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