वॉइस AI-एजेंट

वॉइस एजेंट सेवा में क्या शामिल है

हम एक वॉइस AI-एजेंट डिज़ाइन और बनाते हैं, जो आपकी स्क्रिप्ट के मुताबिक़ ख़ुद डेटाबेस पर कॉल करता है और इनकमिंग कॉल लेता है। काम में शामिल है: संवाद की स्क्रिप्ट और शाखाओं का लॉजिक लिखना, वाणी पहचान और स्पीच सिंथेसिस इंजन चुनना तथा सेट करना, SIP के ज़रिए टेलीफ़ोनी से कनेक्ट करना और आपके CRM या कॉन्टैक्ट बेस के साथ इंटीग्रेशन। संचार के उपकरण, टेलीफ़ोन लाइनें और सर्वर ख़ुद आपके या प्रोवाइडर के रहते हैं — हम सॉफ्टवेयर वाला हिस्सा लिखते हैं, उसे आपके नंबर और चैनल के हिसाब से सेट करते हैं और लाइव हालत तक लाते हैं। अलग से हम विफलताओं की हैंडलिंग पर काम करते हैं: कॉल न लगने, ऑपरेटर को ट्रांसफ़र या जवाब न पहचाने जाने पर एजेंट क्या कहता है। नतीजे में आपको बातचीत के लॉग और कॉल-कनेक्ट मेट्रिक्स के साथ एक सेट किया हुआ वॉइस तंत्र मिलता है, कोई काल्पनिक डेमो नहीं।

एजेंट कैसे सुनता और बोलता है

मूल रूप से वॉइस एजेंट चार ब्लॉकों का मेल है, जो रियल-टाइम में काम करते हैं। लाइन से आने वाली ध्वनि वाणी पहचान मॉड्यूल (STT) में जाती है, जो बात करने वाले के शब्दों को टेक्स्ट में बदलता है, फिर भाषा मॉडल (LLM) स्क्रिप्ट के मुताबिक़ तय करता है कि क्या जवाब देना है, और स्पीच सिंथेसिस (TTS) जवाब को आवाज़ में बदलकर वापस लाइन पर भेजता है। यह सब SIP-टेलीफ़ोनी के ज़रिए होता है, जो कनेक्शन को बनाए रखती है और ग्राहक तथा सिस्टम के बीच ऑडियो-स्ट्रीम भेजती है। पूरे चक्र की देरी अहम है: अगर जवाब डेढ़ सेकंड से देर से आता है, तो बातचीत रोबोट से बात जैसी लगती है, इसलिए ब्लॉक न्यूनतम प्रतिक्रिया-समय के हिसाब से चुने और सेट किए जाते हैं। हम इस श्रृंखला को ग्राहक या प्रोवाइडर के इन्फ़्रास्ट्रक्चर पर जोड़ते हैं और हर जोड़ को कैलिब्रेट करते हैं, बने-बनाए सर्विस को यूँ ही अंदाज़े से नहीं जोड़ देते।

वाणी की तकनीक कहाँ से विकसित हुई

मशीनी स्पीच सिंथेसिस की गिनती Voder से होती है — वह उपकरण जिसे होमर डडली और उनकी टीम ने Bell Labs में 1939 की विश्व प्रदर्शनी में दिखाया; यह 1926 से चल रहे डडली के वोकोडर पर किए काम से विकसित हुआ। वाणी पहचान बाद में आई: 1952 में उन्हीं Bell Labs ने Audrey प्रणाली बनाई, जो बोले गए अंकों को फ़ॉर्मेंट के आधार पर अलग करती थी, और 1962 में IBM ने Shoebox दिखाया, जो 16 शब्द समझता था। 1970 के दशक में DARPA कार्यक्रम (1971–1976) कार्नेगी मेलन यूनिवर्सिटी की HARPY प्रणाली तक पहुँचा, जो 1976 में बीम सर्च एल्गोरिदम के बल पर लगभग एक हज़ार शब्द पहचानती थी। ये शुरुआती मशीनें बेहद छोटी शब्दावली पर काम करती थीं, पर इन्होंने साबित किया कि कंप्यूटर सिद्धांततः सुन और बोल दोनों सकता है। आधुनिक वॉइस AI-एजेंट इसी कड़ी का सीधा विस्तार है, बस शब्दावली और गुणवत्ता कई गुना बढ़ गई।

नतीजा सॉफ्टवेयर और सेटअप पर क्यों निर्भर करता है

कॉल के लिए हार्डवेयर सबके लिए एक-सा उपलब्ध है, और नतीजे का फ़र्क़ ख़ास तौर पर सॉफ्टवेयर वाला हिस्सा ही देता है: स्क्रिप्ट, पहचान की सटीकता और आवाज़ की गुणवत्ता। अगर STT «हाँ» और «नहीं» में गड़बड़ करता है या संख्याएँ खो देता है, तो एजेंट बातचीत को ग़लत दिशा में ले जाता है, और इसे कोई टेलीफ़ोनी ठीक नहीं कर सकती — ग़लती सॉफ्टवेयर में और आपकी शब्दावली, उच्चारण तथा लाइन के शोर के हिसाब से उसके सेटअप में पैदा होती है। सिंथेसिस भी तटस्थ नहीं है: अस्वाभाविक या टूटी-फूटी वाणी लोगों को पहले ही सेकंडों में फ़ोन रखने पर मजबूर कर देती है, इसलिए आवाज़ कार्य के हिसाब से चुनी और ट्यून की जाती है, डिफ़ॉल्ट रूप में नहीं लगा दी जाती। स्क्रिप्ट को बातचीत की असली शाखाएँ संभालनी चाहिए, जिनमें बीच में टोकना, ठहराव और ग़ैर-मानक जवाब शामिल हैं, वरना एजेंट पहली ही जीवंत बातचीत में टूट जाता है। हम इसे एक इंजीनियरिंग कार्य की तरह लेते हैं: सही पहचान का हिस्सा और कॉल के पूरे होने की दर मापते हैं, साफ़ स्टूडियो आवाज़ पर किए डेमो पर भरोसा नहीं करते।

हम किन टूल्स पर काम करते हैं

वॉइस एजेंट का स्टैक चार घटकों पर बना है, और हर एक को हम ग्राहक की भाषा, बजट और लोड के हिसाब से चुनते हैं। STT वाणी को टेक्स्ट में बदलने का काम करता है और ज़रूरी भाषाओं, इंडस्ट्री शब्दावली तथा टेलीफ़ोन की ध्वनि गुणवत्ता के हिसाब से सेट होता है। TTS जवाब को आवाज़ में संश्लेषित करता है, जो दर्शकों के हिसाब से चुनी जाती है और लाइन में स्वाभाविकता तथा स्पष्टता के लिए परखी जाती है। SIP-टेलीफ़ोनी एजेंट को असली नंबरों और ऑपरेटरों से जोड़ती है, कॉल लेना और शुरू करना संभव बनाती है और आपके PBX या प्रोवाइडर से जुड़ती है। LLM स्क्रिप्ट के ऊपर संवाद का लॉजिक संभालता है — बात करने वाले का इरादा समझता है और तय नियमों के दायरे में जवाब बनाता है। हर ब्लॉक में ख़ास इंजन बदले जा सकते हैं, और हम संयोजन को देरी, प्रति मिनट लागत तथा आपकी सामग्री पर सटीकता के आधार पर चुनते हैं, और इन्फ़्रास्ट्रक्चर ग्राहक की तरफ़ सेट करते हैं।

मुख्य मानक कब सामने आए

अंग्रेज़ी के लिए टेक्स्ट-टू-स्पीच की पहली पूर्ण प्रणाली नोरिको उमेदा की टीम ने जापान की इलेक्ट्रोटेक्निकल लेबोरेटरी में 1968 में बनाई। व्यावसायिक मोड़ Digital Equipment Corporation के DECtalk ने 1984 में दिया — इसी की पहचानी जाने वाली आवाज़ में कई वर्षों तक स्टीफ़न हॉकिंग बोलते रहे। सिंथेसिस का न्यूरल-नेटवर्क युग 2016 में DeepMind के WaveNet से शुरू हुआ, जिसने पहली बार सीधे ध्वनि-तरंग पैदा की और आज की आवाज़ों की स्वाभाविकता का स्तर तय किया; वाणी पहचान न्यूरल नेटवर्क पर पहले ही आ गई थी, जो 1997 के होखराइटर और श्मिडहूबर के LSTM समेत कई चीज़ों पर टिकी थी। टेलीफ़ोन की बुनियाद SIP प्रोटोकॉल ने रखी: पहला वर्शन 1999 में RFC 2543 के रूप में आया, और मौजूदा संस्करण RFC 3261 जून 2002 में। इन्हीं आधार-तारीख़ों पर आर्टिफ़िशियल इंटेलिजेंस वाली पूरी आधुनिक वॉइस टेलीफ़ोनी टिकी है।

यह काम हमें क्यों सौंपा जा सकता है

हमारी डेवलपमेंट टीम का IT में कुल अनुभव 45 साल से ज़्यादा है, और वॉइस तंत्र को हम इंजीनियरों की तरह जोड़ते हैं, बने-बनाए डिब्बे बेचने वालों की तरह नहीं। हम हार्डवेयर नहीं बनाते और यह साफ़ कहते हैं: आपकी लाइनें और उपकरण आपके ही रहते हैं, हमारी ज़िम्मेदारी का दायरा है स्क्रिप्ट, पहचान, सिंथेसिस, SIP-इंटीग्रेशन और आपकी असली कॉल के हिसाब से सेटअप। लाइव लॉन्च से पहले प्रणाली जीवंत बातचीत पर जाँची जाती है: हम पहचान की सटीकता, कॉल के पूरे होने की दर और ग़ैर-मानक जवाबों पर एजेंट का व्यवहार मापते हैं, और पहले ग्राहक को कॉल करने से पहले ही ठीक कर लेते हैं। लॉग और मेट्रिक्स खुले रहते हैं, इसलिए साफ़ दिखता है कि एजेंट कहाँ काम करता है और स्क्रिप्ट कहाँ सुधारनी है। ऐसा तरीक़ा वॉइस AI-एजेंट का सबसे बड़ा जोखिम हटा देता है — आँख मूँदकर लॉन्च, जो पहली ही कुछ सौ कॉलों में कन्वर्ज़न और साख गिरा देता है।