ि

--

--

, िि

हाइड्रा का परिचय

हाइड्रा (Hydra) स्मॉलेस्ट एआई (Smallest AI) का स्पीच-नेटिव मॉडल है, जिसे सबसे चुनौतीपूर्ण रियल-टाइम बातचीत के लिए डिज़ाइन किया गया है। इसे लंबी बातचीत के संदर्भों, एक साथ होने वाली आवाज़ों (ओवरलैपिंग स्पीच), रुकावटों और टूल-आधारित वर्कफ़्लो के दौरान लगातार सोचने और बिना किसी देरी (लो-लेटेंसी) के सहज प्रतिक्रिया देने के लिए बनाया गया है।

वॉइस एजेंट क्यों रुक जाते हैं

अधिकांश प्रोडक्शन वॉयस एजेंट एक कैस्केडेड पाइपलाइन का उपयोग करते हैं। प्रत्येक प्रतिक्रिया हर चरण से होकर गुजरती है। ट्रांसक्रिप्शन, इन्फरेंस, टूल एक्जीक्यूशन और स्पीच जनरेशन में लेटेंसी (विलंबता) जमा होती जाती है। टर्न डिटेक्शन रुकावटों, ठहराव और बैकग्राउंड स्पीच के आसपास विफलता का एक और बिंदु जोड़ता है।

पारंपरिक कैस्केड दृष्टिकोण

STT

LLM

TTS

उदाहरण बातचीत: मानक सोपानी (कैस्केडेड) दृष्टिकोण का उपयोग करते हुए

लंबी कॉल्स के दौरान संदर्भ (कॉन्टेक्स्ट) कमजोर हो जाता है

सारांश बातचीत की व्यापक स्थिति को सुरक्षित रखते हैं, लेकिन वे विवरण खो सकते हैं जैसे कि:

• नाम और पहचानकर्ता

• तारीखें और राशियां

• उपयोगकर्ता सुधार

• पुष्टि की स्थिति

• पिछले टूल द्वारा लौटाए गए मान

• शर्तें बहुत पहले ही लागू कर दी गई थीं

सिस्टम अवलोकन

हाइड्रा (Hydra) पारंपरिक एएसआर (ASR) → भाषा मॉडल → टेक्स्ट-टू-स्पीच के क्रमिक प्रवाह (कैस्केड) को एक स्पीच-नेटिव पाइपलाइन से बदल देता है जो निरंतर लेटेंट स्पेस में बनी रहती है। एक एकीकृत संवादात्मक टोकनाइज़र आने वाले ऑडियो को लगभग 50 मिलीसेकंड के लेटेंट फ्रेम में परिवर्तित करता है, जो मॉडल के विश्लेषण करने के लिए सिमेंटिक्स (अर्थविज्ञान), प्रोसोडी (लहजा), टाइमिंग (समय), वक्ता की विशेषताओं और भावनात्मक संकेतों को सुरक्षित रखता है।

जैसे ही प्रत्येक कॉज़ल ऑडियो फ्रेम आता है, हाइड्रा (Hydra) लगातार अपनी आंतरिक संवादात्मक स्थिति (conversational state) को अपडेट करता है और वक्ता के बोलना समाप्त करने से पहले संभावित प्रतिक्रिया प्रक्षेप पथों (response trajectories) को बनाना शुरू कर देता है। लेटेंट कन्वर्सेशनल ट्रांसफार्मर सुनते समय उन प्रक्षेप पथों को बेहतर बनाता है, और एक कंडीशनल डिकोडर परिणामी स्थिति से सीधे भाषण या पाठ उत्पन्न करता है—जो बिना किसी मध्यवर्ती प्रतिलेख (intermediate transcript) के कम-विलंबता वाले टर्न-टेकिंग, प्राकृतिक बैकचैनल, ओवरलैप और सुचारू व्यवधान प्रबंधन का समर्थन करता है।

हाइड्रा क्या संभालता है

हाइड्रा (Hydra) को स्थापित वॉयस सिस्टम की तीन आवश्यकताओं के इर्द-गिर्द अनुकूलित किया गया है: ओवरलैप-जागरूक इंटरैक्शन (overlap-aware interaction), टिकाऊ संवादात्मक स्थिति (durable conversational state), और विश्वसनीय टूल निष्पादन (reliable tool execution)।

सत्र के दौरान टूल का उपयोग

हाइड्रा (Hydra) का मूल्यांकन संपूर्ण टूल-उपयोग लूप पर किया जाता है:

• चयन: कठिन ध्यान भटकाने वाले (डिस्ट्रैक्टर) विकल्पों वाले कैटलॉग में से सही टूल चुनें।

• तर्क (Arguments): भाषण से अपेक्षित मान निकालें।

• विलंबित पुन: उपयोग (Deferred reuse): पिछले कॉल्स द्वारा लौटाए गए मानों का पुन: उपयोग करें।

• सटीकता (प्रिसिजन) और रीकॉल: अनावश्यक कॉल्स और छूटे हुए आवश्यक कॉल्स दोनों से बचें।

• सुरक्षा उपाय (गार्डरेल्स): प्रतिबंधित या असामयिक कार्यों को अस्वीकार करें।

• स्पष्टीकरण: अनुमान लगाने के बजाय गायब जानकारी के बारे में पूछें।

• रिकवरी (Recovery): बिना किसी मनगढ़ंत उत्तर के टूल की त्रुटियों और खाली परिणामों को संभालें।

• बोलने की सटीकता (Spoken accuracy): अंतिम प्रतिक्रिया में पुनर्प्राप्त तथ्यों को सही ढंग से बताएं।

ये क्षमताएं हाइड्रा (Hydra) को कॉल करने वाले को ऑपरेशनों के बीच जानकारी दोहराने की आवश्यकता के बिना, बहु-चरणीय वर्कफ़्लो प्रबंधित करने की अनुमति देती हैं।

60 टर्न में टूल उपयोग की सटीकता

हाइड्राSmallest.ai
0%
ग्रोक रियलटाइमस्पेसएक्सएआई
0%
जीपीटी रीयलटाइमओपन एआई
0%
जेमिनी 2.5गूगल डीपमाइंड
0%

कॉम्प्लेक्स-फंक-बेंचमार्क (एकल-बारी टूल कॉलिंग)

हाइड्राSmallest.ai
0%
क्लोड 3.5 सॉनेटएंथ्रोपिक
0%
जीपीटी 4oओपनएआई
0%
जीएलएम 4 लॉन्गझिपुएआई (ZhipuAI)
0%
जीपीटी रीयलटाइम 1.5ओपनएआई
0%

दीर्घ-सत्र स्थिति (Long-session state)

हाइड्रा लंबी बातचीत के दौरान जानकारी को ट्रैक करता है और बाद में आवश्यकता पड़ने पर इसे उपलब्ध कराता है। इसमें शामिल हैं:

• नाम और पहचानकर्ता

• तारीखें, समय और राशियां

• पिछले सुधार

• स्वीकृत और अस्वीकृत कार्रवाइयां

• उपयोगकर्ता प्राथमिकताएं

• टूल द्वारा लौटाए गए मान

लक्ष्य बातचीत के विभिन्न चरणों के दौरान सटीक प्रतिधारण ( retention) बनाए रखना है। कॉल की शुरुआत में पेश किया गया मान बहुत बाद में किसी निर्णय या टूल कॉल के लिए उपलब्ध रहना चाहिए।

अतिव्यापी भाषण

हाइड्रा (Hydra) को इंटरेक्शन स्टेट्स (interaction states) पर प्रशिक्षित और मूल्यांकन किया जाता है, जैसे कि:

• सीधे उपयोगकर्ता का हस्तक्षेप

• बैकचैनल

• दूसरे व्यक्ति को लक्षित करके बोला गया भाषण

• पृष्ठभूमि की आवाज़ (बैकग्राउंड स्पीच)

• वाक्य के बीच में सुधार

• प्रतिक्रिया के दौरान प्राप्त इनपुट

मॉडल को यह निर्धारित करना होगा कि वर्तमान स्थिति को छोड़े बिना रुकना है, जारी रखना है, रास्ता देना है, या फिर से शुरू करना है।

बेंचमार्क

हम बातचीत की गुणवत्ता, वाक् तर्क (speech reasoning), टूल उपयोग, लंबे समय तक संदर्भ बनाए रखने (long-context retention), और शुरू-से-अंत तक कार्य पूरा करने के मानकों पर हाइड्रा (Hydra) का मूल्यांकन करते हैं।

एआईईडब्ल्यूएफ

यह परीक्षण 300 कार्यों में टूल के उपयोग, निर्देशों के पालन, ज्ञान-आधार पर आधारित होने, बारी-बारी से बात करने और विलंबता (लैटेंसी) का मूल्यांकन करता है।

मॉडल

हाइड्रा

जीपीटी रीयलटाइम

जीपीटी रीयलटाइम 1.5

अल्ट्रावोक्स v0.7

टूल V2V का अर्थ

1624 मिलीसेकंड

2199ms

2251ms

2406ms

गैर-उपकरण (Non-tool)

V2V माध्यिका (median)

864ms

1536 मिलीसेकंड

1152 मिलीसेकंड

864 मिलीसेकंड

उत्तीर्ण दर

95.9%

86.7%

93.3%

97.7%

टाउ-वॉइस

यह परीक्षण रिटेल,

एयरलाइन और टेलीकॉम सहायता कार्यों पर वॉयस एजेंटों का मूल्यांकन करता है।

मॉडल

ग्रोक वॉयस फास्ट 1.0

हाइड्रा

जीपीटी रीयलटाइम 1.5

जीपीटी रीयलटाइम 1.0

जेमिनी लाइव 2.5 फ्लैश

औसत उत्तीर्ण^1

38.3

35.6

35.3

३०.४

२५.८

औसत विलंबता

1.15 सेकंड

1.3 सेकंड

1.39 सेकेंड

1.53s

1.43 सेकंड

ऑडियो मल्टीचैलेंज

यह परीक्षण सीधे ऑडियो से तर्क करने और निर्देशों का पालन करने की क्षमता को मापता है।

मॉडल

जीपीटी रीयलटाइम 2

जीपीटी रीयलटाइम 1.5

हाइड्रा

जेमिनी 3.1 फ्लैश

क्वेन 3 ओमनी 30B

औसत उत्तीर्ण दर

37.61%

34.73

32.52%

26.77%

24.24%

एआईईडब्ल्यूएफ

यह परीक्षण 300 कार्यों में टूल के उपयोग, निर्देशों के पालन, ज्ञान-आधार पर आधारित होने, बारी-बारी से बात करने और विलंबता (लैटेंसी) का मूल्यांकन करता है।

मॉडल

हाइड्रा

जीपीटी रीयलटाइम

जीपीटी रीयलटाइम 1.5

अल्ट्रावोक्स v0.7

टूल V2V का अर्थ

1624 मिलीसेकंड

2199ms

2251ms

2406ms

गैर-उपकरण (Non-tool)

V2V माध्यिका (median)

864ms

1536 मिलीसेकंड

1152 मिलीसेकंड

864 मिलीसेकंड

उत्तीर्ण दर

95.9%

86.7%

93.3%

97.7%

टाउ-वॉइस

यह परीक्षण रिटेल,

एयरलाइन और टेलीकॉम सहायता कार्यों पर वॉयस एजेंटों का मूल्यांकन करता है।

मॉडल

ग्रोक वॉयस फास्ट 1.0

हाइड्रा

जीपीटी रीयलटाइम 1.5

जीपीटी रीयलटाइम 1.0

जेमिनी लाइव 2.5 फ्लैश

औसत उत्तीर्ण^1

38.3

35.6

35.3

३०.४

२५.८

औसत विलंबता

1.15 सेकंड

1.3 सेकंड

1.39 सेकेंड

1.53s

1.43 सेकंड

ऑडियो मल्टीचैलेंज

यह परीक्षण सीधे ऑडियो से तर्क करने और निर्देशों का पालन करने की क्षमता को मापता है।

मॉडल

जीपीटी रीयलटाइम 2

जीपीटी रीयलटाइम 1.5

हाइड्रा

जेमिनी 3.1 फ्लैश

क्वेन 3 ओमनी 30B

औसत उत्तीर्ण दर

37.61%

34.73

32.52%

26.77%

24.24%

एआईईडब्ल्यूएफ (AIEWF)

यह परीक्षण 300 कार्यों में टूल के उपयोग, निर्देशों का पालन करने, ज्ञान-आधार पर आधारित होने, बारी-बारी से बात करने और विलंबता (लैटेंसी) का मूल्यांकन करता है।

मॉडल

हाइड्रा

जीपीटी रीयलटाइम

जीपीटी रीयलटाइम 1.5

अल्ट्रावोक्स v0.7

टूल V2V का अर्थ

1624 मिलीसेकंड

2199ms

2251ms

2406ms

गैर-उपकरण (Non-tool)

V2V माध्यिका (median)

864ms

1536 मिलीसेकंड

1152 मिलीसेकंड

864 मिलीसेकंड

उत्तीर्ण दर

95.9%

86.7%

93.3%

97.7%

टाउ-वॉइस

यह परीक्षण रिटेल,

एयरलाइन और टेलीकॉम सहायता कार्यों पर वॉयस एजेंटों का मूल्यांकन करता है।


मॉडल

ग्रोक वॉयस फास्ट 1.0

हाइड्रा

जीपीटी रीयलटाइम 1.5

जीपीटी रीयलटाइम 1.0

जेमिनी लाइव 2.5 फ्लैश

औसत उत्तीर्ण^1

38.3

35.6

35.3

३०.४

२५.८

औसत विलंबता

1.15 सेकंड

1.3 सेकंड

1.39s

1.53 सेकेंड

1.43 सेकेंड

ऑडियो मल्टीचैलेंज

यह परीक्षण सीधे ऑडियो से तर्क करने और निर्देशों का पालन करने की क्षमता को मापता है।


मॉडल

जीपीटी रीयलटाइम 2

जीपीटी रीयलटाइम 1.5

हाइड्रा

जेमिनी 3.1 फ्लैश

क्वेन 3 ओमनी 30B

औसत उत्तीर्ण दर

37.61%

34.73

32.52%

26.77%

24.24%

वास्तविक बातचीत में हाइड्रा

बेंचमार्क व्यक्तिगत क्षमताओं को अलग करते हैं। नीचे दी गई रिकॉर्डिंग दिखाती हैं कि कैसे वे क्षमताएं पूरी बातचीत के दौरान एक साथ काम करती हैं, जैसे कि जब कॉल करने वाले बीच में टोकते हैं, जानकारी में सुधार करते हैं, टूल के लिए प्रतीक्षा करते हैं, या बहुत पहले कही गई किसी बात का संदर्भ देते हैं।

रुकावट को संभालें

कॉलर किसी प्रतिक्रिया के बीच में सुधार करता है। हाइड्रा बात मान लेता है, सुधारे गए मूल्य को शामिल करता है, और पुनः शुरू करता है।

विलंबित स्मृति स्मरण के साथ मरीज का दाखिला

कॉल की शुरुआत में ही मरीज एक एलर्जी के बारे में बताता है। हाइड्रा शेड्यूलिंग वर्कफ़्लो को पूरा करने से पहले बाद में इसे याद रखता है।

वापसी पूरी करें और ऑर्डर करें

हाइड्रा (Hydra) ऑर्डर प्राप्त करता है, पात्रता की जांच करता है, पुष्टि मांगता है, और रिटर्न की प्रक्रिया शुरू करता है।

रुकावट को संभालें

कॉलर किसी प्रतिक्रिया के बीच में सुधार करता है। हाइड्रा बात मान लेता है, सुधारे गए मूल्य को शामिल करता है, और पुनः शुरू करता है।

विलंबित स्मृति स्मरण के साथ मरीज का दाखिला

कॉल की शुरुआत में ही मरीज एक एलर्जी के बारे में बताता है। हाइड्रा शेड्यूलिंग वर्कफ़्लो को पूरा करने से पहले बाद में इसे याद रखता है।

वापसी पूरी करें और ऑर्डर करें

हाइड्रा (Hydra) ऑर्डर प्राप्त करता है, पात्रता की जांच करता है, पुष्टि मांगता है, और रिटर्न की प्रक्रिया शुरू करता है।

रुकावट को संभालें

कॉल करने वाला सुधार के साथ प्रतिक्रिया को बीच में ही रोक देता है। हाइड्रा बात मान लेता है, सुधारे गए मूल्य को शामिल करता है, और फिर से शुरू करता है।

विलंबित स्मरण के साथ रोगी सेवन (पेशेंट इनटेक)

एक मरीज कॉल की शुरुआत में ही एलर्जी के बारे में बता देता है। हाइड्रा शेड्यूलिंग वर्कफ़्लो को पूरा करने से पहले बाद में इसे याद रखता है।

वापसी पूरी करें और ऑर्डर करें

हाइड्रा (Hydra) ऑर्डर प्राप्त करता है, पात्रता की जांच करता है, पुष्टि मांगता है, और रिटर्न की प्रक्रिया शुरू करता है।

सीमाएँ

मूल्यांकन के नतीजे बताते हैं कि हाइड्रा (Hydra) लंबे, टूल-भारी वॉयस वर्कफ़्लो को पूरा कर सकता है, लेकिन वे यह भी दिखाते हैं कि इसका व्यवहार कहाँ अभी तक पर्याप्त रूप से सुसंगत नहीं है।

असमान डोमेन प्रदर्शन

ताउ वॉयस (Tau Voice) के परिणाम अलग-अलग डोमेन के आधार पर काफी भिन्न होते हैं। हाइड्रा (Hydra) टेलीकॉम में तीसरे, एयरलाइन में पांचवें और रिटेल में दसवें स्थान पर है। इन अंतरालों को पाटने के लिए टूल चयन, परिदृश्य कवरेज और बातचीत नीति से जुड़े डोमेन-विशिष्ट त्रुटि विश्लेषण की आवश्यकता है।

ओवरलैप वर्गीकरण

हाइड्रा किसी अन्य व्यक्ति या पृष्ठभूमि के वक्ताओं की बातचीत के बजाय प्रत्यक्ष व्यवधानों और बैकचैनलों पर बेहतर प्रदर्शन करता है। इन मामलों में मॉडल को यह निर्धारित करने की आवश्यकता होती है कि क्या कहा गया था और क्या यह सक्रिय बातचीत का हिस्सा है।

जटिल शब्दों का प्रबंधन

हाइड्रा (Hydra) दुर्लभ नामों, क्षेत्र-विशिष्ट (डोमेन-विशिष्ट) शब्दों, संक्षिप्त रूपों (एक्रोनिम्स) और अल्फ़ान्यूमेरिक पहचानकर्ताओं के साथ असंगत हो सकता है। स्पेलिंग या प्रासंगिक मार्गदर्शन प्रदान करने से मदद मिल सकती है, लेकिन सटीक उच्चारण लागू करने का अभी तक कोई विश्वसनीय तरीका नहीं है। यह ब्रांडों, दवाओं के नामों, स्थानों और अन्य विशिष्ट शब्दावली के लिए अनुकूलन (कस्टमाइज़ेशन) को सीमित कर सकता है।

असमान डोमेन प्रदर्शन

ताउ वॉयस (Tau Voice) के परिणाम अलग-अलग डोमेन के आधार पर काफी भिन्न होते हैं। हाइड्रा (Hydra) टेलीकॉम में तीसरे, एयरलाइन में पांचवें और रिटेल में दसवें स्थान पर है। इन अंतरालों को पाटने के लिए टूल चयन, परिदृश्य कवरेज और बातचीत नीति से जुड़े डोमेन-विशिष्ट त्रुटि विश्लेषण की आवश्यकता है।

ओवरलैप वर्गीकरण

हाइड्रा किसी अन्य व्यक्ति या पृष्ठभूमि के वक्ताओं की बातचीत के बजाय प्रत्यक्ष व्यवधानों और बैकचैनलों पर बेहतर प्रदर्शन करता है। इन मामलों में मॉडल को यह निर्धारित करने की आवश्यकता होती है कि क्या कहा गया था और क्या यह सक्रिय बातचीत का हिस्सा है।

जटिल शब्दों का प्रबंधन

हाइड्रा (Hydra) दुर्लभ नामों, क्षेत्र-विशिष्ट (डोमेन-विशिष्ट) शब्दों, संक्षिप्त रूपों (एक्रोनिम्स) और अल्फ़ान्यूमेरिक पहचानकर्ताओं के साथ असंगत हो सकता है। स्पेलिंग या प्रासंगिक मार्गदर्शन प्रदान करने से मदद मिल सकती है, लेकिन सटीक उच्चारण लागू करने का अभी तक कोई विश्वसनीय तरीका नहीं है। यह ब्रांडों, दवाओं के नामों, स्थानों और अन्य विशिष्ट शब्दावली के लिए अनुकूलन (कस्टमाइज़ेशन) को सीमित कर सकता है।

असमान डोमेन प्रदर्शन

ताउ वॉयस (Tau Voice) के परिणाम अलग-अलग डोमेन के आधार पर काफी भिन्न होते हैं। हाइड्रा (Hydra) टेलीकॉम में तीसरे, एयरलाइन में पांचवें और रिटेल में दसवें स्थान पर है। इन अंतरालों को पाटने के लिए टूल चयन, परिदृश्य कवरेज और बातचीत नीति से जुड़े डोमेन-विशिष्ट त्रुटि विश्लेषण की आवश्यकता है।

ओवरलैप वर्गीकरण

हाइड्रा किसी अन्य व्यक्ति या पृष्ठभूमि के वक्ताओं की बातचीत के बजाय प्रत्यक्ष व्यवधानों और बैकचैनलों पर बेहतर प्रदर्शन करता है। इन मामलों में मॉडल को यह निर्धारित करने की आवश्यकता होती है कि क्या कहा गया था और क्या यह सक्रिय बातचीत का हिस्सा है।

जटिल शब्दों का प्रबंधन

हाइड्रा (Hydra) दुर्लभ नामों, क्षेत्र-विशिष्ट (डोमेन-विशिष्ट) शब्दों, संक्षिप्त रूपों (एक्रोनिम्स) और अल्फ़ान्यूमेरिक पहचानकर्ताओं के साथ असंगत हो सकता है। स्पेलिंग या प्रासंगिक मार्गदर्शन प्रदान करने से मदद मिल सकती है, लेकिन सटीक उच्चारण लागू करने का अभी तक कोई विश्वसनीय तरीका नहीं है। यह ब्रांडों, दवाओं के नामों, स्थानों और अन्य विशिष्ट शब्दावली के लिए अनुकूलन (कस्टमाइज़ेशन) को सीमित कर सकता है।

पहुंच का अनुरोध करें

हाइड्रा (Hydra) वर्तमान में एक सीमित बीटा के माध्यम से उपलब्ध है। अपने उपयोग के मामले (use case) और अगले कदमों पर चर्चा करने के लिए हमारी टीम के साथ एक कॉल बुक करें। वे मूल्यांकन, एकीकरण (integration) और ऑनबोर्डिंग में आपका मार्गदर्शन करेंगे।

हाइड्रा वर्तमान में बीटा में है

केवल बीटा पहुंच

केवल बीटा पहुंच

केवल बीटा पहुंच

केवल बीटा पहुंच

केवल बीटा पहुंच

311 कैलिफ़ोर्निया स्ट्रीट, सुइट 320
सैन फ्रांसिस्को, सीए 94104

311 कैलिफ़ोर्निया स्ट्रीट, सुइट 320
सैन फ्रांसिस्को, सीए 94104

311 कैलिफ़ोर्निया स्ट्रीट, सुइट 320
सैन फ्रांसिस्को, सीए 94104