इससे बात कीजिए।कुछ भी इस कमरे सेबाहर नहीं जाता।
आवाज़ के सहायक हमेशा एक ऐसे माइक्रोफ़ोन के साथ आए हैं जो किसी और के सर्वर की तरफ़ ताका करता है। यह वैसा नहीं है। वाक् पहचान और वाक् संश्लेषण, दोनों आपकी मशीन पर चलते हैं — और इसी से आवाज़ उन बातचीतों के लायक़ बन जाती है जो आप किसी स्मार्ट स्पीकर के पास कभी न करते।
आप आवाज़ का इस्तेमाल क्यों नहीं करते — यही वजह है कि यह चीज़ बनी।
हर आम आवाज़-सहायक आपको रिकॉर्ड करता है, ऑडियो किसी डेटा सेंटर को भेजता है, और उसे उतने वक़्त तक रखता है जितना किसी ऐसे दस्तावेज़ में लिखा है जिसे आपने पढ़ा नहीं। इसीलिए लोग आवाज़ का इस्तेमाल टाइमर और मौसम के लिए करते हैं, और जो कुछ मायने रखता है, उसे टाइप करते हैं।
पहचान को मशीन पर ले आइए और यह पूरा हिसाब ही ख़त्म हो जाता है। जो बचता है वह इंसानों के पास मौजूद सबसे तेज़ इनपुट तरीक़ा है, और वह एक ऐसे एजेंट की तरफ़ ताक रहा है जो सचमुच कुछ कर सकता है। लंबी दलील हमने यहां लिखी है: डिवाइस पर वाक् पहचान, और आवाज़ के सहायक बेकार क्यों बने रहे.
- ऑडियो का किसी पहचान सेवा पर चढ़ना
- किसी और की डिस्क पर रखी हुई प्रतिलिपि
- प्रति-मिनट का ट्रांसक्रिप्शन बिल
- कनेक्शन टूटने से आवाज़ का बंद हो जाना
- अपने ही कंप्यूटर से बात करने के लिए ज़रूरी कोई खाता
चार क़दम, और उनमें से कोई मशीन से बाहर नहीं जाता।
आवाज़ भीतर, आवाज़ बाहर — और बीच में वही एजेंट और वही औज़ार।
यह भांप लेता है कि आपने बोलना शुरू किया
बोली को कमरे के शोर से डिवाइस पर ही अलग कर लिया जाता है, इसलिए जब तक आप इससे मुख़ातिब नहीं हैं, माइक्रोफ़ोन कहीं कुछ भी नहीं भेज रहा होता।
आपके शब्द यहीं टेक्स्ट बनते हैं
पहचान आपके अपने प्रोसेसर पर चलती है। कोई ऑडियो नहीं चढ़ता, और कोई ट्रांसक्रिप्शन सेवा आपकी कही बात की प्रति नहीं रखती।
एजेंट काम करता है
वही एजेंट, वही औज़ार, वही गढ़े हुए इंटरफ़ेस। आवाज़ भीतर आने का एक और रास्ता है, उत्पाद का घटा हुआ रूप नहीं।
यह बोलकर जवाब देता है
वाक् संश्लेषण भी लोकल चलता है, इसलिए जवाब बिना किसी आवाजाही के शुरू होता है और नेटवर्क निकाल देने पर भी चलता रहता है।
आपने बोलकर पूछा। लौटकर यह आता है।
कोई पढ़कर सुनाया गया वाक्य नहीं, बल्कि वही गढ़ा हुआ इंटरफ़ेस जो टाइप की गई मांग पैदा करती — और बोलकर पढ़ना मान लिया नहीं जाता, पेश किया जाता है। यह डेस्कटॉप के अपने रेंडरर से बना है; गढ़े हुए सिर्फ़ संदेश हैं।
रात भर में जो आया, पढ़कर सुनाओ
पूरी रात, एक स्क्रीन पर
आपने बोलकर पूछा। जवाब एक स्क्रीन है, वापस पढ़कर सुनाया गया कोई पैराग्राफ़ नहीं।
बिल्ड 02:14 पर लाल हुआ और 02:51 पर फिर हरा; आपके जागने से पहले ही किसी ने ठीक कर दिया था।
एक अनुबंध हस्ताक्षरित होकर लौटा। दो थ्रेड एक आँकड़े के इंतज़ार में हैं जो सिर्फ़ आपके पास है।
इन्हें आप चाहिए
या इसे पढ़वा लीजिए
आवाज़ भी यहीं बनती है, इसलिए इसमें से कुछ भी मशीन से बाहर नहीं जाता।
आवाज़ पूरे सिस्टम तक पहुंचती है, उसके कटे-छंटे रूप तक नहीं।
ज़्यादातर सहायक आवाज़ को ऐप से छोटा दिमाग़ देते हैं: सीमित कमांड, मुट्ठी भर इरादे, और बाक़ी हर चीज़ पर कंधे उचकाना। यहां वही एजेंट है और वही औज़ार, इसलिए बोलकर की गई मांग भी ब्राउज़र चला सकती है, फ़ाइलें बदल सकती है, या इंटरफ़ेस गढ़ सकती है — ठीक वैसे ही जैसे टाइप की गई मांग।
- वही एजेंट, वही औज़ार, वही स्मृति
- बोलकर की गई मांग सिर्फ़ एक वाक्य नहीं, गढ़ा हुआ इंटरफ़ेस लौटा सकती है
- लंबे काम चलते रहते हैं और पूरा होने पर बता देते हैं
- काम के बीच में बोलने और टाइप करने के बीच बदलिए, सिलसिला टूटता नहीं
- हाथ व्यस्त, नज़र कहीं औरकुछ और करते हुए किसी चीज़ की स्थिति पूछिए, और बोलकर जवाब पाइए — साथ ही एक गढ़ा हुआ दृश्य, जो आपके लौटने पर तैयार मिलता है।
- ऐसा श्रुतलेख जो संदर्भ समझता हैसिर्फ़ प्रतिलेखन नहीं: एजेंट के पास आपकी फ़ाइलें और इतिहास हैं, इसलिए "इसे मंगलवार वाले सिलसिले के लिए लिख दो" सही चीज़ पर जाकर बैठता है।
- सचमुच निजी बातचीतवैसी बातें जो लोग किसी स्मार्ट स्पीकर से नहीं कहते। क़ानूनी, चिकित्सकीय, आर्थिक, व्यक्तिगत। कुछ भी चढ़ता नहीं, इसलिए कोई कुछ रखता भी नहीं।
- बिना कनेक्शन के भी चलता हैहवाई जहाज़ में, बिना नेटवर्क वाली किसी जगह पर, या जानबूझकर नेटवर्क से कटी मशीन पर। आवाज़ "उपलब्ध नहीं" पर नहीं गिरती।
आवाज़ के बारे में लोग क्या पूछते हैं।
क्या मेरी आवाज़ किसी सर्वर पर भेजी जाती है?
नहीं। पहचान और संश्लेषण, दोनों आपकी मशीन पर उन मॉडलों से चलते हैं जो सिस्टम के साथ आते हैं। न ऑडियो चढ़ाने का कोई चरण है, न रास्ते में कोई ट्रांसक्रिप्शन प्रदाता — और यही पूरी वजह है कि आवाज़ उन बातचीतों के लायक़ बनती है जिन्हें लोग वरना माइक्रोफ़ोन के पास करने से बचते हैं।
क्या आवाज़ बिना इंटरनेट के काम करती है?
हां। वाक् मॉडल भाषा मॉडल के साथ ही लोकल स्थापित होते हैं, इसलिए बिना नेटवर्क वाली मशीन भी सुनती और जवाब देती है। यही गुण नेटवर्क से कटी हुई स्थापना को व्यावहारिक बनाता है।
क्या आवाज़ के लिए खाता या सदस्यता चाहिए?
नहीं। आवाज़ लोकल सिस्टम का हिस्सा है और हर इस्तेमाल पर कुछ ख़र्च नहीं होता। प्रति-मिनट ट्रांसक्रिप्शन का बिल इसलिए नहीं है क्योंकि कोई ट्रांसक्रिप्शन सेवा ही नहीं है।
क्या यह हमेशा सुनता रहता है?
बोली को पृष्ठभूमि के शोर से डिवाइस पर ही अलग किया जाता है, और किसी भी क्षण कुछ भी मशीन से बाहर नहीं जाता। इसलिए जब यह आपके लिए सुन रहा होता है, तब भी कोई ऐसा प्रवाह कहीं नहीं जा रहा जिसे रोका या रखा जा सके।
क्या मैं आवाज़ और स्क्रीन साथ इस्तेमाल कर सकता हूं?
इसे इसी तरह इस्तेमाल करने के लिए बनाया गया है। बोलकर पूछे गए सवाल पर बोला हुआ जवाब और गढ़ा हुआ इंटरफ़ेस, दोनों एक साथ आ सकते हैं — छोटा जवाब सुनकर, और ब्योरा तब स्क्रीन पर जब आप उधर लौटें।
बोलकर कहिए।
डाउनलोड मुफ़्त है, और माइक्रोफ़ोन आपकी अपनी मशीन की तरफ़ ही ताकता रहता है।