ഒന്നിലധികം ഭാഷകളിലുള്ള ദൈർഘ്യമേറിയ സംഭാഷണങ്ങൾ പോലും എഴുത്ത് രൂപത്തിലേക്ക് മാറ്റാം: ബഹുഭാഷാ സ്പീച്ച്-ടു-ടെക്സ്റ്റ് മോഡലുമായി മെറ്റ
പല ഭാഷകൾ സംസാരിച്ചാലും, 20-ലധികം ആളുകൾ മാറിമാറി സംസാരിച്ചാലും വേർതിരിച്ചറിയാനും ദൈർഘ്യമേറിയ ഓഡിയോ ഇൻപുട്ടുകളെ ട്രാൻസ്ക്രൈബ് ചെയ്യാനും മെറ്റ പുറത്തിറക്കിയ തത്സമയ ബഹുഭാഷാ സ്പീച്ച്-ടു-ടെക്സ്റ്റ് മോഡലായ മ്യൂസ് വോയ്സ് ട്രാൻസ്ക്രൈബിന് കഴിയും.
Published : September 2, 2026 at 4:21 PM IST
ഹൈദരാബാദ്: ആദ്യത്തെ റിയൽ-ടൈം ഓഡിയോ മോഡലായ മ്യൂസ് വോയ്സ് ട്രാൻസ്ക്രൈബ് പ്രഖ്യാപിച്ച് മെറ്റ. സംഭാഷണങ്ങൾ റിയൽ ടൈമിൽ എഴുത്ത് രൂപത്തിലേക്ക് (ട്രാൻസ്ക്രിപ്ഷൻ) മാറ്റാവുന്ന സാങ്കേതികവിദ്യയാണ് ഇതിലുള്ളത്. മെറ്റാ സൂപ്പർഇന്റലിജൻസ് ലാബ്സ് ആണ് പുതിയ മോഡൽ വികസിപ്പിച്ചെടുത്തത്. ഒരേസമയം തന്നെ പല ഭാഷകളിൽ പറയുന്ന സംഭാഷണങ്ങൾ എഴുത്ത് രൂപത്തിലേക്ക് മാറ്റാൻ സാധിക്കും.
ഒരേസമയം പല ഭാഷകൾ സംസാരിച്ചാലും ഏത് ഭാഷയാണെന്നും ആരാണ് സംസാരിക്കുന്നതെന്നും വേർതിരിച്ചറിയാൻ പുതിയ മോഡലിന് സാധിക്കും. മെറ്റാ എഐ ഫീച്ചർ വഴി മാക് കമ്പ്യൂട്ടറുകളിൽ പുതിയ വോയ്സ് ട്രാൻസ്ക്രൈബ് ഉപയോഗപ്പെടുത്താം. ഇതിനായി ഫങ്ഷൻ കീ അമർത്തിപ്പിടിച്ചാൽ മാത്രം മതി. ശേഷം സംസാരിച്ചുകൊണ്ട് ഏത് ആപ്പിലും ഇത് ഉപയോഗിക്കാം. ഡെവലപ്പർമാർക്കായി മ്യൂസ് കോഡ്, മെറ്റാ മോഡൽ എപിഐ എന്നിവ വഴിയും ഇത് ലഭ്യമാണ്.
Introducing Muse Voice Transcribe! 🗣️
— Spencer Barnett (@spencerbarnett) September 1, 2026
This is our first real-time audio perception model from @AIatMeta. It's trained on 70+ languages and delivers diarization with 20+ speakers.
Available now in the Meta AI macOS app! pic.twitter.com/28jMzyR88L
മ്യൂസ് വോയ്സ് ട്രാൻസ്ക്രൈബിന് എന്തൊക്കെ ചെയ്യാൻ കഴിയും?
തത്സമയ സ്ട്രീമിങ് ASR, 20+ സ്പീക്കറുകൾ ഉള്ള ഡയറൈസേഷൻ, എൻഡ്പോയിൻ്റിങ് എന്നിവ നൽകാൻ മ്യൂസ് വോയ്സ് ട്രാൻസ്ക്രൈബ് മോഡലിന് സാധിക്കുമെന്ന് മെറ്റ പറയുന്നു. ഇതിന്റെ പ്രധാന സവിശേഷതകൾ പരിശോധിക്കാം.
- റിയൽടൈം ട്രാൻസ്ക്രിപ്ഷൻ: സംസാരിക്കുന്ന അതേ സമയം തന്നെ ശബ്ദത്തെ അക്ഷരങ്ങളാക്കി മാറ്റാൻ ഇതിന് സാധിക്കും.
- ആരാണ് സംസാരിച്ചതെന്ന് വേർതിരിച്ചറിയും: ഒരു സംഭാഷണത്തിൽ 20-ലധികം ആളുകൾ മാറിമാറി സംസാരിച്ചാലും, ഓരോ വാക്കും പറഞ്ഞത് ആരാണെന്ന് കൃത്യമായി തിരിച്ചറിയാൻ ഇതിന് കഴിയും.
- സംസാരം അവസാനിക്കുന്നത് അറിയാം: ഒരാൾ സംസാരിച്ചു കഴിഞ്ഞാൽ മനസ്സിലാക്കാൻ കഴിയും.
- പല ഭാഷകൾ ഒരേ സമയം സംസാരിച്ചാലും വേർതിരിച്ചറിയും (കോഡ് സ്വിച്ചിങ്): സംസാരിക്കുന്നതിനിടയിൽ ഒരേസമയം പല ഭാഷകൾ മാറിമാറി ഉപയോഗിച്ചാലും മോഡൽ വേർതിരിച്ചറിയുകയും കൃത്യമായി രേഖപ്പെടുത്തുകയും ചെയ്യും. ഉദാഹരണത്തിന് രണ്ട് ഭാഷകൾ അറിയാവുന്നവർ സംസാരിക്കുമ്പോൾ ഒരേ വാക്യത്തിലോ അല്ലെങ്കിൽ അടുത്തടുത്ത വാക്യങ്ങളിലോ ഭാഷകൾ മാറിമാറി ഉപയോഗിച്ചാലും മോഡലിന് മനസിലാക്കാൻ സാധിക്കും.
- ഉയർന്ന നിലവാരം: ട്രാൻസ്ക്രിപ്ഷന് നിലവിലുള്ള സാങ്കേതികവിദ്യകളേക്കാൾ ഏറ്റവും മികച്ചതും കൃത്യതയുള്ളതുമാണ് പുതിയ മോഡൽ.
- സാഹചര്യങ്ങൾ മനസ്സിലാക്കും: സംസാരിക്കുന്ന വിഷയം ഏതാണെന്ന് മനസ്സിലാക്കി, വാക്കുകൾ കൂടുതൽ കൃത്യതയോടെ എഴുതിയെടുക്കാൻ ഇതിന് പ്രത്യേക കഴിവുണ്ട്.
- ദൈർഘ്യമേറിയ സംഭാഷണങ്ങൾ പിന്തുണയ്ക്കും: ഒരു മണിക്കൂറിലധികം നീളമുള്ള വലിയ ഓഡിയോ റെക്കോർഡിങുകൾ പോലും, മറ്റൊരു പരിശോധനയുടെയും ആവശ്യമില്ലാതെ തത്സമയമ എഴുത്ത് രൂപത്തിലേക്ക് മാറ്റും.
പിന്തുണയ്ക്കുന്ന ഭാഷകൾ
മെറ്റാ സൂപ്പർഇന്റലിജൻസ് ലാബ്സിന്റെ കണക്കനുസരിച്ച്, ഈ മോഡലിന് 70-ലധികം ഭാഷകളിൽ പരിശീലനം നൽകിയിട്ടുണ്ട്. ഇതിൽ 25 എണ്ണം സമാരംഭത്തിൽ സാധൂകരിക്കപ്പെട്ടു. അതിൽ ഹിന്ദി, ബംഗാളി, കന്നഡ, മറാത്തി, തമിഴ്, തെലുങ്ക് തുടങ്ങിയ ഒന്നിലധികം ഇന്ത്യൻ ഭാഷകളും ഉൾപ്പെടുന്നു. 25 ഭാഷകളുടെ പൂർണ്ണമായ പട്ടിക ചുവടെ നൽകുന്നു:
- അറബിക്
- ബംഗാളി
- ഡച്ച്
- ഇംഗ്ലീഷ്
- ഫ്രഞ്ച്
- ജർമ്മൻ
- ഹീബ്രു
- ഹിന്ദി
- ഇന്തോനേഷ്യൻ
- ഇറ്റാലിയൻ
- ജാപ്പനീസ്
- കന്നഡ
- കൊറിയൻ
- മലായ്
- മന്ദാരിൻ ചൈനീസ്
- മറാത്തി
- പോളിഷ്
- പോർച്ചുഗീസ്
- സ്പാനിഷ്
- ടഗാലോഗ്
- തമിഴ്
- തെലുങ്ക്
- തായ്
- ടർക്കിഷ്
- വിയറ്റ്നാമീസ്
Also read:
- അത്യാധുനിക ഭൗമ നിരീക്ഷണ ഉപഗ്രഹവുമായി ജിഎസ്എൽവി-എഫ്17 കുതിച്ചുയരും: സതീഷ് ധവാൻ സ്പേസ് സെന്ററിൽ നിന്ന് തത്സമയം കാണാം
- സ്മാർട്ട്ഫോൺ വിപണിയിലേക്ക് അരങ്ങേറ്റം കുറിച്ച് ഫിലിപ്സ്: 5700mAh ബാറ്ററിയിൽ 5ജി ഫോൺ പുറത്തിറക്കി
- 7,050mAh ബാറ്ററി, 3D കർവ്ഡ് ഡിസ്പ്ലേ: നാല് സ്റ്റോറേജ് ഓപ്ഷനുകളിൽ വിവോ ടി5 സീരിസിലേക്ക് പുതിയ ഫോൺ
- എഐ ഡാറ്റാ സെന്ററുകളിലെ വൈദ്യുതി പ്രതിസന്ധിക്ക് പരിഹാരം: പുതിയ ഫാക്ടറി തുടങ്ങാൻ സ്പേസ്എക്സ്
