Sarvam या Gemini: हिंदी आवाज में नया मॉडल हमेशा बेहतर नहीं

हिंदी या हिंग्लिश आवाज को पाठ में बदलने के लिए Sarvam के नए Saaras v4 को पुराने v3 से अपने आप बेहतर न मानें। प्रकाशित नए संवाद नमूनों में v3 ने कम शब्द-त्रुटि दिखाई, जबकि v4 का जवाब तेज था। Gemini का अंक भी तुलना में मौजूद है, लेकिन उसके मापन की एक सीमा है। इसलिए सही चुनाव इस पर निर्भर है कि आपको शब्दशः पाठ, खास लिखावट या तुरंत जवाब में से क्या चाहिए।

इंटरव्यू और पॉडकास्ट की सटीक प्रतिलिपि प्राथमिकता हो तो v3 एक मजबूत शुरुआती विकल्प है। आवाज सहायक में कम विलंब अधिक महत्वपूर्ण हो तो v4 आकर्षक हो सकता है। Gemini की प्रतिलेखन सुविधाएँ अलग जरूरतें पूरी करती हैं, पर प्रकाशित मुकाबलों में अलग-अलग Gemini मॉडल इस्तेमाल हुए हैं; एक मॉडल का अंक दूसरे पर लागू नहीं होता।

कंपनी का मुकाबला किन मॉडलों के बीच था

Sarvam Audio के मूल्यांकन में कंपनी ने अपने Sarvam Audio को Gemini 3 Flash से आगे बताया। यह आवाज सहायक के संवाद में आशय और महत्वपूर्ण नाम या अन्य इकाइयाँ बचाए रखने का मुकाबला था। उसके संदर्भ-सचेत परीक्षण के नमूने कृत्रिम रूप से बनाए गए थे। ऐसे नतीजे छोटे, संदर्भ पर निर्भर जवाबों के लिए उपयोगी संकेत देते हैं, लेकिन किसी इंटरव्यू की शब्दशः प्रतिलिपि का सीधा माप नहीं हैं।

इस दावे का Sarvam पक्ष Saaras v4 नहीं है। कंपनी का Gemini पक्ष भी खुले हिंदी परीक्षण में इस्तेमाल हुआ Gemini 3.5 Flash नहीं है। मॉडल, ऑडियो और सफलता की कसौटी बदलने पर जीत का दावा आगे नहीं ले जाया जा सकता। यदि आवाज सहायक को पिछले संवाद से किसी अस्पष्ट नाम का अर्थ निकालना है, तो आशय बचाना अहम है; यदि उसी आवाज का कानूनी या संपादकीय अभिलेख चाहिए, तो बोले गए शब्दों में बदलाव अलग तरह की गलती बन सकता है।

एक ही नमूनों पर शुद्धता और गति

Logatra के खुले मानदंड में Saaras v3, Saaras v4 और OpenRouter के जरिए चलाए गए Gemini 3.5 Flash के परिणाम दिए गए हैं। इसकी साझा तुलना केवल उन क्लिपों पर बनी है जिन्हें सभी परीक्षण प्रणालियों ने पूरा किया। सार्वजनिक हिस्सा कई भारतीय भाषाओं का मिश्रण है; नया संवाद वाला हिस्सा हिंदी और हिंग्लिश इंटरव्यू, पॉडकास्ट तथा व्याख्यान के अंशों से बना है। शब्द-त्रुटि अनुपात में कम अंक बेहतर माना जाता है।

• सार्वजनिक साझा नमूने: सख्त शब्द-त्रुटि अनुपात Saaras v4 का 26.1%, Gemini 3.5 Flash का 26.5% और Saaras v3 का 32.3% था। यह केवल हिंदी की तालिका नहीं है। सार्वजनिक सामग्री मॉडल के प्रशिक्षण में पहले इस्तेमाल हुई हो सकती है, इसलिए इस बढ़त को नए संवाद पर मिलने वाली बढ़त न समझें।
• नए हिंदी और हिंग्लिश संवाद: सख्त माप में v3 का अनुपात 22.8%, v4 का 25.8% और Gemini का 22.2% रहा। Gemini का अंक संदर्भ प्रतिलिपि बनाने की विधि से प्रभावित हो सकता है; उसे बाकी दोनों पर निर्णायक जीत मानना जल्दबाजी होगी।
• लिपि का अंतर हटाने पर: नए संवाद में v3 का शब्द-त्रुटि अनुपात 21.0% और v4 का 23.8% था। इस माप में एक ही अंग्रेजी शब्द को देवनागरी या रोमन लिपि में लिखने से गलती नहीं जुड़ती। दोनों Saaras संस्करणों के बीच v3 की बढ़त तब भी बनी रही।
• जवाब आने की गति: इस मानदंड में v4 का प्रति क्लिप मध्यक विलंब 0.6 सेकंड था और वह परीक्षण की सबसे तेज प्रणाली रही। उपलब्ध सारणी से Gemini तथा v3 के साथ सटीक मध्यक समय-अंतर नहीं निकाला जा सकता।

नए संवाद की संदर्भ प्रतिलिपि स्वतंत्र मानव प्रतिलेखक ने ऑडियो सुनकर नहीं बनाई थी। तीन प्रणालियों के पाठ से सहमति वाला संदर्भ चुना गया; असहमति वाले हिस्सों का निर्णय भी ऑडियो के बजाय उपलब्ध पाठ के आधार पर हुआ। Gemini का अपना आउटपुट 38% नमूनों के संदर्भ में शामिल था, जबकि Saaras v3 और v4 का नहीं। इससे दोनों Saaras संस्करणों की आपसी तुलना अपेक्षाकृत साफ रहती है, लेकिन Gemini का कम त्रुटि अंक सावधानी मांगता है।

मानदंड बनाने वाली Nemukai अपनी Logatra सेवा में Saaras v3 इस्तेमाल करती है। यह हित-संबंध परिणामों को अपने आप गलत नहीं बनाता, पर उनकी व्याख्या में प्रासंगिक है। कोड, संदर्भ बनाने के निर्णय और प्रणालियों के कच्चे आउटपुट उपलब्ध हैं; स्वतंत्र मानव प्रतिलिपि जुड़ने पर नए संवाद के अंकों का मूल्यांकन अधिक मजबूत होगा।

हिंग्लिश में लिखावट भी नतीजा बदलती है

हिंग्लिश में बोला गया अंग्रेजी शब्द देवनागरी या रोमन लिपि, दोनों में लिखा जा सकता है। सख्त शब्द-त्रुटि अनुपात इन रूपों को अलग मान सकता है, भले पाठक को बोला गया शब्द समझ आ जाए। यही वजह है कि ऊपर दिए गए सख्त और लिपि-निरपेक्ष अंक एक जैसे नहीं हैं। खोज योग्य ग्राहक-सहायता प्रतिलिपि, उपशीर्षक और शब्दशः अभिलेख की लिखावट संबंधी जरूरतें भी अलग हो सकती हैं।

Saaras V4 की उत्पाद जानकारी में देवनागरी प्रतिलेखन, अंग्रेजी शब्दों को रोमन में रखने वाला मिश्रित रूप, पूरे कथन का रोमन रूप, शब्दशः पाठ और अंग्रेजी अनुवाद दिखाए गए हैं। कंपनी एक हिंदी क्रिकेट वाक्य को अलग लिखावटों में प्रस्तुत करती है। यह आउटपुट रूप चुनने की सुविधा है; इससे किसी खास रिकॉर्डिंग पर कम शब्द-त्रुटि अपने आप सिद्ध नहीं होती।

लिपि का फैसला तुलना से पहले साफ होना चाहिए। यदि अपेक्षित पाठ में अंग्रेजी नाम रोमन में रहने हैं, तो उसी रूप को सही मानकर त्रुटि पढ़ना उपयोगी है। यदि काम हर बोले गए शब्द का अभिलेख रखना है, तो सुधारे या सामान्यीकृत पाठ को शब्दशः प्रतिलिपि के बराबर नहीं मानना चाहिए। आशय सही रह सकता है, जबकि किसी नाम, रकम या संकोच के शब्द का मूल रूप बदल जाए।

Gemini की प्रतिलेखन सुविधा किस तुलना में आती है

Google की प्रतिलेखन जानकारी समर्पित Gemini 3.5 Transcribe मॉडल के लिए भाषा की स्वतः पहचान, एक वाक्य के भीतर भाषा बदलने की पहचान, वक्ताओं की पहचान, शब्दों के समय-चिह्न और विशेष शब्दों के संकेत बताती है। Google इसके लिए 85 से अधिक भाषाई क्षेत्रों का समर्थन बताता है। यह मॉडल खुले मानदंड के Gemini 3.5 Flash से अलग है, इसलिए Flash का हिंदी त्रुटि अंक Transcribe की सटीकता का अंक नहीं है।

इन सुविधाओं के बीच भी चुनाव करना पड़ता है। Google के विवरण में विशेष शब्दों के संकेत को वक्ता पहचान या शब्दों के समय-चिह्न के साथ एक ही अनुरोध में इस्तेमाल नहीं किया जा सकता। यदि प्रतिलिपि में वक्ता और शब्द का समय जरूरी है, तो यह सीमा कार्यप्रवाह को प्रभावित करती है। लाइव आवाज के लिए Google अलग प्रतिलेखन मॉडल बताता है; रिकॉर्ड की गई क्लिप का नतीजा अपने आप लाइव बातचीत के विलंब का अनुमान नहीं देता।

Saaras v4 के लिए कंपनी भारतीय भाषाओं का दायरा बताती है, जबकि Google भाषाई क्षेत्रों की गिनती देता है। दोनों गिनतियों की इकाई अलग है। किसी सेवा की व्यापक भाषा सूची हिंदी उच्चारण, शोर या हिंग्लिश के खास नमूने पर बेहतर शब्दशः परिणाम साबित नहीं करती। खुले मानदंड के नए संवाद वाले अंक दूसरी भारतीय भाषाओं पर भी लागू नहीं किए जा सकते।

काम के हिसाब से चुनाव

हिंदी इंटरव्यू या हिंग्लिश पॉडकास्ट में बोले गए शब्द सुरक्षित रखना मुख्य लक्ष्य हो, तो प्रकाशित नए संवाद नमूनों के आधार पर Saaras v3 को v4 से पहले परखना उचित है। तुरंत प्रतिक्रिया देने वाले आवाज सहायक में v4 की कम दर्ज विलंब अवधि अधिक वजन पा सकती है। यदि वक्ताओं को अलग दिखाना या हर शब्द का समय देना जरूरी है, तो Gemini 3.5 Transcribe की सुविधाएँ प्रासंगिक हैं, लेकिन उसके लिए इसी खुले हिंदी नमूने का तुलनीय सटीकता अंक उपलब्ध नहीं है।

निर्णय का आधार अपनी अनुमति प्राप्त, वास्तविक काम जैसी रिकॉर्डिंग होनी चाहिए: वही बोलने का ढंग, शोर, हिंदी-अंग्रेजी मिश्रण और अपेक्षित लिखावट। उसमें शब्दों की गलती, नाम और रकम की गलती तथा जवाब आने का समय अलग देखें। प्रकाशित आँकड़े शुरुआती विकल्प सीमित करते हैं; वे दिखाते हैं कि नई पीढ़ी की गति, कंपनी का संदर्भ-सचेत दावा और शुद्ध प्रतिलेखन की सटीकता अलग सवालों के जवाब हैं।

यह भी पढ़ें:

• Claude Opus 4.6 या Gemini 3.1 Pro: आधी लागत हमेशा आधी क्षमता नहीं
• Gemini 3.7 Flash तेज ही नहीं—स्वतंत्र परीक्षण में कार्य लागत 30% घटी
• ChatGPT या Gemini: हिंदी, शोध और फाइलों में विजेता बदलता है