ಪಠ್ಯ ಇನ್‌ಪುಟ್ ಮಾಡುವ ಹೊಸ ವಿಧಾನ

ಆಧುನಿಕ ಇತಿಹಾಸದುದ್ದಕ್ಕೂ, ಕೀಬೋರ್ಡ್ ಯಂತ್ರಗಳೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ನಮ್ಮ ಪ್ರಾಥಮಿಕ ಮಾರ್ಗವಾಗಿದೆ. ನಾವು ಆಜ್ಞೆಗಳನ್ನು ಟೈಪ್ ಮಾಡುತ್ತೇವೆ, ಕೋಡ್ ಬರೆಯುತ್ತೇವೆ, ಸಂದೇಶಗಳನ್ನು ರಚಿಸುತ್ತೇವೆ. ಆದರೆ AI ಕೇವಲ ಸಾಧನವಾಗಿ ಬದಲಾಗಿ ಸಹಯೋಗಿಯಾಗುತ್ತಿರುವಂತೆ, ನಾವು ತಿಳಿಸಬೇಕಾದ ಸಂದರ್ಭದ ಪ್ರಮಾಣ ಸ್ಫೋಟಿಸಿದೆ. ಕೀಬೋರ್ಡ್ ಇನ್ನು ಸಾಕಾಗುವುದಿಲ್ಲ.

ಮಾತು-ಪಠ್ಯ ತಂತ್ರಜ್ಞಾನ ಒಂದು ತಿರುವು ಬಿಂದುವನ್ನು ತಲುಪಿದೆ. ಮಾತನಾಡುವುದು ಈಗ ಸಾಧ್ಯವಾದ ಇನ್‌ಪುಟ್ ವಿಧಾನ — ವಿಶೇಷವಲ್ಲ, ಆದರೆ ಟೈಪಿಂಗ್‌ಗೆ ನಿಜವಾದ ಪರ್ಯಾಯ. ಮಾನವರು ಕಂಪ್ಯೂಟರ್‌ಗಳೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ರೀತಿಯಲ್ಲಿ ಇದು ಒಂದು ಮಾದರಿ ಬದಲಾವಣೆ.

QWERTY ಕೀಬೋರ್ಡ್‌ನಲ್ಲಿ ಟೈಪ್ ಮಾಡಲು ಕಲಿಯುವಂತೆ, ಧ್ವನಿ ಇನ್‌ಪುಟ್‌ಗೆ ಅಭ್ಯಾಸ ಬೇಕು. ಆದರೆ ಕಲಿಕೆಯ ವಕ್ರರೇಖೆ ಬಹಳ ಚಿಕ್ಕದು, ಮತ್ತು ಉತ್ಪಾದಕತೆ ಲಾಭಗಳು ಬಹಳ ದೊಡ್ಡವು. ನಾವು ಕೇವಲ ಸಾಧನವಲ್ಲ, ಒಂದು ಹೊಸ ಅನುಭವವನ್ನು ಒದಗಿಸಲು ಬಯಸುತ್ತೇವೆ — ಇನ್‌ಪುಟ್ ಬಗ್ಗೆ ನಿಮ್ಮ ಯೋಚನೆಯನ್ನೇ ಬದಲಾಯಿಸುವಂತಹದ್ದು.

ಹೆಚ್ಚಿನ ಧ್ವನಿ-ಪಠ್ಯ ಸಾಧನಗಳನ್ನು US ನಲ್ಲಿ ನಿರ್ಮಿಸಲಾಗಿದೆ, ಆಂಗ್ಲಕ್ಕಾಗಿ ಅತ್ಯುತ್ತಮಗೊಳಿಸಲಾಗಿದೆ. ಅವು ಆಂಗ್ಲ ಮಾತನಾಡುವವರಿಗೆ ಸಾಕಷ್ಟು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ, ಆದರೆ ಇತರ ಭಾಷೆಗಳಿಗೆ ಗುಣಮಟ್ಟ ತೀವ್ರವಾಗಿ ಕುಸಿಯುತ್ತದೆ. ಭಾಷೆಗಳು ಮಿಶ್ರಗೊಂಡಾಗ — ಆಂಗ್ಲ ತಾಂತ್ರಿಕ ಪದಗಳೊಂದಿಗೆ ಜಪಾನೀಸ್, ಕೋಡ್ ತುಣುಕುಗಳೊಂದಿಗೆ ವಿಯೆಟ್ನಾಮೀಸ್ — ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಾಧನಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸಂಪೂರ್ಣವಾಗಿ ವಿಫಲಗೊಳ್ಳುತ್ತವೆ.

koedesk ಯ ಪ್ರಮುಖ ಡೆವಲಪರ್ ಜಪಾನೀಯರು, ವಿಯೆಟ್ನಾಮ್‌ನಿಂದ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದಾರೆ. ಭಾಷೆಗಳು ಮತ್ತು ಉಚ್ಚಾರಣೆಗಳಲ್ಲಿ ಧ್ವನಿ ಇನ್‌ಪುಟ್ ಬಳಸುವ ಈ ಮೊದಲ ಅನುಭವ ಪ್ರತಿ ವಿನ್ಯಾಸ ನಿರ್ಧಾರವನ್ನು ರೂಪಿಸಿತು. ಇತರರು ಗಮನಿಸದ ಅಂಶವನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ: ಆಂಗ್ಲ ಮತ್ತು ಉಳಿದ ಜಗತ್ತಿನ ನಡುವಿನ ನಿಖರತೆ ಅಂತರ.

ಅದಕ್ಕಾಗಿ ನಾವು ElevenLabs Scribe v2 ಅನ್ನು ಡೀಫಾಲ್ಟ್ ಮಾಡೆಲ್ ಆಗಿ ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. ಇದು ಭಾಷೆಗಳಲ್ಲಿ ಸ್ಥಿರವಾಗಿ ಹೆಚ್ಚಿನ ನಿಖರತೆ ನೀಡುತ್ತದೆ — ಕೇವಲ ಆಂಗ್ಲ ಮತ್ತು ಜಪಾನೀಸ್ ಅಲ್ಲ, ಆದರೆ ವಿಯೆಟ್ನಾಮೀಸ್, ಇಂಡೋನೇಷಿಯನ್, ಸ್ಪ್ಯಾನಿಷ್, ಮತ್ತು ಹಲವಾರು ಇತರ ಭಾಷೆಗಳಲ್ಲಿ. koedesk ಪ್ರಸ್ತುತ Scribe v2 ಸಂಯೋಜನೆ ನೀಡುವ ಕೆಲವೇ ಡೆಸ್ಕ್‌ಟಾಪ್ ಆ್ಯಪ್‌ಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.

koedesk ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಸರಳವಾಗಿದೆ. ಕೀ ಒತ್ತಿ, ಮಾತನಾಡಿ, ಬಿಡಿ. ನಿಮ್ಮ ಪದಗಳು ನಿಮ್ಮ ಕರ್ಸರ್ ಇರುವಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ. ಹೆಚ್ಚುವರಿ ಹಂತಗಳಿಲ್ಲ, ಪ್ರಾರಂಭಿಸಲು ಕಾನ್ಫಿಗರೇಶನ್ ಅಗತ್ಯವಿಲ್ಲ.

ಒಳಭಾಗದಲ್ಲಿ, ನಾವು ಕಾರ್ಯಕ್ಷಮತೆಯ ಬಗ್ಗೆ ಗೀಳು ಹೊಂದಿದ್ದೇವೆ. ಆ್ಯಪ್ Rust ನಲ್ಲಿ ನಿರ್ಮಿಸಲಾಗಿದೆ — ಬ್ರೌಸರ್ ಎಂಜಿನ್‌ಗಳು ಮತ್ತು ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳಿಗೆ ಬಳಸುವ ಅದೇ ಭಾಷೆ. ಧ್ವನಿ ಚಟುವಟಿಕೆ ಪತ್ತೆ, ಆಡಿಯೋ ಕ್ಯಾಪ್ಚರ್, ಮತ್ತು ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಆರಂಭ ಎಲ್ಲವೂ ಕನಿಷ್ಠ ವಿಳಂಬಕ್ಕಾಗಿ ಟ್ಯೂನ್ ಮಾಡಲಾಗಿದೆ. ನೀವು ಮಾತನಾಡುವುದನ್ನು ನಿಲ್ಲಿಸಿದಾಗ, ಪಠ್ಯ ಬಹುತೇಕ ತಕ್ಷಣ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ.

ಹೆಚ್ಚಿನ ಸ್ಪರ್ಧಾತ್ಮಕ ಸಾಧನಗಳು ಎರಡು-ಹಂತದ ಪೈಪ್‌ಲೈನ್ ಬಳಸುತ್ತವೆ: ಕಚ್ಚಾ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ಗೆ ಮಾತು-ಪಠ್ಯ ಮಾಡೆಲ್, ನಂತರ ಫಿಲ್ಲರ್ ಪದಗಳನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು, ವ್ಯಾಕರಣ ಸರಿಪಡಿಸಲು ಮತ್ತು ಔಟ್‌ಪುಟ್ ಮರುಫಾರ್ಮ್ಯಾಟ್ ಮಾಡಲು ಹಗುರ LLM. ನಾವು ಬೇರೆ ವಿಧಾನ ಅನುಸರಿಸುತ್ತೇವೆ. Scribe v2 ಎಷ್ಟು ನಿಖರವಾಗಿದೆ ಎಂದರೆ LLM ನಂತರದ ಸಂಸ್ಕರಣೆ ಅಗತ್ಯವಿಲ್ಲ. ನಾವು ಮಾಡೆಲ್ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೇರವಾಗಿ ನಂಬುತ್ತೇವೆ.

ಇದು ಉದ್ದೇಶಪೂರ್ವಕ ಆಯ್ಕೆ. ಮಾತು-ಪಠ್ಯ ಮಾಡೆಲ್‌ಗಳು ಸುಧಾರಿಸುತ್ತಲೇ ಇರುವಂತೆ, LLM ನಂತರದ ಸಂಸ್ಕರಣೆಯ ಅಗತ್ಯ ಮಾಯವಾಗುತ್ತದೆ. ನಮ್ಮ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಸರಳವಾಗಿ ಇಟ್ಟುಕೊಳ್ಳುವ ಮೂಲಕ, koedesk ಆಧಾರ ಮಾಡೆಲ್‌ಗಳಲ್ಲಿನ ಪ್ರತಿ ಸುಧಾರಣೆಯಿಂದ ನೇರವಾಗಿ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತದೆ — ಮಧ್ಯದಲ್ಲಿ ಸಂಕೀರ್ಣತೆಯ ಪದರಗಳಿಲ್ಲದೆ.

Guide Inc. ಟೋಕಿಯೋ, ಜಪಾನ್‌ನಲ್ಲಿ ಪ್ರಧಾನ ಕಚೇರಿ ಹೊಂದಿರುವ ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿ ಕಂಪನಿ, ಹೋ ಚಿ ಮಿನ್ ಸಿಟಿ, ವಿಯೆಟ್ನಾಮ್‌ನಲ್ಲಿ ಅಭಿವೃದ್ಧಿ ಕಚೇರಿ ಹೊಂದಿದೆ. 2021 ರಲ್ಲಿ ಸ್ಥಾಪಿತವಾದ ನಾವು ಹಣಕಾಸು ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ವಿಶೇಷತೆ ಹೊಂದಿದ್ದೇವೆ — ಪ್ರಮುಖ ಜಪಾನೀ ಹಣಕಾಸು ಸಂಸ್ಥೆಗಳಿಗೆ ವ್ಯಾಪಾರ ವೇದಿಕೆಗಳು ಮತ್ತು ಮೊಬೈಲ್ ಆ್ಯಪ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ.

koedesk ನಮ್ಮ ಸ್ವಂತ ದೈನಂದಿನ ಕೆಲಸದಿಂದ ಹುಟ್ಟಿಕೊಂಡಿತು. ಸಂಕೀರ್ಣ ಹಣಕಾಸು ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುವ ಡೆವಲಪರ್‌ಗಳಾಗಿ, AI ಕೋಡಿಂಗ್ ಸಹಾಯಕರೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸಲು, ದಾಖಲೆ ಬರೆಯಲು ಮತ್ತು ಸಂದೇಶಗಳನ್ನು ರಚಿಸಲು — ಕೀಬೋರ್ಡ್ ಹರಿವಿನಿಂದ ಕೈ ತೆಗೆಯದೆ — ವೇಗವಾದ ಮಾರ್ಗ ನಮಗೆ ಬೇಕಿತ್ತು. ನಾವು ಬಯಸಿದ ಸಾಧನವನ್ನು ನಾವೇ ನಿರ್ಮಿಸಿಕೊಂಡೆವು, ಮತ್ತು ಜಗತ್ತಿನೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳಲು ನಿರ್ಧರಿಸಿದೆವು.