குரல் AI எப்படி வேலை செய்கிறது: பேச்சு அறிதல், LLM, Text-to-Speech
குரல் AI தொலைபேசி முகவர்களின் பின்னால் உள்ள செயல்முறைக்கு எளிய வழிகாட்டி: speech-to-text, மொழி மாதிரி, text-to-speech, முறை மாற்றம், தாமதம், பாதுகாப்பான ஒப்படைப்பு.
AI முகவருடன் தொலைபேசி அழைப்பு, அது வேலை செய்கிறதா என்பதைப் பொறுத்து, மாயம் போலவோ புதிர் போலவோ உணரப்படலாம். அதன் பின்னால் ஒப்பீட்டளவில் எளிய கருத்து உள்ளது: அழைப்பாளரின் குரலை உரையாக மாற்றி, மொழி மாதிரி என்ன சொல்வது என்று தீர்மானிக்கட்டும், பதிலை மீண்டும் பேச்சாக மாற்றுங்கள்; இவை அனைத்தும் உரையாடல் போல உணரப்படும் அளவுக்கு விரைவாக. ஒவ்வொரு நிலையையும், எங்கே தவறாகிறது என்பதையும், ஒரு முகவரை எப்படி அமைப்பது என்பதற்கு அதன் பொருளையும் இந்த வழிகாட்டி விளக்குகிறது. பரந்த படத்துக்கு AI தொலைபேசி வரவேற்பு என்றால் என்ன? என்பதிலிருந்து தொடங்குங்கள்.

குரல் AI அழைப்பின் அடிப்படைச் சுழற்சி
- கேள்அழைப்பாளரிடமிருந்து வரும் ஒலி பிடிக்கப்பட்டு சுத்தம் செய்யப்படுகிறது.
- எழுத்துப்பிரதியாக்குSpeech-to-text ஒலியைச் சொற்களாக மாற்றுகிறது.
- முடிவு செய்அடுத்து என்ன சொல்ல அல்லது செய்ய வேண்டும் என்று மொழி மாதிரி தேர்ந்தெடுக்கிறது.
- பேசுText-to-speech பதிலை ஒலியாக மாற்றுகிறது.
- மீண்டும் செய்அழைப்பு முடியும் வரை அல்லது ஒப்படைக்கப்படும் வரை ஒவ்வொரு முறைக்கும் சுழற்சி இயங்குகிறது.
நிலை ஒன்று: speech-to-text
பேச்சு அறிதல் ஒலியைச் சொற்களாக மாற்றுகிறது. தொலைபேசி இணைப்பில் ஒலி குறுகிய அலைவரிசையுடன் சுருக்கப்பட்டிருக்கும்; இது ஸ்டுடியோ பதிவை விடக் கடினமாக்குகிறது. உச்சரிப்புகள், பின்னணிச் சத்தம், ஒன்றன்மேல் ஒன்றாகப் பேசுதல், அசாதாரணப் பெயர்கள் துல்லியத்தைப் பாதிக்கின்றன. நவீன அமைப்புகள் அன்றாடப் பேச்சில் நன்றாகச் செய்ய முடியும்; ஆனால் எண்கள், எழுத்துக்கூட்டல்கள், பெயர்கள், மருந்துகள் அல்லது தெருப் பெயர்கள் போன்ற துறைச் சொற்கள் பொதுவான பலவீனப் புள்ளிகள்.
- Streaming அறிதல், அழைப்பாளர் இன்னும் பேசும்போதே சொற்களை உருவாக்கி நேரத்தை மிச்சப்படுத்துகிறது.
- நன்றாகச் செய்ய, அறிவான்களுக்குப் பெரும்பாலும் தயாரிப்பு அல்லது இடப் பெயர்களின் பட்டியல் போன்ற குறிப்புகள் தேவை.
- நம்பிக்கை என்பது உறுதி அல்ல; அமைப்பு நம்பிக்கையுடன் தவறாக இருக்கலாம்.
- ஒரு முறையின் முடிவைக் கேட்பது, சொற்களை அறிவதிலிருந்து தனி வேலை.
மேலும் விவரங்கள் தொலைபேசி அழைப்புகளுக்கான பேச்சு அறிதல், எண்களையும் பெயர்களையும் கையாளுதல் மற்றும் உச்சரிப்புகளும் வட்டார வழக்குகளும் ஆகியவற்றில் உள்ளன.
நிலை இரண்டு: மொழி மாதிரி
ஒரு பெரிய மொழி மாதிரி இதுவரையிலான எழுத்துப்பிரதியை, நீங்கள் எழுதிய அறிவுறுத்தல்களையும் நீங்கள் வழங்கிய தகவலையும் சேர்த்துப் படித்து, அடுத்த பதிலை உருவாக்குகிறது. அது தானாகத் தேடுவதில்லை; தனக்குத் தரப்பட்டதையே சார்ந்திருக்கிறது. அதனால்தான் prompt-உம் அறிவுத் தளமும் இவ்வளவு முக்கியம். மாதிரி தவறாக இருக்கும்போதும் சரளமாக ஒலிக்க முடியும்; அதனால்தான் பாதுகாப்பு வரம்புகளும் சோதனையும் அவசியம்.
மாதிரியின் பதிலை வடிவமைப்பவை
- அறிவுறுத்தல்கள்நீங்கள் கொடுக்கும் பங்கு, தொனி, விதிகள், வரம்புகள்.
- அறிவுஅது பயன்படுத்தக்கூடிய ஆவணங்கள், Q&A, உண்மைகள்.
- இதுவரையிலான உரையாடல்இந்த அழைப்பில் என்ன சொல்லப்பட்டுள்ளது.
- கருவிகள்ஆர்டரைத் தேடுவது அல்லது செய்தியைக் குறிப்பது போல அது செய்யக்கூடிய செயல்கள்.
தொலைபேசி முகவருக்கு prompt எழுதுதல், குரல் முகவர்களுக்கான RAG, hallucination-கள் மற்றும் பாதுகாப்பு வரம்புகள் (guardrails) போன்ற வழிகாட்டிகள் ஆழமாகச் செல்கின்றன. உறுதியில்லாதபோது என்ன செய்வது, எடுத்துக்காட்டாக ஒருவரை வழங்குவது அல்லது செய்தியைப் பெறுவது, என்று சொல்லும் prompt பல சிக்கல்களைத் தடுக்கிறது.
நிலை மூன்று: text-to-speech
Text-to-speech பதிலை ஒலியாக மாற்றுகிறது. குரல்கள் தெளிவு, அன்பு, உங்கள் மொழியில் இடைநிறுத்தங்கள், எண்கள், பெயர்களைக் கையாளும் விதத்தில் வேறுபடுகின்றன. சில குரல்களை உச்சரிப்பு அகராதியுடன் சரிசெய்யலாம். புதுமைக்காக அல்ல, தொலைபேசி இணைப்பில் தெளிவுக்காக ஒரு குரலைத் தேர்ந்தெடுத்து, அது சொல்லப்போகும் உண்மைச் சொற்றொடர்களுடன் சோதியுங்கள். மொழிக்குரிய சிக்கல்களுக்கு ஓர் எடுத்துக்காட்டாக ஜப்பானிய மொழியில் text-to-speech என்பதையும், தனிப்பயன் குரலைப் பயன்படுத்தும்போது ஒப்புதல், ஆபத்துக்கு குரல் குளோனிங் என்பதையும் பார்க்கவும்.
நேரம் அனுபவத்தை ஏன் தீர்மானிக்கிறது
மனித உரையாடலில் முறைகள் வேகமாக மாறுகின்றன. ஒரு விநாடிக்கு மேலான இடைவெளி விசித்திரமாக உணரப்படுகிறது. மூன்று-நிலைச் செயல்முறையில் ஒவ்வொரு படியும் தாமதத்தைச் சேர்க்கிறது; மாதிரி சிந்திக்கவும் நேரம் எடுக்கலாம். வடிவமைப்பாளர்கள் streaming மூலம் தாமதத்தைக் குறைக்கிறார்கள்: முழுப் பதிலும் தயாராகும் முன் பேசத் தொடங்குவது, அழைப்பாளர் நிறுத்தும் முன் எழுத்துப்பிரதியாக்கத் தொடங்குவது. அழைப்பாளர் முடித்துவிட்டார் என்று எப்போது முடிவு செய்வது என்பதையும் அவர்கள் சரிசெய்கிறார்கள்.
செயல்முறை மற்றும் speech-to-speech
| மூன்று-நிலைச் செயல்முறை | Speech-to-speech மாதிரி | |
|---|---|---|
| எப்படி வேலை செய்கிறது | தனித்தனி அறிதல், மாதிரி, குரல் | ஒரு மாதிரி உள்வரும், வெளிச்செல்லும் ஒலியைக் கையாள்கிறது |
| கட்டுப்பாடு | ஒவ்வொரு நிலையையும் சரிசெய்யலாம் அல்லது மாற்றலாம் | குறைவாகத் தெரியும், கூடுதல் ஒருங்கிணைந்தது |
| தாமதம் | நிலைகள் முழுவதும் கூடுகிறது | குறைவாக இருக்கலாம் |
| எழுத்துப்பிரதி | ஒவ்வொரு படியிலும் உரை கிடைக்கிறது | உரையை உருவாக்க கூடுதல் வேலை தேவைப்படலாம் |
| முதிர்ச்சி | பரவலாகப் பயன்படுத்தப்படுகிறது | புதியது, வேகமாக மாறுகிறது |
Speech-to-speech மாதிரிகள் ஒரு புதிய அணுகுமுறை. எப்படியிருந்தாலும், தாமதம் (latency), குறுக்கீடுகள் மற்றும் முறை மாற்றம் (turn-taking) முகவர் இயல்பாக உணரப்படுகிறதா என்பதைத் தீர்மானிக்கின்றன.
குறுக்கீடுகள்
மக்கள் குறுக்கிடுகிறார்கள். நல்ல முகவர் அழைப்பாளர் தொடங்கும்போது பேசுவதை நிறுத்தும்; இருமலையோ பின்னணிக் குரலையோ குறுக்கீடாக எடுத்துக்கொள்ளாது. இது பேச்சைக் கண்டறிவதைச் சார்ந்தது; அது குரல் செயல்பாட்டுக் கண்டறிதல் (Voice Activity Detection) கட்டுரையில் உள்ளது. மோசமாகச் சரிசெய்யப்பட்ட அமைப்புகள் அழைப்பாளர்கள் மேல் பேசுகின்றன, அல்லது மிக நீண்ட நேரம் காத்திருக்கின்றன.
கருவிகள், அறிவு, செயல்கள்
குரல் முகவர் வெறும் அரட்டையை விட அதிகம் செய்ய முடியும்போது பயனுள்ளதாகிறது. இணைக்கப்பட்ட கருவிகளால் அது தகவலைத் தேடலாம், செய்தியைப் பதிவு செய்யலாம், திரும்ப அழைப்புக் கோரிக்கையைக் குறிக்கலாம், அழைப்பை ஒருவருக்கு அனுப்பலாம். ஒவ்வொரு கருவிக்கும் குறுகிய நோக்கமும் தெளிவான விதிகளும் இருக்க வேண்டும். முகவர் சந்திப்புக்கான கோரிக்கையைப் பெறலாம்; அதை உறுதிப்படுத்துவது வேறு விஷயம்; பல வணிகங்கள் ஒருவர் உறுதிப்படுத்துவதையே விரும்புகின்றன. செயல்பாட்டு அழைப்பு (Function calling) கருவிகள் மாதிரிக்கு எப்படி விவரிக்கப்படுகின்றன என்று விளக்குகிறது.
ஒலிக்கும் உரைக்கும் என்ன நடக்கிறது
ஒவ்வொரு நிலையும் தனிப்பட்ட தரவைக் கையாள்கிறது. ஒலியில் ஒரு குரல் உள்ளது; எழுத்துப்பிரதியில் பெரும்பாலும் பெயர்கள், முகவரிகள், அழைப்பதற்கான காரணங்கள் உட்பட பேசப்பட்டது உள்ளது. செயல்படுத்தும் முன், ஒவ்வொரு நிலையும் எங்கே இயங்குகிறது, என்ன சேமிக்கப்படுகிறது, எவ்வளவு காலம், யார் படிக்கலாம் என்று கண்டறியுங்கள். கட்டணம் அல்லது உடல்நலத் தகவல் போன்ற உணர்திறன் மிக்க விவரங்களை முகவர் சேகரிக்கவே வேண்டுமா, அல்லது ஒருவருக்கு அனுப்ப வேண்டுமா என்று முடிவு செய்யுங்கள். தனியுரிமையை மனதில் கொண்டு குரல் AI-ஐ வடிவமைத்தல் இதை மேலும் ஆழமாக உள்ளடக்குகிறது.
முகவரின் வேலையைக் குறுகியதாக வையுங்கள். பொதுவான கேள்விகளுக்குப் பதிலளித்து, செய்தியைப் பெற்று, ஒப்படைக்கும் முகவர், எல்லாவற்றையும் செய்ய முயல்வதை விடச் சோதிக்க எளிது, அழைப்பாளர்களுக்கு விளக்க எளிது, உங்கள் தனியுரிமை உறுதிமொழிகளுக்குள் வைத்திருக்க எளிது.
நடைமுறையில் எதை எதிர்பார்க்கலாம்
எளிய, முன்னறியக்கூடிய அழைப்புகளில் நல்ல முடிவை எதிர்பாருங்கள்: திறந்திருக்கும் நேரம், வழி, அடிப்படைக் கேள்விகள், செய்தி பெறுதல். நீண்ட, உணர்ச்சிபூர்வமான அல்லது தெளிவற்ற அழைப்புகள், வலுவான உச்சரிப்புகள், மோசமான இணைப்புகள், தீர்ப்பு தேவைப்படும் கோரிக்கைகளில் அதிகச் சிரமத்தை எதிர்பாருங்கள். விவேகமான அறிமுகம் சிறு அழைப்பு வகைகளுடன் தொடங்கி, முதலில் ஒவ்வோர் அழைப்பையும் கேட்டு, நம்பிக்கை வளரும்போது விரிவாக்கும். நினைவில் கொள்ள வேண்டிய சொற்றொடர்: முகவர் வரையறுக்கப்பட்ட பணிகளுக்கு உதவ வடிவமைக்கப்பட்டுள்ளது, தீர்ப்பை மாற்றுவதற்கு அல்ல.
எங்கே தவறாகிறது
- தவறாகக் கேட்கப்பட்ட சொற்களோ எண்களோ தவறான பதில்களுக்கு வழிவகுக்கின்றன.
- மாதிரி தனக்குத் தெரியாது என்று ஒப்புக்கொள்ளாமல் ஒரு பதிலைக் கற்பனை செய்கிறது.
- தாமதங்கள் அழைப்பாளர்களைத் தங்களை மீண்டும் சொல்லவோ துண்டிக்கவோ வைக்கின்றன.
- பின்னணிச் சத்தம் அல்லது குறுக்குப் பேச்சு பேச்சாக எடுத்துக்கொள்ளப்படுகிறது.
- அழைப்பாளர் முகவரின் வீச்சுக்கு வெளியே ஒன்றை விரும்புகிறார்; வெளியேற முடியவில்லை.
இவற்றுக்காக வடிவமையுங்கள். ஒருவரை அடைவதை எளிதாக்குங்கள், பதில்களைச் சுருக்கமாக வையுங்கள், எண்கள், தேதிகள் போன்ற முக்கிய விவரங்களை உறுதிப்படுத்துங்கள், உண்மை அழைப்புகளைத் தவறாமல் மதிப்பாய்வு செய்யுங்கள். குரல் முகவரைச் சோதித்தல் மற்றும் மதிப்பீட்டு அளவீடுகள் எப்படி என்று விளக்குகின்றன.
Call-இல் செய்வது
Call-இல், ஒரு AI முகவர் persona மற்றும் prompt, ஒரு குரல், ஒரு மொழி, அறிவு மூலங்களிலிருந்து உருவாக்கப்படுகிறது; பிறகு ஓர் எண்ணுக்கு இயக்கப்படும் முன் திரையிலும் தொலைபேசியிலும் சோதிக்கப்படுகிறது. குரல்களில் தேர்ந்தெடுக்கவும், அகராதியால் உச்சரிப்பைச் சரிசெய்யவும், பேச்சு எப்படி அறியப்படுகிறது என்பதைச் சரிசெய்யவும், மூலங்களைப் புதுப்பிக்கவும் Call அனுமதிக்கிறது. கேட்கப்படும்போது அழைப்பாளர்களை ஒருவருக்கு இணைக்கவும், செய்தியைப் பெறவும் முகவர் வடிவமைக்கப்பட்டுள்ளது. ஓர் எண்ணுக்கு முகவரை இயக்கும் வரை அழைப்புகள் உங்கள் குழுவுக்கு ஒலிக்கும். எப்போதும் முதலில் உங்கள் சொந்த அழைப்புகளுடன் சோதியுங்கள். Call-இல் AI முகவரை அமைத்தல் படிகளை விளக்குகிறது.
அடிக்கடி கேட்கப்படும் கேள்விகள்
குரல் AI முகவரின் மூன்று பகுதிகள் எவை?
அழைப்பாளரைக் கேட்கும் speech-to-text, என்ன சொல்வது என்று தீர்மானிக்கும் மொழி மாதிரி, பதிலைப் பேசும் text-to-speech. சில புதிய அமைப்புகள் அவற்றை இணைக்கின்றன.
AI சில சமயம் பதிலளிக்கும் முன் ஏன் இடைநிறுத்துகிறது?
ஒவ்வொரு நிலைக்கும் நேரம் ஆகும்; அழைப்பாளர் பேசி முடித்துவிட்டார் என்று அமைப்பு முடிவு செய்ய வேண்டும். Streaming-உம் சரிசெய்தலும் இடைவெளியைக் குறைக்கலாம், நீக்க முடியாது.
AI கற்பனையாகச் சொல்ல முடியுமா?
முடியும். மொழி மாதிரி நம்பத்தகுந்ததாகத் தோன்றும் ஆனால் தவறான பதில்களை உருவாக்கலாம். நல்ல அறிவு, தெளிவான வரம்புகள், உறுதியில்லாதபோது ஒருவரை வழங்கும் அறிவுறுத்தலைக் கொடுங்கள்.
குரல் முகவர் சந்திப்புகளை முன்பதிவு செய்ய முடியுமா?
அது கோரிக்கையைப் பெற்று அனுப்பலாம். பல வணிகங்கள் ஒருவர் உறுதிப்படுத்துவதை விரும்புகின்றன; எனவே முகவர் எதை உறுதியளிக்கலாம் என்று முடிவு செய்யுங்கள்.
இது AI என்று அழைப்பாளர்களுக்குச் சொல்ல வேண்டுமா?
பல இடங்களில் மக்கள் அதை அறிய எதிர்பார்க்கிறார்கள் அல்லது உரிமை பெற்றுள்ளனர். அழைப்பின் தொடக்கத்தில் தெளிவாகச் சொல்லி, உங்களுக்குப் பொருந்தும் விதிகளைச் சரிபாருங்கள்.
அது வேலை செய்கிறது என்று எப்படிச் சரிபார்ப்பது?
வெவ்வேறு உச்சரிப்புகளிலும் சத்த நிலைகளிலும் உண்மை அழைப்புகளுடன் சோதித்து, முடிவுகளைக் கேட்டு, ஒவ்வொரு மாற்றத்துக்குப் பிறகும் மீண்டும் இயக்கும் கேள்விகளின் பட்டியலை வையுங்கள்.