SquadStack.ai का Arth V2 लॉन्च, भारतीय सेल्स कॉल्स में स्पीच रिकग्निशन बेहतर बनाने पर जोर

SquadStack.ai, जो प्रमुख भारतीय कंज्यूमर ब्रांड्स के लिए नतीजों पर आधारित Voice AI Sales Agents तैयार करती और संचालित करती है, ने Arth V2 लॉन्च किया है। यह भारतीय सेल्स बातचीत के लिए तैयार किया गया एक स्ट्रीमिंग स्पीच-टू-टेक्स्ट मॉडल है। कंपनी के अनुसार, इस मॉडल ने अपने SquadStack Conversational Streaming ASR Benchmark (8 kHz) पर कई भारतीय और वैश्विक प्रतिस्पर्धियों से बेहतर प्रदर्शन किया। इसने 8.85% की सिमेंटिक वर्ड एरर रेट दर्ज की और परीक्षण किए गए इंजनों में सबसे कम लेटेंसी हासिल की।

Arth V2, SquadStack.ai की इन-हाउस मॉडल फैक्ट्री से तैयार किया गया पहला मॉडल है। इसे भारतीय सेल्स कॉल्स की वास्तविक परिस्थितियों में बातचीत को पहचानने के लिए बनाया गया है, जहां ग्राहक अक्सर भाषाएं बदलते हैं, एजेंटों की बात के बीच बोलते हैं और शोर वाले माहौल में बातचीत करते हैं। कंपनी के अनुसार, यह मॉडल दो महीनों में 1 करोड़ मिनट से अधिक की लाइव कस्टमर कॉल्स को प्रोसेस कर चुका है।

SquadStack.ai के सह-संस्थापक और CTO विकास गुलाटी ने कहा, “स्पीच AI इतनी तेजी से बेहतर हो रहा है कि एक बार लॉन्च किया गया मॉडल, जिसे बाद में अपडेट न किया जाए, एक महीने के भीतर पुराना पड़ जाता है।” उन्होंने बताया कि कंपनी का सेल्फ-इम्प्रूवमेंट सिस्टम Lift उन कॉल्स का इस्तेमाल करता है, जिनमें शब्दों को गलत पहचाना गया था। इससे Arth के अगले वर्जन को बेहतर बनाने में मदद मिलती है। कंपनी को उम्मीद है कि वह हर कुछ सप्ताह में इसके नए वर्जन जारी करेगी।

Arth V2 ने कंपनी के बेंचमार्क पर 67 मिलीसेकंड की लेटेंसी दर्ज की

SquadStack.ai के अनुसार, Arth V2 ने अपने 8 kHz टेलीफोनी बेंचमार्क पर 8.85% की सिमेंटिक वर्ड एरर रेट दर्ज की। कंपनी का दावा है कि सटीकता और गति, दोनों के संयुक्त मापदंडों पर इसने Sarvam, Deepgram, Google, OpenAI, Cartesia और ElevenLabs जैसे प्रतिस्पर्धियों से बेहतर प्रदर्शन किया।

कंपनी के अनुसार, Arth V2 ने Sarvam Saaras v4 की तुलना में अर्थ बदलने वाली गलतियां 18% कम कीं। वहीं, Google Gemini 3.5 Transcribe की तुलना में ये गलतियां 26%, OpenAI gpt-live-transcribe की तुलना में 28% और ElevenLabs Scribe v2 Realtime की तुलना में 60% कम रहीं।

कंपनी के मुताबिक, 80% बातचीत के दौरान ग्राहक के बोलना बंद करने के 67 मिलीसेकंड के भीतर Arth V2 ने अपना अंतिम ट्रांसक्रिप्ट तैयार कर दिया। SquadStack.ai ने दावा किया कि इस बेंचमार्क पर यह Sarvam से 2.6 गुना और OpenAI से 12 गुना तेज था।

कंपनी के अनुसार, Soniox v5 ने 8.77% की थोड़ी कम एरर रेट दर्ज की, लेकिन उसकी लेटेंसी अधिक थी। SquadStack.ai का दावा है कि परीक्षण किए गए किसी अन्य इंजन ने सटीकता और गति, दोनों में Arth V2 जैसा संयुक्त प्रदर्शन नहीं किया। इस मॉडल ने लोन की राशि, EMI की तारीखों और PIN कोड जैसे नंबरों को पहचानने में भी सुधार दिखाया। सेल्स बातचीत में ये जानकारियां महत्वपूर्ण हो सकती हैं, क्योंकि किसी संख्या को गलत सुनने से AI एजेंट का अगला जवाब या उसके द्वारा की जाने वाली कार्रवाई प्रभावित हो सकती है।

बेंचमार्क में भारतीय टेलीफोन पर होने वाली वास्तविक बातचीत पर फोकस

SquadStack Conversational Streaming ASR Benchmark को 863 वास्तविक भारतीय सेल्स कॉल्स के आधार पर तैयार किया गया है। कंपनी के अनुसार, इन रिकॉर्डिंग्स में बिना स्क्रिप्ट वाली बातचीत शामिल है, जिसमें ग्राहक रुकते हैं, एजेंटों की बात बीच में काटते हैं और एक ही वाक्य के दौरान भाषा बदल लेते हैं।

कंपनी का कहना है कि बातचीत के हर पांच मिनट में चार मिनट से अधिक का हिस्सा कोड-मिक्स्ड होता है, जबकि लगभग 90% रिकॉर्डिंग्स में बैकग्राउंड नॉइज मौजूद होता है। इस बेंचमार्क में 8 kHz नैरोबैंड टेलीफोन ऑडियो का इस्तेमाल किया गया है, जिसमें वाइडर-बैंड रिकॉर्डिंग्स की तुलना में ऑडियो फ्रीक्वेंसी की रेंज कम होती है। प्रत्येक स्पीच रिकग्निशन इंजन को स्ट्रीमिंग मोड में परखा जाता है, यानी ग्राहक के बोलते समय ही ऑडियो को प्रोसेस किया जाता है।

इसकी स्कोरिंग पद्धति उन गलतियों पर अधिक ध्यान देती है, जो बातचीत का अर्थ बदल देती हैं। इसमें हर ट्रांसक्रिप्शन गलती को समान महत्व नहीं दिया जाता। उदाहरण के लिए, बेंचमार्क की एक कॉल में ग्राहक ने “छह हजार नौ सौ है” कहा, जिसका अर्थ 6,900 रुपये था। SquadStack.ai के अनुसार, Google Gemini ने इस राशि को 1,900 रुपये, Sarvam ने “चार नौ सौ” और OpenAI ने “नौ सौ” के रूप में ट्रांसक्राइब किया, जबकि Arth V2 ने सही राशि पहचानी।

कंपनी का कहना है कि बेंचमार्क में इस्तेमाल की गई कॉल रिकॉर्डिंग्स और स्पीकर्स का Arth को ट्रेन करने के लिए इस्तेमाल किए गए ऑडियो से कोई मेल नहीं है। कंपनी ने अन्य टीमों को अपने स्पीच रिकग्निशन सिस्टम का मूल्यांकन करने में मदद देने के लिए टेस्ट ऑडियो, रेफरेंस ट्रांसक्रिप्ट और स्कोरिंग पद्धति Hugging Face पर भी उपलब्ध कराई है।

भारतीय सेल्स बातचीत के डेटा पर तैयार किया गया मॉडल

SquadStack.ai के अनुसार, Arth को शुरुआत से ही इन-हाउस तैयार किया गया है। इसे 60 करोड़ मिनट से अधिक की भारतीय सेल्स बातचीत के डेटा पर ट्रेन किया गया, जिसमें 10 करोड़ से अधिक अलग-अलग स्पीकर्स शामिल हैं। कंपनी का कहना है कि ट्रेनिंग डेटा में भारत के 85% से अधिक PIN कोड क्षेत्रों की बातचीत और विभिन्न क्षेत्रीय बोलियां व एक्सेंट शामिल हैं। वहीं कंपनी के अनुसार, Arth फिलहाल SquadStack.ai द्वारा प्रतिदिन की जाने वाली 50 लाख से अधिक AI कॉल्स में से 80% को संचालित करता है।

SquadStack.ai के, को-फाउडर और सीईओ अपूर्व अग्रवाल ने कहा, “हर सेल्स बातचीत की शुरुआत ग्राहक की बात को सही ढंग से सुनने से होती है।” उन्होंने बताया कि स्पीच-टू-टेक्स्ट प्रक्रिया Voice AI एजेंट्स के लिए विफलता का एक बड़ा संभावित कारण बनी हुई है, क्योंकि गलत ट्रांसक्रिप्ट से गलत जवाब मिल सकता है।

अग्रवाल ने कहा कि पटना और लुधियाना जैसे अलग-अलग क्षेत्रों में हिंदी बोलने वाले ग्राहकों के एक्सेंट अलग हो सकते हैं। इसके अलावा, वे बातचीत के दौरान अंग्रेजी पर भी स्विच कर सकते हैं। भारतीय कंज्यूमर ब्रांड्स के लिए छह वर्षों से अधिक समय तक AI-आधारित कॉन्टैक्ट सेंटर्स संचालित करने के अनुभव के आधार पर कंपनी ने Arth को इन चुनौतियों का समाधान करने के लिए तैयार किया है। उन्होंने कहा कि अपने स्पीच मॉडल पर नियंत्रण होने से SquadStack.ai को ग्राहक कॉल्स से मिलने वाली जानकारियों का इस्तेमाल करके भविष्य में मॉडल के प्रदर्शन को बेहतर बनाने में मदद मिलती है।

Arth V2 क्लोज्ड बीटा में उपलब्ध

कंपनी के अनुसार, Arth पहले से ही उसके एंटरप्राइज ग्राहकों के लिए Voice AI Agents में इंटीग्रेटेड है। Arth V2 उन टीमों के लिए क्लोज्ड बीटा में भी उपलब्ध है, जो अपनी कॉल्स पर इस मॉडल का परीक्षण करना चाहती हैं। वहीं इस बारे में कंपनी ने यह भी कहा कि मॉडल विकसित करने की उसकी रणनीति वास्तविक कॉल्स के प्रदर्शन के आधार पर नियमित सुधार करने पर केंद्रित रहेगी। मौजूदा उपयोगों से आगे Arth V2 को व्यावसायिक स्तर पर अपनाने का फैसला अलग-अलग उपयोगों और ग्राहक परिस्थितियों में इसके प्रदर्शन पर निर्भर करेगा।

अत:इस लॉन्च के साथ SquadStack.ai भारतीय टेलीफोन बातचीत के लिए स्पीच रिकग्निशन टेक्नोलॉजी विकसित करने की दिशा में आगे बढ़ रही है। ऐसी बातचीत में भाषाओं का मिश्रण, क्षेत्रीय एक्सेंट, बैकग्राउंड नॉइज और संख्याओं की सही पहचान सीधे तौर पर ग्राहक के अनुभव को प्रभावित कर सकते हैं।