Skip to content
सर्वमचे सारस व्ही४ पाच प्रकारच्या मजकुरात सर्व २२ अनुसूचित भाषांचे लिप्यंतर करते, आणि त्याचे बुलबुल व्ही४ फ्लॅश हे आवाज मॉडेल २५० मिलिसेकंदांपेक्षा कमी वेळात बोलू लागते, असे सर्वम सांगते
एआय आणि तंत्रज्ञान

सर्वमचे सारस व्ही४ पाच प्रकारच्या मजकुरात सर्व २२ अनुसूचित भाषांचे लिप्यंतर करते, आणि त्याचे बुलबुल व्ही४ फ्लॅश हे आवाज मॉडेल २५० मिलिसेकंदांपेक्षा कमी वेळात बोलू लागते, असे सर्वम सांगते

चित्रण: tuput

मराठी

बेंगळुरूच्या सर्वम एआयने २५ सप्टेंबर २०२६ रोजी सारस व्ही४ हे वाक् ओळख मॉडेल आणि १३ ऑक्टोबर रोजी बुलबुल व्ही४ फ्लॅश हे मजकुराचे बोलण्यात रूपांतर करणारे मॉडेल प्रसिद्ध केले. सारस व्ही४ २२ अनुसूचित भाषा आणि इंग्रजी व्यापते, आणि बुलबुल व्ही४ फ्लॅशची किंमत १०,००० अक्षरांमागे २० रुपये आहे, म्हणजे आधीच्या मॉडेलपेक्षा एक तृतीयांश कमी. बहुतेक गुण सर्वमचेच आहेत, आणि त्यातील अनेकांच्या मागे एआय४भारतचे सार्वजनिक चाचणी संच आहेत.

· · 7 मिनिटांचे वाचन

बेंगळुरूच्या सर्वम एआय या कंपनीने तीन आठवड्यांच्या अंतराने दोन आवाज मॉडेल प्रसिद्ध केली. २५ सप्टेंबर २०२६ रोजी जाहीर झालेले सारस व्ही४ सर्व २२ अनुसूचित भारतीय भाषा आणि इंग्रजीतील बोलण्याचे मजकुरात रूपांतर करते. १३ ऑक्टोबर रोजी जाहीर झालेले बुलबुल व्ही४ फ्लॅश मजकुराचे बोलण्यात रूपांतर करते आणि सर्वमच्या म्हणण्यानुसार १०,००० अक्षरांमागे २० रुपयांत २५० मिलिसेकंदांपेक्षा कमी वेळात पहिला आवाज वाजवते. फोनवरील व्हॉइस एजंटचा ऐकणे आणि बोलणे हे दोन्ही भाग त्यांच्यातून पूर्ण होतात. व्हॉइस एजंट म्हणजे हिंदी, तमिळ किंवा बंगालीत ग्राहकाशी बोलणारा प्रोग्राम.

सारस व्ही४ एकाच बोलण्याच्या पाच आवृत्त्या देते

एक ऑडिओ एन्कोडर ३ अब्ज पॅरामीटरच्या (मॉडेलच्या आतील बदलता येणाऱ्या संख्या) एका भाषा मॉडेलला जोडलेला आहे, जे सर्वमच्या म्हणण्यानुसार कंपनीने स्वतःच्या घरातच सुरुवातीपासून प्रशिक्षित केले आहे. त्याचा डिकोडर हा हायब्रिड स्टेट-स्पेस मॉडेल आहे, म्हणजे बहुतेक मोठी भाषा मॉडेल वापरतात त्या अटेन्शन थरांना पर्याय. दोन्हींच्या मधला एक टप्पा ऑडिओ क्रम लहान करतो, जेणेकरून लांब रेकॉर्डिंग डिकोडरच्या कार्यस्मृतीत बसतात.

सर्वम भर आउटपुटवर देते. एकाच रेकॉर्डिंगवरून मॉडेल पाच प्रकारचा मजकूर परत देऊ शकते, आणि प्रकाशनाच्या पोस्टमध्ये T20 फलंदाजीबद्दलच्या एकाच हिंदी वाक्यावर ते दाखवले आहेत.

प्रकारकाय परत येते
transcribeमूळ लिपीत, आकडे आणि तारखा सामान्य रूपात
codemixलिप्यंतर, पण इंग्रजी शब्द इंग्रजी अक्षरांतच राहतात
translitसंपूर्ण वाक्य इंग्रजी अक्षरांत, ज्याला पोस्टच्या म्हणण्यानुसार बोलचालीत “WhatsApp language” म्हणतात
translateइंग्रजी भाषांतर
verbatimप्रत्येक शब्द जसा बोलला तसा, त्यामुळे “T20” हे “टी ट्वेंटी” या हिंदी शब्दांत दिसते

पाचही एकाच मॉडेलमधून येत असल्याने अतिरिक्त प्रक्रियेचे टप्पे लागत नाहीत, आणि म्हणून चुका साचण्याची जागाही राहत नाही, असे सर्वम म्हणते. डेव्हलपर दस्तऐवजीकरणात तेच प्रकार दिलेले आहेत आणि सारस व्ही४ हे डिफॉल्ट मॉडेल म्हणून नमूद आहे. त्यात भारतीय इंग्रजीसोबत जगभरच्या इंग्रजी उच्चारांची ओळख जोडलेली आहे, आणि कीटर्म प्रॉम्प्टिंगचे वर्णन आहे, ज्यात डेव्हलपर ५० पर्यंत नावे किंवा तांत्रिक संज्ञा देऊन ओळख त्यांच्या बाजूने झुकवू शकतो. हे वैशिष्ट्य सिंक्रोनस आणि बॅच इंटरफेसवर चालते, पण स्ट्रीमिंगवर नाही.

सत्यापित केलेल्या उच्चारांवर, एआय४भारतच्या इंडिकव्हॉइसेस संचातून, सर्व २२ भाषांमध्ये भाषा ओळखीची त्रुटी ५.२२% आणि सर्वाधिक बोलल्या जाणाऱ्या दहा भाषांत २.९% आहे, असे पोस्ट नोंदवते. थेट वापरासाठी स्ट्रीमिंगमध्ये पहिल्या टोकनची वेळ १५० मिलिसेकंदांपेक्षा कमी असल्याचे ते सांगते. ३० सेकंदांपेक्षा लहान क्लिप सिंक्रोनस इंटरफेसमधून जातात, आणि बॅच इंटरफेस दोन तासांपर्यंतच्या फाइल घेतो, वक्त्यांची लेबले पर्याय म्हणून. बिझनेस स्टँडर्डने २५ सप्टेंबर रोजी प्रकाशनाचे वृत्त दिले आणि सर्वमचेच आकडे पुन्हा सांगितले. भारतीय वाक् मॉडेलांचा आमचा आधीचा tuput आढावा व्ही४ चा IndicContextEval निकाल आणि सारस व्ही३ ला किती गुण मिळाले हे सांगतो, म्हणून ते येथे पुन्हा दिलेले नाहीत.

बुलबुल व्ही४ फ्लॅश वेग आणि किमतीसाठी बनवले आहे

१३ ऑक्टोबरच्या पोस्टमध्ये सर्वम म्हणते की फ्लॅश प्रत्यक्ष वापरात विनंतीपासून पहिल्या आवाजापर्यंत २५० मिलिसेकंदांपेक्षा कमी वेळ घेते आणि तुलनात्मक भाराखाली बुलबुल व्ही३ पेक्षा ४०% पर्यंत जलद चालते. किंमत १०,००० अक्षरांमागे २० रुपये आहे, तर व्ही३ ची ३० रुपये, आणि १२ नोव्हेंबर २०२६ रोजी वाचलेल्या किंमत पानावर तेच दर १,००० अक्षरांमागे २.०० रुपये आणि ३.०० रुपये असे दिसतात. अॅनालिटिक्स इंडिया मॅगझिनने १४ ऑक्टोबर रोजी जुळणाऱ्या आकड्यांसह प्रकाशनाचे वृत्त दिले.

गुणवत्तेसाठी सर्वम दोन कारणे देते. व्ही३ च्या तुलनेत स्वतःचा आवाज डेटा जवळपास सात पटींनी वाढवला आणि मॉडेलला सुरुवातीपासून प्रशिक्षित करताना भारतीय भाषांचे प्रतिनिधित्व हे मुख्य ध्येय ठेवले, असे ती म्हणते. त्यांची संशोधन आवृत्त्या ४०० अब्जांहून अधिक ऑडिओ टोकनवर (मजकूर मॉडेल शब्दांचे तुकडे वापरतात तसे आवाजाचे छोटे तुकडे) प्रशिक्षित केल्या गेल्या आणि त्या प्रमाणावरही सुधारत राहिल्या, आणि फ्लॅश हे त्यांनी जे शिकवले त्यातून काढलेले छोटे मॉडेल आहे.

दुसरा भर आकडे आणि नावे बरोबर वाचून दाखवण्यावर आहे. एक मजकूर सामान्यीकरण थर प्रत्येक घटक संदर्भासह वाचतो आणि तो कसा बोलायचा ते ठरवतो: ISRO एक शब्द म्हणून, EMI अक्षर अक्षर करून, PAN एक शब्द म्हणून, आधार त्याच्या परिचित उच्चारात. पोस्टमधील डेमोमध्ये रेल्वे हेल्पलाइन कॉल आणि कर्ज स्मरणपत्र आहे, ज्यात PNR क्रमांक, गाडी क्रमांक, रकमा आणि तारखा येतात. फ्लॅश ८३ आवाज आणि २२४ आवाज-आणि-शैली संयोगांसह सुरू झाले, ज्यात ग्राहक सेवा, विक्री, वसुली, बँकिंग, ई-कॉमर्स आणि शिक्षण यांचा समावेश आहे, आणि ते सर्वम API, तिचे प्लेग्राउंड आणि कंटेंट स्टुडिओवर चालते.

सर्वमची स्वतःची पाने भाषांच्या संख्येबाबत वेगळी आहेत. प्रकाशनाची पोस्ट आणि अॅनालिटिक्स इंडिया मॅगझिन ११ भाषा म्हणतात. १२ नोव्हेंबर रोजी वाचलेल्या डेव्हलपर दस्तऐवजीकरणानुसार फ्लॅश आवाज सूचीत हिंदी, इंग्रजी, इंग्रजी आणि हिंदीची मिश्र शैली, बंगाली, गुजराती, कन्नड, मराठी, पंजाबी, तमिळ आणि तेलुगू आहेत, आणि बुलबुल व्ही३ ज्या मल्याळम आणि ओडिया देते त्या फ्लॅशवर अजून नाहीत. पोस्ट ८३ आवाज आणि २२४ संयोग मोजते तिथे ते २२२ आवाज आयडीही मोजते. सर्वम दोन्ही तफावतींचे स्पष्टीकरण देत नाही.

शब्द त्रुटी दर भारतीय बोलीचे चुकीचे मूल्यमापन करतो असे सर्वम आणि एआय४भारत का म्हणतात

वाक् गुण सहसा शब्द त्रुटी दर (WER) वापरतात, म्हणजे माणसाने लिहिलेल्या प्रतिलेखापेक्षा वेगळ्या असलेल्या शब्दांचा वाटा. सर्वमची २ एप्रिल २०२६ ची पोस्ट म्हणते की WER, अक्षर त्रुटी दर आणि BLEU हे मुख्यतः इंग्रजीसाठी बनवले गेले, जिथे प्रत्येक शब्दाचे एकच मान्य स्पेलिंग असते. ती दोन उदाहरणे देते.

पहिल्यात, वक्ता “ते एकत्र काम करतात” या अर्थाचे एक बोलचालीचे तमिळ वाक्य बोलतो, आणि प्रणाली ते बोलचालीच्या रूपात लिहिते, तर संदर्भात औपचारिक रूप आहे. पाचपैकी चार शब्द चुकीचे ठरवले जातात, म्हणजे ८०% WER, तरी मूळ भाषिकाला प्रतिलेख परिपूर्ण वाटतो असे पोस्ट म्हणते. दुसऱ्यात, हिंदी वाक्यात “डॉक्टर” संदर्भात इंग्रजी अक्षरांत आणि आउटपुटमध्ये देवनागरीत आहे. पाचपैकी एक शब्द चुकीचा ठरतो, म्हणजे २०%, तरी अर्थ तोच आहे. अकाउंट, बॅलन्स आणि ट्रान्सफर यांसारखे आलेले शब्द असलेली मिश्र हिंदी हाताळणारा बँक बॉट प्रत्यक्षापेक्षा १५% वाईट दिसू शकतो, अशी पोस्ट भर घालते.

सर्वमचा उपाय म्हणजे गुणांचा थरबद्ध संच. LLM-WER नेहमीची तुलना करतो, मग न जुळलेल्या प्रत्येक भागाचा अर्थ तोच आहे का किंवा आवाज तोच आहे का असे भाषा मॉडेलला विचारतो, आणि खात्री नसल्यास “वेगळे” हे डिफॉल्ट ठेवतो. इंटेंट स्कोअर भाषांतराचा मूळ अर्थ टिकला की नाही यावर १ किंवा ० देतो. एंटिटी प्रिझर्व्हेशन स्कोअर नावे, आकडे आणि तारखांपैकी किती पोहोचल्या त्याचा वाटा मोजतो, आणि बँकिंग, वैद्यकीय किंवा नेव्हिगेशन वापरासाठी किमान ०.९५ असावा अशी पोस्ट शिफारस करते. गुगलच्या व्हर्टेक्स एआयमार्फत जेमिनी हा परीक्षक आहे, आणि सर्वमने कोड GitHub वर प्रसिद्ध केला आहे. हा दृष्टिकोन इंडिक ASR मूल्यमापनावरचा “अंतिम शब्द” आहे असे आम्हाला वाटत नाही, असे पोस्ट स्वतःच म्हणते.

इतर संशोधकही हीच चिंता मांडतात. इंडिकव्हॉइसेस आणि Vistaar चाचण्यांच्या मागची आयआयटी मद्रासची प्रयोगशाळा एआय४भारतने मार्च २०२६ मध्ये ICASSP 2026 साठी लेखनरूपांचा विचार करणाऱ्या WER वर शोधनिबंध प्रसिद्ध केला. वैध स्पेलिंग प्रकार मान्य केल्याने त्रुटी दर सरासरी ६.३ गुणांनी कमी झाले, आणि दोन प्रणालींमधील अंतर १८.१ वरून ११.५ गुणांपर्यंत आले, असे तो नोंदवतो.

आकड्यांच्या मागच्या सार्वजनिक चाचण्या

सर्वमच्या पोस्टमध्ये नाव घेतलेल्या अनेक चाचण्या कंपनीबाहेर बनवल्या गेल्या. एआय४भारतचा २०२३ मधील Vistaar भारतीय भाषा आणि क्षेत्रांमधील ५९ बेंचमार्क एकत्र करतो, आणि त्याच्या लेखकांनी Whisper मॉडेल बारीक सुधारून इंडिकव्हिस्पर (IndicWhisper) बनवले, ज्याने ५९ पैकी ३९ वर सर्वात कमी WER मिळवला. इंडिकव्हॉइसेस हा २०२४ चा डेटासंच सर्व २२ भाषांमधील १४५ जिल्ह्यांतील १६,२३७ वक्त्यांचे ७,३४८ तासांचे बोलणे धरतो, ज्यापैकी शोधनिबंध प्रसिद्ध झाला तेव्हा १,६३९ तासांचे प्रतिलेखन झाले होते. Vistaar साठी सारस व्ही४ पोस्ट दहा भाषांतील निकाल WER आणि LLM-WER दोन्ही रूपांत देते, आणि आकडे फक्त आलेखांत दिसतात.

इंग्रजी बाजूला, सातांपैकी सहा चाचणी संच हगिंग फेसच्या ओपन ASR लीडरबोर्डवरून जसे प्रसिद्ध आहेत तसे घेतले आहेत, असे पोस्ट म्हणते. सातवा एआय४भारतचा स्वराह (Svarah) संच आहे, भारतीय उच्चारातील इंग्रजीचा, आणि सामान्यीकरण व गुणदान लीडरबोर्डच्या कोडनुसार आहे. त्या लीडरबोर्डचा शोधनिबंध १२ डेटासंचांवर ८६ प्रणालींची पुनरुत्पादनक्षम तुलना वर्णन करतो.

कीटर्म आकडा IndicContextEval वर आधारित आहे, जो एआय४भारत आणि सर्वम एआयच्या संशोधकांनी बनवला आणि Interspeech 2026 साठी स्वीकारला गेला. त्यात ८ भाषा आणि २३ व्यावसायिक क्षेत्रांतील ५५५ वक्त्यांचे ५६ तासांचे बोलणे आहे, आणि जोडलेल्या संदर्भाच्या सात पातळ्यांवर ते तपासले आहे. मूळ लिपीत मुख्य संज्ञांची यादी दिल्यावर सारस व्ही४ सर्वात कमी WER, १६.०३%, गाठते असे सर्वम म्हणते. १७ जून रोजी सादर झालेला शोधनिबंध, व्ही४ जाहीर होण्याच्या तीन महिने आधीचा, त्याऐवजी सर्वम ऑडिओ तपासतो आणि त्या पातळीवर त्याला १५.७०%, जेमिनी ३ फ्लॅशला १७.४६% आणि GPT-4o ट्रान्स्क्राइबला २६.०४% नोंदवतो. ही वेगळी मॉडेल आहेत, आणि व्ही४ पोस्ट त्यांच्या चाचणीत तेच आठ भाषांचे संच वापरले का हे सांगत नाही.

काय दाखवले गेलेले नाही

१२ नोव्हेंबर २०२६ पर्यंत tuput ला सर्वमच्या पोस्टच्या मजकुरात सारस व्ही४ साठी डेटासंचनिहाय कोणताही तक्ता वाचता आला नाही. पोस्ट एलेव्हनलॅब्स स्क्राइब व्ही२, डीपग्रॅम नोव्हा३ आणि GPT-4o ट्रान्स्क्राइबचे नमुना आउटपुट दाखवते, पण त्यांचे गुण छापत नाही. म्हणून सर्व २२ भाषांमध्ये सर्वोच्च निकाल मिळाल्याचा दावा सर्वमचाच आहे. बुलबुल व्ही३ साठी सर्वमने जोश टॉक्सने चालवलेला एक अंध श्रवण अभ्यास नोंदवला, जो ती स्वतंत्र म्हणून वर्णन करते, भाषेमागे ५० ते ७० परीक्षकांसह, आणि त्या अभ्यासात फुल-बँड ऑडिओ गुणवत्तेत एलेव्हनलॅब्स व्ही३ अल्फा पुढे होते. व्ही४ फ्लॅशची पोस्ट कोणताही श्रवण गुण नोंदवत नाही.

सर्वमची पाने मिनिटाला ३ रुपयांपासून व्हॉइस एजंटही जाहीर करतात, मॉडेल धरून. ते वाक् मॉडेलांपासून वेगळे उत्पादन आहे, आणि किंमत पानावर पे-अॅज-यू-गो योजनेत स्पीच टू टेक्स्ट प्रति मिनिट ०.४९ रुपये दिले आहे.

सर्वम ही इंडियाएआय मिशन अंतर्गत निवडलेल्या बारा चमूंपैकी एक आहे, आणि १३ फेब्रुवारी २०२६ च्या PIB अनुबंधात तिच्यासाठी २४६.७२ कोटी रुपयांचे संगणन सहाय्य नोंदवले आहे, आणि मिशनचे संगणन आणि मॉडेल वेगळ्या लेखात आहेत. दोन्हीपैकी कोणतीही वाक् पोस्ट आवाज मॉडेलांसाठी मिशनचे संगणन वापरले असे म्हणत नाही. भाषिणी आणि एआय४भारत त्याच २२ भाषांसाठी सार्वजनिक वाक् साधने देतात, ज्या संविधानाच्या आठव्या अनुसूचीतील भाषा आहेत, आणि २२ भाषांवरील आमच्या स्पष्टीकरणात त्या मांडल्या आहेत.

बुलबुल व्ही४ प्रो, जे सर्वमने हसू, उसासा टाकू आणि कुजबुजू शकणारे मोठे मॉडेल म्हणून पूर्वदर्शित केले, त्याची १२ नोव्हेंबर २०२६ पर्यंत प्रकाशन तारीख किंवा किंमत जाहीर झालेली नाही.

Share
Copied!

स्रोत आणि पुढील वाचन

  1. Sarvam AI: Introducing Saaras V4 (25 September 2026)
  2. Sarvam AI: Introducing Bulbul V4 Flash (13 October 2026)
  3. Sarvam AI: Evaluating Indian Language ASR (2 April 2026)
  4. Sarvam AI: Introducing Bulbul V3 (February 2026)
  5. Sarvam API docs: Saaras speech to text model page (read 12 November 2026)
  6. Sarvam API docs: Bulbul text to speech model page (read 12 November 2026)
  7. Sarvam API docs: Text to speech voices and the Bulbul v4 Flash catalogue (read 12 November 2026)
  8. Sarvam AI: API pricing (read 12 November 2026)
  9. Business Standard: Saaras V4, Sarvam AI's new speech model can transcribe 22 Indian languages (25 September 2026)
  10. Analytics India Magazine: Sarvam AI launches Bulbul V4 Flash for real-time speech in 11 Indian languages (14 October 2026)
  11. arXiv: Vistaar, Diverse Benchmarks and Training Sets for Indian Language ASR (Interspeech 2023)
  12. arXiv: IndicVoices, Towards building an Inclusive Multilingual Speech Dataset for Indian Languages (4 March 2024)
  13. arXiv: Towards Orthographically-Informed Evaluation of Speech Recognition Systems for Indian Languages (1 March 2026, ICASSP 2026)
  14. arXiv: IndicContextEval, a Benchmark for Evaluating Context Utilisation in Audio Large Language Models Across 8 Indic Languages (17 June 2026, Interspeech 2026)
  15. arXiv: Open ASR Leaderboard, Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation (revised 30 March 2026)
  16. GitHub: sarvamai/llm_wer, Sarvam's open-source LLM-WER evaluation code
  17. PIB: IndiaAI Mission progress, with Annexure I of support to foundation model builders (13 February 2026)
  18. AI4Bharat, IIT Madras: home page and research areas

हा लेख AI साधनांच्या मदतीने संशोधित आणि लिहिला गेला असून अचूकतेसाठी संपादित केला आहे. हा केवळ सर्वसाधारण माहिती आणि चर्चेसाठी आहे, व्यावसायिक सल्ला नाही. आमचे संपादकीय मानक आणि अस्वीकरण पाहा. चूक आढळली? आम्हाला कळवा.

#sarvam ai#saaras v4#bulbul v4 flash#speech recognition#text to speech#indic languages#word error rate#ai4bharat

आवडलं? पुढचा लेख मिळवा.

एका वेळी एक चांगला लेख, थेट तुमच्या इनबॉक्समध्ये. स्पॅम नाही, हवं तेव्हा थांबवा.

याच विभागात आणखी: एआय आणि तंत्रज्ञान
सर्वम २२ भारतीय भाषांमध्ये सुमारे १९% शब्द त्रुटी नोंदवते आणि मेटा १,६०० भाषा व्यापते, पण प्रसिद्ध झालेले बहुतेक वाचन गुण बनवणाऱ्यांनीच मोजलेले आहेत
हिंदी फोन कॉल्सवर अनेक प्रणाली ८% पेक्षा कमी गुण मिळवतात, तर तमिळ, मल्याळम आणि भोजपुरीत मोठी तफावत दिसते. हे गुण, प्रत्येक मॉडेल कोणत्या भाषा व्यापते, आणि ही आकडेवारी अजून एका क्रमवारीत का मांडता येत नाही याची कारणे.
भाषिणी २२ भारतीय भाषांमध्ये आवाज आणि ३६ मध्ये मजकूर देते, आणि आयआयटी मद्रासमधील एका प्रयोगशाळेने सर्व २२ अनुसूचित भाषांसाठी खुले भाषांतर मॉडेल बनवले
हिंदी, तमिळ, संथाळी आणि इतर भाषा यंत्रांना शिकवण्याचे काम एक सरकारी मंच आणि एक विद्यापीठ प्रयोगशाळा मिळून करतात. नोंदीवर असलेली आकडेवारी, शोधनिबंध आणि प्रत्यक्ष वापर, तारखांसह.
Google च्या आठ लेखकांनी १२ जून २०१७ रोजी Transformer शोधनिबंध प्रसिद्ध केला, आणि त्यातील मोठ्या मॉडेलने आठ GPU वर ३.५ दिवस प्रशिक्षणानंतर इंग्रजी ते जर्मन भाषांतरात २८.४ BLEU गुण मिळवले
आजच्या चॅटबॉटमागच्या रचनेची सफर, शोधनिबंधाच्याच तक्त्यांसह आणि नदीकडे पाहावे लागणाऱ्या शब्दाच्या Google च्याच उदाहरणासह. २०१७ च्या रचनेचे कोणते भाग नंतरच्या मॉडेलांनी ठेवले, बदलले किंवा सोडले, तेही यात आहे.
← सर्व लेख