcribe నుంచి నమూనా అవుట్‌పుట్‌లను చూపిస్తుంది కానీ వాటికి స్కోర్లు ముద్రించదు. కాబట్టి మొత్తం 22 భాషల్లో అగ్ర ఫలితాలు అనే వాదన Sarvam సొంతమే. Bulbul V3 కోసం Josh Talks నడిపిన బ్లైండ్ లిజనింగ్ అధ్యయనాన్ని Sarvam నివేదించింది, దాన్ని స్వతంత్రమైనదిగా వర్ణిస్తుంది, ప్రతి భాషకు 50 నుంచి 70 మంది అనోటేటర్లు ఉన్నారు, ఆ అధ్యయనంలో ఫుల్-బ్యాండ్ ఆడియో నాణ్యతలో ElevenLabs v3 ఆల్ఫా ముందుంది. V4 Flash పోస్ట్ ఎలాంటి లిజనింగ్ స్కోర్‌ను నివేదించదు.

Sarvam పేజీలు నిమిషానికి రూ. 3 నుంచి వాయిస్ ఏజెంట్లను కూడా ప్రచారం చేస్తున్నాయి, మోడళ్లు కలుపుకొని. ఇది స్పీచ్ మోడళ్ల నుంచి వేరే ఉత్పత్తి, ధరల పేజీ పే-యాజ్-యు-గో ప్లాన్‌లో స్పీచ్ టు టెక్స్ట్‌ను నిమిషానికి రూ. 0.49 గా జాబితా చేస్తుంది.

IndiaAI మిషన్ కింద ఎంపికైన పన్నెండు బృందాల్లో Sarvam ఒకటి, 2026 ఫిబ్రవరి 13 PIB అనుబంధం దానికి రూ. 246.72 కోట్ల కంప్యూట్ సహాయాన్ని జాబితా చేస్తుంది, మిషన్ కంప్యూట్, మోడళ్లు గురించి వేరే వ్యాసంలో ఉంది. వాయిస్ మోడళ్లు మిషన్ కంప్యూట్‌ను వాడాయని ఏ స్పీచ్ పోస్ట్ చెప్పదు. భాషిణి, AI4Bharat అవే 22 భాషల కోసం పబ్లిక్ స్పీచ్ సాధనాలను అందిస్తాయి, అవి రాజ్యాంగంలోని ఎనిమిదో షెడ్యూల్‌లోని భాషలు, 22 భాషలపై మా వివరణ లో ఉన్నాయి.

నవ్వగలిగే, నిట్టూర్చగలిగే, గుసగుసలాడగలిగే పెద్ద మోడల్‌గా Sarvam ముందుగా చూపిన Bulbul V4 Pro కు 2026 నవంబర్ 12 నాటికి విడుదల తేదీ, ధర ప్రకటించలేదు.

Share
Copied!

మూలాలు మరియు మరింత చదవడానికి

  1. Sarvam AI: Introducing Saaras V4 (25 September 2026)
  2. Sarvam AI: Introducing Bulbul V4 Flash (13 October 2026)
  3. Sarvam AI: Evaluating Indian Language ASR (2 April 2026)
  4. Sarvam AI: Introducing Bulbul V3 (February 2026)
  5. Sarvam API docs: Saaras speech to text model page (read 12 November 2026)
  6. Sarvam API docs: Bulbul text to speech model page (read 12 November 2026)
  7. Sarvam API docs: Text to speech voices and the Bulbul v4 Flash catalogue (read 12 November 2026)
  8. Sarvam AI: API pricing (read 12 November 2026)
  9. Business Standard: Saaras V4, Sarvam AI's new speech model can transcribe 22 Indian languages (25 September 2026)
  10. Analytics India Magazine: Sarvam AI launches Bulbul V4 Flash for real-time speech in 11 Indian languages (14 October 2026)
  11. arXiv: Vistaar, Diverse Benchmarks and Training Sets for Indian Language ASR (Interspeech 2023)
  12. arXiv: IndicVoices, Towards building an Inclusive Multilingual Speech Dataset for Indian Languages (4 March 2024)
  13. arXiv: Towards Orthographically-Informed Evaluation of Speech Recognition Systems for Indian Languages (1 March 2026, ICASSP 2026)
  14. arXiv: IndicContextEval, a Benchmark for Evaluating Context Utilisation in Audio Large Language Models Across 8 Indic Languages (17 June 2026, Interspeech 2026)
  15. arXiv: Open ASR Leaderboard, Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation (revised 30 March 2026)
  16. GitHub: sarvamai/llm_wer, Sarvam's open-source LLM-WER evaluation code
  17. PIB: IndiaAI Mission progress, with Annexure I of support to foundation model builders (13 February 2026)
  18. AI4Bharat, IIT Madras: home page and research areas

ఈ వ్యాసం AI సాధనాల సహాయంతో పరిశోధించి రాయబడింది మరియు కచ్చితత్వం కోసం సవరించబడింది. ఇది సాధారణ సమాచారం మరియు చర్చ కోసం మాత్రమే, వృత్తిపరమైన సలహా కాదు. మా సంపాదకీయ ప్రమాణాలు మరియు నిరాకరణ చూడండి. తప్పు కనిపించిందా? మాకు తెలియజేయండి.

#sarvam ai#saaras v4#bulbul v4 flash#speech recognition#text to speech#indic languages#word error rate#ai4bharat

నచ్చిందా? తదుపరిది పొందండి.

ఒకసారి ఒక మంచి వ్యాసం, నేరుగా మీ ఇన్‌బాక్స్‌కు. స్పామ్ లేదు, ఎప్పుడైనా ఆపవచ్చు.

ఇదే విభాగంలో మరిన్ని: ఏఐ మరియు సాంకేతికత
సర్వమ్ 22 భారతీయ భాషల్లో సుమారు 19% పద దోషాలను నివేదిస్తోంది, మెటా 1,600 భాషలను కవర్ చేస్తోంది, కానీ ప్రచురితమైన చాలా స్పీచ్ స్కోర్లు తయారుచేసినవారివే
హిందీ ఫోన్ కాల్స్‌పై పలు సిస్టమ్‌లు 8% లోపు స్కోర్ చేస్తున్నాయి, తమిళం, మలయాళం, భోజ్‌పురిలో అంతరాలు పెద్దవి. స్కోర్లు, ప్రతి మోడల్ కవర్ చేసే భాషలు, ఈ సంఖ్యలను ఇంకా ఒకే లీగ్ టేబుల్‌లో ఎందుకు పెట్టలేమో ఇక్కడ ఉన్నాయి.
భాషిణి 22 భారతీయ భాషల్లో వాయిస్, 36 భాషల్లో టెక్స్ట్ సేవలు అందిస్తోంది, షెడ్యూల్‌లోని మొత్తం 22 భాషల కోసం ఓపెన్ అనువాద మోడల్‌ను ఐఐటీ మద్రాస్‌లోని ఒక ల్యాబ్ తయారుచేసింది
హిందీ, తమిళం, సంతాలీ సహా అన్ని భాషలను యంత్రాలకు నేర్పే పనిని ఒక ప్రభుత్వ వేదిక, ఒక విశ్వవిద్యాలయ ల్యాబ్ పంచుకుంటున్నాయి. రికార్డులో ఉన్న లెక్కలు, పత్రాలు, వినియోగాలు తేదీలతో ఇక్కడ ఉన్నాయి.
ఎనిమిది మంది గూగుల్ రచయితలు 2017 జూన్ 12న ట్రాన్స్‌ఫార్మర్ పేపర్‌ను పోస్ట్ చేశారు; దాని పెద్ద మోడల్ ఎనిమిది జీపీయూలపై 3.5 రోజులు శిక్షణ పొంది ఇంగ్లీష్ నుంచి జర్మన్‌కు 28.4 BLEU సాధించింది
నేటి చాట్‌బాట్ల వెనుక ఉన్న డిజైన్‌ను పేపర్ సొంత పట్టికలతో, నదిని చూడాల్సిన పదం గురించి గూగుల్ ఇచ్చిన ఉదాహరణతో వివరించే కథనం. 2017 డిజైన్‌లో ఏ భాగాలను తర్వాతి మోడళ్లు ఉంచాయో, మార్చాయో, వదిలాయో కూడా ఇందులో ఉంది.
← అన్ని వ్యాసాలు