Skip to content
சர்வத்தின் Saaras V4 எல்லா 22 அட்டவணை மொழிகளையும் ஐந்து வெளியீட்டு வடிவங்களில் எழுத்தாக்குகிறது; அதன் Bulbul V4 Flash குரல் மாதிரி 250 மில்லி வினாடிக்குள் பேசத் தொடங்குகிறது என்று சர்வம் தெரிவிக்கிறது
செயற்கை நுண்ணறிவும் தொழில்நுட்பமும்

சர்வத்தின் Saaras V4 எல்லா 22 அட்டவணை மொழிகளையும் ஐந்து வெளியீட்டு வடிவங்களில் எழுத்தாக்குகிறது; அதன் Bulbul V4 Flash குரல் மாதிரி 250 மில்லி வினாடிக்குள் பேசத் தொடங்குகிறது என்று சர்வம் தெரிவிக்கிறது

வரைபடம்: tuput

தமிழ்

பெங்களூருவைச் சேர்ந்த சர்வம் AI, Saaras V4 பேச்சு அறிதல் மாதிரியை 2026 செப்டம்பர் 25 அன்றும், Bulbul V4 Flash உரை-பேச்சு மாதிரியை அக்டோபர் 13 அன்றும் வெளியிட்டது. Saaras V4 22 அட்டவணை மொழிகளையும் ஆங்கிலத்தையும் உள்ளடக்குகிறது; Bulbul V4 Flash 10,000 எழுத்துகளுக்கு ரூ 20, முந்தைய மாதிரியை விட மூன்றில் ஒரு பங்கு குறைவு. பெரும்பாலான மதிப்பெண்கள் சர்வத்திடமிருந்தே வருகின்றன; பலவற்றுக்குப் பின்னால் AI4Bharatஇன் பொதுச் சோதனைத் தொகுப்புகள் உள்ளன.

· · 7 நிமிட வாசிப்பு

பெங்களூருவைச் சேர்ந்த நிறுவனமான சர்வம் AI மூன்று வாரங்களுக்குள் இரண்டு குரல் மாதிரிகளை வெளியிட்டது. 2026 செப்டம்பர் 25 அன்று அறிவிக்கப்பட்ட Saaras V4, இந்தியாவின் 22 அட்டவணை மொழிகளிலும், கூடவே ஆங்கிலத்திலும் உள்ள பேச்சை உரையாக மாற்றுகிறது. அக்டோபர் 13 அன்று அறிவிக்கப்பட்ட Bulbul V4 Flash உரையைப் பேச்சாக மாற்றுகிறது; சர்வத்தின் கூற்றுப்படி, 10,000 எழுத்துகளுக்கு ரூ 20 விலையில் 250 மில்லி வினாடிக்குள் அதன் முதல் ஒலியை இயக்குகிறது. இரண்டும் சேர்ந்து, தொலைபேசி வழிக் குரல் முகவரின், அதாவது இந்தி, தமிழ், வங்காள மொழியில் வாடிக்கையாளருடன் பேசும் ஒரு நிரலின், கேட்கும் பாதியையும் பேசும் பாதியையும் உள்ளடக்குகின்றன.

Saaras V4 ஒரே பேச்சின் ஐந்து வடிவங்களைத் தருகிறது

ஓர் ஒலி குறியாக்கி, சர்வம் தன் நிறுவனத்துக்குள்ளேயே புதிதாகப் பயிற்றுவித்ததாகக் கூறும் 300 கோடி அளவுருக்கள் (ஒரு மாதிரிக்குள் உள்ள சரிசெய்யக்கூடிய எண்கள்) கொண்ட மொழி மாதிரிக்கு உணவளிக்கிறது. அதன் குறிவிலக்கி ஒரு கலப்பு நிலை-வெளி மாதிரி; பெரும்பாலான பெரிய மொழி மாதிரிகள் பயன்படுத்தும் கவனிப்பு அடுக்குகளுக்கு இது ஒரு மாற்று. இரண்டுக்கும் இடையிலுள்ள ஒரு படி ஒலித் தொடரைச் சுருக்குகிறது; அதனால் நீண்ட பதிவுகள் குறிவிலக்கியின் செயல் நினைவகத்தில் அடங்குகின்றன.

சர்வம் வெளியீட்டில் அழுத்தம் வைக்கிறது. ஒரே பதிவிலிருந்து மாதிரி ஐந்து வகை உரையைத் தர முடியும்; T20 மட்டைவீச்சு பற்றிய ஒரே இந்தி வாக்கியத்தில் அவற்றைத் தொடக்கப் பதிவு காட்டுகிறது.

வடிவம்அது தருவது
transcribeதாய்மொழி எழுத்தில், எண்களும் தேதிகளும் இயல்பாக்கப்பட்டு
codemixTranscribe போலவே, ஆனால் ஆங்கிலச் சொற்கள் ஆங்கில எழுத்துகளிலேயே இருக்கும்
translitமுழு வாக்கியமும் ஆங்கில எழுத்துகளில்; இதை வழக்கு மொழியில் “WhatsApp language” என்று அழைப்பதாகப் பதிவு கூறுகிறது
translateஆங்கில மொழிபெயர்ப்பு
verbatimபேசிய ஒவ்வொரு சொல்லும் அப்படியே; ஆகவே “T20” இந்தியில் “டீ ட்வென்டி” என்ற சொற்களாகத் தோன்றும்

ஐந்தும் ஒரே மாதிரியிலிருந்து வருவதால், கூடுதல் செயலாக்கப் படிகள் தேவையில்லை, ஆகவே பிழைகள் குவியக்கூடிய படிகளும் இல்லை என்று சர்வம் கூறுகிறது. அதே வடிவங்களை டெவலப்பர் ஆவணங்கள் பட்டியலிட்டு, Saaras V4ஐ இயல்புநிலை மாதிரியாகக் குறிப்பிடுகின்றன. இந்திய ஆங்கிலத்துடன் உலக ஆங்கில உச்சரிப்புகளின் அறிதலையும் அது சேர்த்து, முக்கியச்சொல் தூண்டுதலை விவரிக்கிறது; அதில் ஒரு டெவலப்பர் 50 பெயர்கள் அல்லது தொழில்நுட்பச் சொற்கள் வரை வழங்கி, அறிதலை அவற்றின் பக்கம் சாய்க்கலாம். இந்த அம்சம் ஒத்தியங்கு மற்றும் தொகுப்பு இடைமுகங்களில் செயல்படுகிறது, ஆனால் ஓடை முறையில் செயல்படாது.

AI4Bharatஇன் IndicVoices தொகுப்பிலிருந்து சரிபார்க்கப்பட்ட பேச்சுத் துண்டுகளில், மொழி அடையாளப் பிழை எல்லா 22 மொழிகளிலும் 5.22 சதவீதம், அதிகம் பேசப்படும் பத்து மொழிகளில் 2.9 சதவீதம் என்று பதிவு தெரிவிக்கிறது. நேரடிப் பயன்பாட்டுக்கு, ஓடை முறையில் முதல் டோக்கனுக்கான நேரம் 150 மில்லி வினாடிக்குக் கீழ் என்று அது தருகிறது. 30 வினாடிக்குக் குறைவான துண்டுகள் ஒத்தியங்கு இடைமுகத்தில் செல்கின்றன; தொகுப்பு இடைமுகம் இரண்டு மணி நேரம் வரையிலான கோப்புகளை ஏற்கிறது, விருப்பமாகப் பேசுபவர் குறிப்புகளுடன். வெளியீட்டை பிசினஸ் ஸ்டாண்டர்டு செப்டம்பர் 25 அன்று செய்தியாக்கி, சர்வத்தின் எண்களை மீண்டும் கூறியது. இந்தியப் பேச்சு மாதிரிகள் பற்றிய முந்தைய tuput தொகுப்பு V4இன் IndicContextEval முடிவையும் Saaras V3 எவ்வளவு மதிப்பெண் பெற்றது என்பதையும் உள்ளடக்குகிறது; ஆகவே அவை இங்கு மீண்டும் வரவில்லை.

Bulbul V4 Flash வேகத்துக்கும் விலைக்கும் கட்டப்பட்டது

அக்டோபர் 13 பதிவில், Flash உற்பத்தியில் கோரிக்கையிலிருந்து முதல் ஒலி வரை 250 மில்லி வினாடிக்குள் வழங்குகிறது என்றும், ஒப்பிடத்தக்க சுமையில் Bulbul V3ஐ விட 40% வரை வேகமாக இயங்குகிறது என்றும் சர்வம் கூறுகிறது. விலை 10,000 எழுத்துகளுக்கு ரூ 20; V3க்கு ரூ 30. 2026 நவம்பர் 12 அன்று படித்த விலைப் பக்கம் அதே கட்டணங்களை 1,000 எழுத்துகளுக்கு ரூ 2.00, ரூ 3.00 என்று காட்டுகிறது. அனாலிடிக்ஸ் இந்தியா இதழ் அக்டோபர் 14 அன்று பொருந்தும் எண்களுடன் வெளியீட்டைச் செய்தியாக்கியது.

தரத்துக்குச் சர்வம் இரண்டு காரணங்களைத் தருகிறது. தன் சொந்தப் பேச்சுத் தரவை V3ஐ விட ஏறத்தாழ ஏழு மடங்கு விரிவாக்கியதாகவும், இந்திய மொழிப் பிரதிநிதித்துவத்தை முக்கிய இலக்காகக் கொண்டு மாதிரியைப் புதிதாக முன்பயிற்சி செய்ததாகவும் அது கூறுகிறது. 40,000 கோடிக்கும் மேற்பட்ட ஒலி டோக்கன்களில் (உரை மாதிரிகள் சொல் துண்டுகளைப் பயன்படுத்துவதுபோல, ஒலியின் சிறு துண்டுகள்) பயிற்றுவிக்கப்பட்ட அதன் ஆராய்ச்சிப் பதிப்புகள் அந்த அளவிலும் தொடர்ந்து மேம்பட்டன; Flash என்பது அவை கற்பித்ததிலிருந்து வடிகட்டிய சிறிய மாதிரி.

இரண்டாவது அழுத்தம், எண்களையும் பெயர்களையும் சரியாக வாசிப்பது. ஒரு உரை இயல்பாக்க அடுக்கு ஒவ்வொன்றையும் சூழலில் படித்து அது எப்படி உச்சரிக்கப்பட வேண்டும் என்று தீர்மானிக்கிறது: ISRO ஒரு சொல்லாக, EMI எழுத்து எழுத்தாக, PAN ஒரு சொல்லாக, ஆதார் தெரிந்த உச்சரிப்பில். PNR எண்கள், ரயில் எண்கள், தொகைகள், தேதிகள் கொண்ட ஒரு ரயில் உதவி எண் அழைப்பும் ஒரு கடன் நினைவூட்டலும் பதிவிலுள்ள செயல்விளக்கங்களில் அடங்கும். Flash 83 குரல்களுடனும் 224 குரல்-பாணிச் சேர்க்கைகளுடனும் தொடங்கியது; வாடிக்கையாளர் சேவை, விற்பனை, வசூல், வங்கி, இ-காமர்ஸ், கல்வி ஆகியவற்றை உள்ளடக்கியது; சர்வம் API, அதன் Playground, Content Studio ஆகியவற்றில் இயங்குகிறது.

மொழிகளின் எண்ணிக்கையில் சர்வத்தின் சொந்தப் பக்கங்களே வேறுபடுகின்றன. தொடக்கப் பதிவும் அனாலிடிக்ஸ் இந்தியா இதழும் 11 மொழிகள் என்கின்றன. நவம்பர் 12 அன்று படித்த டெவலப்பர் ஆவணங்கள், Flash குரல் பட்டியல் இந்தி, ஆங்கிலம், ஆங்கிலமும் இந்தியும் கலந்த ஒரு பாணி, வங்காளம், குஜராத்தி, கன்னடம், மராத்தி, பஞ்சாபி, தமிழ், தெலுங்கு ஆகியவற்றை உள்ளடக்குகிறது என்றும், Bulbul V3 வழங்கும் மலையாளமும் ஒடியாவும் Flashஇல் இன்னும் இல்லை என்றும் கூறுகின்றன. பதிவு 83 குரல்கள், 224 சேர்க்கைகள் என்று எண்ணும் இடத்தில் ஆவணங்கள் 222 குரல் அடையாளங்களை எண்ணுகின்றன. இரு இடைவெளிகளையும் சர்வம் விளக்கவில்லை.

இந்தியப் பேச்சைச் சொல் பிழை விகிதம் தவறாக மதிப்பிடுகிறது என்று சர்வமும் AI4Bharatஉம் ஏன் கூறுகின்றன

பேச்சு மதிப்பெண்கள் பொதுவாகச் சொல் பிழை விகிதத்தைப் (WER) பயன்படுத்துகின்றன; அது மனிதர் எழுதிய எழுத்துப்படியிலிருந்து மாறுபடும் சொற்களின் பங்கு. ஒவ்வொரு சொல்லுக்கும் ஒரே ஏற்கப்பட்ட எழுத்துக்கூட்டல் உள்ள ஆங்கிலத்துக்காகவே WER, எழுத்துப் பிழை விகிதம், BLEU ஆகியவை பெரும்பாலும் வடிவமைக்கப்பட்டன என்று சர்வத்தின் 2026 ஏப்ரல் 2 பதிவு வாதிடுகிறது. அது இரண்டு விளக்க நிகழ்வுகளைத் தருகிறது.

முதலாவதில், ஒருவர் “அவர்கள் சேர்ந்து வேலை செய்கிறார்கள்” என்ற பொருளில் ஓர் அன்றாடத் தமிழ் வாக்கியத்தைப் பேசுகிறார்; அமைப்பு அதை வழக்குமொழி வடிவத்தில் எழுதுகிறது, மேற்கோள் எழுத்துப்படியோ முறையான வடிவத்தில் உள்ளது. ஐந்தில் நான்கு சொற்கள் தவறு என்று குறிக்கப்படுகின்றன, அதாவது 80% WER; ஆனால் தாய்மொழிப் பேச்சாளர் அதைச் சரியான எழுத்துப்படியாகக் கேட்கிறார் என்கிறது பதிவு. இரண்டாவதில், ஓர் இந்தி வாக்கியத்தில் “doctor” என்பது மேற்கோளில் ஆங்கில எழுத்துகளிலும், வெளியீட்டில் தேவநாகரியிலும் உள்ளது. ஐந்தில் ஒரு சொல் தவறு என்று குறிக்கப்படுகிறது, 20%; ஆனால் பொருள் ஒன்றே. account, balance, transfer போன்ற கடன்சொற்களுடன் கலப்பு இந்தியைக் கையாளும் ஒரு வங்கி போட், உள்ளதைவிட 15% மோசமாகத் தோன்றக்கூடும் என்றும் பதிவு சேர்க்கிறது.

சர்வத்தின் தீர்வு அடுக்கடுக்கான மதிப்பெண்கள். LLM-WER வழக்கமான ஒப்பீட்டை நடத்துகிறது; பிறகு பொருந்தாத ஒவ்வொரு பகுதியும் ஒரே பொருளைத் தருகிறதா அல்லது ஒரே ஒலியைத் தருகிறதா என்று ஒரு மொழி மாதிரியிடம் கேட்கிறது; உறுதியில்லாதபோது “வேறு” என்றே இயல்புநிலை கொள்கிறது. ஒரு மொழிபெயர்ப்பின் மையப் பொருள் தப்பிப் பிழைத்ததா என்பதன்படி Intent Score அதற்கு 1 அல்லது 0 வழங்குகிறது. Entity Preservation Score பெயர்கள், எண்கள், தேதிகளில் எவ்வளவு பங்கு சரியாக வந்தது என்பதை எண்ணுகிறது; வங்கி, மருத்துவம் அல்லது வழிசெலுத்தல் பயன்பாடுகளுக்குக் குறைந்தது 0.95 வேண்டும் என்று பதிவு பரிந்துரைக்கிறது. நடுவராக கூகுளின் Vertex AI வழியாக Gemini உள்ளது; சர்வம் குறியீட்டை GitHubஇல் வெளியிட்டுள்ளது. இந்த அணுகுமுறையை இந்திய மொழிகளுக்கான ASR மதிப்பீட்டில் “இறுதிச் சொல்” என்று தாம் கருதவில்லை என்று பதிவே கூறுகிறது.

மற்ற ஆராய்ச்சியாளர்களும் இதே கவலையைப் பகிர்கின்றனர். IndicVoices, Vistaar சோதனைத் தொகுப்புகளுக்குப் பின்னுள்ள IIT மெட்ராஸ் ஆய்வகமான AI4Bharat, எழுத்துக்கூட்டல் அறிந்த WER பற்றி ICASSP 2026க்காக 2026 மார்ச்சில் ஒரு கட்டுரை வெளியிட்டது. செல்லுபடியாகும் எழுத்துக்கூட்டல் வேறுபாடுகளை அனுமதித்தால் பிழை விகிதங்கள் சராசரியாக 6.3 புள்ளிகள் குறைந்தன என்றும், இரண்டு அமைப்புகளுக்கு இடையிலான இடைவெளி 18.1 புள்ளிகளிலிருந்து 11.5 புள்ளிகளாகச் சுருங்கியது என்றும் அது தெரிவிக்கிறது.

எண்களுக்குப் பின்னால் உள்ள பொதுச் சோதனைகள்

சர்வத்தின் பதிவுகளில் குறிப்பிடப்படும் பல சோதனைகள் நிறுவனத்துக்கு வெளியே உருவாக்கப்பட்டவை. AI4Bharatஇன் 2023 Vistaar, இந்திய மொழிகளிலும் துறைகளிலும் 59 அளவுகோல்களைத் தொகுக்கிறது; அதன் ஆசிரியர்கள் Whisper மாதிரிகளைச் செம்மைப்படுத்தி IndicWhisper ஆக்கினர்; அது 59இல் 39இல் மிகக் குறைந்த WER பெற்றது. 2024 தரவுத்தொகுப்பான IndicVoices, எல்லா 22 மொழிகளிலும் 145 மாவட்டங்களின் 16,237 பேச்சாளர்களிடமிருந்து 7,348 மணி நேரப் பேச்சைக் கொண்டுள்ளது; கட்டுரை வெளிவந்தபோது அதில் 1,639 மணி நேரம் எழுத்தாக்கப்பட்டிருந்தது. Vistaarக்கு, Saaras V4 பதிவு பத்து மொழிகளில் முடிவுகளை WER, LLM-WER இரண்டாகவும் தெரிவிக்கிறது; எண்கள் வரைபடங்களாக மட்டுமே வருகின்றன.

ஆங்கிலப் பக்கத்தில், ஏழு சோதனைத் தொகுப்புகளில் ஆறு Hugging Faceஇன் Open ASR Leaderboardஇலிருந்து வெளியானபடியே எடுக்கப்பட்டவை என்று பதிவு கூறுகிறது. ஏழாவது, இந்திய உச்சரிப்பு ஆங்கிலத்துக்கான AI4Bharatஇன் Svarah தொகுப்பு; இயல்பாக்கமும் மதிப்பெண்ணும் தரவரிசைப் பட்டியலின் குறியீட்டைப் பின்பற்றுகின்றன. அந்தத் தரவரிசைப் பட்டியலின் கட்டுரை 12 தரவுத்தொகுப்புகளில் 86 அமைப்புகளின் மீண்டும் நிகழ்த்தக்கூடிய ஒப்பீட்டை விவரிக்கிறது.

முக்கியச்சொல் எண், AI4Bharat மற்றும் சர்வம் AI ஆராய்ச்சியாளர்களிடமிருந்து வந்து Interspeech 2026இல் ஏற்கப்பட்ட IndicContextEval மீது நிற்கிறது. அதில் 8 மொழிகளிலும் 23 தொழில்முறைத் துறைகளிலும் 555 பேச்சாளர்களின் 56 மணி நேரப் பேச்சு உள்ளது; சேர்க்கப்பட்ட சூழலின் ஏழு நிலைகளில் சோதிக்கப்பட்டது. தாய்மொழி எழுத்தில் முக்கியச்சொற்களின் பட்டியல் வழங்கப்படும்போது Saaras V4 மிகக் குறைந்த WERஐ, 16.03%ஐ, எட்டுகிறது என்று சர்வம் கூறுகிறது. V4 அறிவிக்கப்படுவதற்கு மூன்று மாதங்கள் முன்பு, ஜூன் 17 அன்று சமர்ப்பிக்கப்பட்ட கட்டுரை, அதற்குப் பதிலாக Sarvam Audioவைச் சோதித்து, அந்த நிலையில் அதற்கு 15.70% என்றும், Gemini 3 Flashக்கு 17.46% என்றும், GPT-4o Transcribeக்கு 26.04% என்றும் தெரிவிக்கிறது. இவை வெவ்வேறு மாதிரிகள்; V4 பதிவு தன் ஓட்டம் அதே எட்டு மொழிகளைப் பயன்படுத்தியதா என்று கூறவில்லை.

இன்னும் காட்டப்படாதவை

2026 நவம்பர் 12 நிலவரப்படி, சர்வத்தின் பதிவின் உரையில் Saaras V4க்கான தரவுத்தொகுப்பு வாரியான அட்டவணை எதையும் tuput படிக்க முடியவில்லை; அதில் ElevenLabs Scribe v2, Deepgram Nova3, GPT-4o Transcribe ஆகியவற்றின் மாதிரி வெளியீடுகள் காட்டப்படுகின்றன, ஆனால் அவற்றுக்கு மதிப்பெண்கள் அச்சிடப்படவில்லை. ஆகவே எல்லா 22 மொழிகளிலும் முதன்மை முடிவுகள் என்ற கூற்று சர்வத்தின் சொந்தக் கூற்றே. Bulbul V3க்குச் சர்வம், ஜோஷ் டாக்ஸ் நடத்திய ஒரு மறைமுகக் கேட்டல் ஆய்வைத் தெரிவித்தது; அதைச் சுயாதீனமானது என்று விவரிக்கிறது; ஒரு மொழிக்கு 50 முதல் 70 குறிப்பாளர்கள் இருந்தனர்; அந்த ஆய்வில் முழு அலைவரிசை ஒலித் தரத்தில் ElevenLabs v3 alpha முன்னிலை பெற்றது. V4 Flash பதிவு எந்தக் கேட்டல் மதிப்பெண்ணையும் தெரிவிக்கவில்லை.

மாதிரிகள் உட்பட நிமிடத்துக்கு ரூ 3இலிருந்து தொடங்கும் குரல் முகவர்களையும் சர்வத்தின் பக்கங்கள் விளம்பரப்படுத்துகின்றன. அது பேச்சு மாதிரிகளிலிருந்து தனியான தயாரிப்பு; விலைப் பக்கம் பேச்சிலிருந்து உரையை, பயன்படுத்தியதற்குக் கட்டணம் செலுத்தும் திட்டத்தில், நிமிடத்துக்கு ரூ 0.49 என்று பட்டியலிடுகிறது.

IndiaAI திட்டத்தின் கீழ் தேர்ந்தெடுக்கப்பட்ட பன்னிரண்டு குழுக்களில் சர்வமும் ஒன்று; 2026 பிப்ரவரி 13 PIB இணைப்பு அதற்கு ரூ 246.72 கோடி கணினி ஆதரவைப் பட்டியலிடுகிறது; திட்டத்தின் கணினித் திறனும் மாதிரிகளும் தனிக் கட்டுரையில் உள்ளன. குரல் மாதிரிகள் திட்டத்தின் கணினித் திறனைப் பயன்படுத்தின என்று இரு பேச்சுப் பதிவுகளும் கூறவில்லை. அதே 22 மொழிகளுக்கு பாஷினியும் AI4Bharatஉம் பொதுப் பேச்சுக் கருவிகளை வழங்குகின்றன; அவை அரசமைப்புச் சட்டத்தின் எட்டாவது அட்டவணையில் உள்ளவை; அவை 22 மொழிகள் பற்றிய எங்கள் விளக்கக் கட்டுரையில் விவரிக்கப்பட்டுள்ளன.

Bulbul V4 Pro, சிரிக்கவும் பெருமூச்சு விடவும் கிசுகிசுக்கவும் கூடிய பெரிய மாதிரியாகச் சர்வம் முன்னோட்டம் காட்டியது; 2026 நவம்பர் 12 நிலவரப்படி அதற்கு அறிவிக்கப்பட்ட வெளியீட்டுத் தேதியோ விலையோ இல்லை.

Share
Copied!

ஆதாரங்களும் மேலும் வாசிக்கவும்

  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

இந்தக் கட்டுரை AI கருவிகளின் உதவியுடன் ஆராயப்பட்டு எழுதப்பட்டு, துல்லியத்திற்காகத் திருத்தப்பட்டது. இது பொதுத் தகவலுக்கும் விவாதத்திற்கும் மட்டுமே, தொழில்முறை ஆலோசனை அல்ல. எங்கள் ஆசிரியர் தரநிலைகள் மற்றும் பொறுப்புத் துறப்பு ஐப் பார்க்கவும். பிழை கண்டீர்களா? எங்களிடம் சொல்லுங்கள்.

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

பிடித்ததா? அடுத்ததைப் பெறுங்கள்.

ஒரு நேரத்தில் ஒரு நல்ல கட்டுரை, நேரடியாக உங்கள் இன்பாக்ஸுக்கு. ஸ்பேம் இல்லை, எப்போது வேண்டுமானாலும் நிறுத்தலாம்.

இதே பிரிவில் மேலும்: செயற்கை நுண்ணறிவும் தொழில்நுட்பமும்
22 இந்திய மொழிகளில் சுமார் 19% சொல் பிழை என்று சர்வம் கூறுகிறது, மெட்டா 1,600 மொழிகளை உள்ளடக்குகிறது; ஆனால் வெளியிடப்பட்ட பெரும்பாலான பேச்சு மதிப்பெண்கள் உருவாக்கியவர்களிடமிருந்தே வருகின்றன
இந்தி தொலைபேசி அழைப்புகளில் பல அமைப்புகள் 8% க்குக் கீழ் மதிப்பெண் பெறுகின்றன; தமிழ், மலையாளம், போஜ்புரியில் பெரிய இடைவெளிகள் தெரிகின்றன. மதிப்பெண்கள், ஒவ்வொரு மாதிரியும் உள்ளடக்கும் மொழிகள், இந்த எண்களை இன்னும் ஒரே தரவரிசைப் பட்டியலில் வைக்க முடியாததற்கான காரணங்கள் இங்கே.
பாஷினி 22 இந்திய மொழிகளில் குரல் சேவையையும் 36 மொழிகளில் எழுத்துச் சேவையையும் வழங்குகிறது, 22 அட்டவணை மொழிகளுக்கும் திறந்த மொழிபெயர்ப்பு மாதிரியை உருவாக்கியது சென்னை ஐஐடியில் உள்ள ஓர் ஆய்வகம்
இந்தி, தமிழ், சந்தாலி உள்ளிட்ட மொழிகளை இயந்திரங்களுக்குக் கற்பிக்கும் பணியை ஓர் அரசுத் தளமும் ஒரு பல்கலைக்கழக ஆய்வகமும் பகிர்ந்துகொள்கின்றன. பதிவில் உள்ள புள்ளிவிவரங்கள், ஆய்வுக் கட்டுரைகள், பயன்பாடுகள் தேதிகளுடன் இங்கே.
கூகுளின் எட்டு ஆசிரியர்கள் 2017 ஜூன் 12 அன்று டிரான்ஸ்ஃபார்மர் ஆய்வறிக்கையை வெளியிட்டனர்; அதன் பெரிய மாடல் எட்டு GPU-களில் 3.5 நாட்கள் பயிற்சிக்குப் பிறகு ஆங்கிலத்திலிருந்து ஜெர்மனுக்கான மொழிபெயர்ப்பில் 28.4 BLEU பெற்றது
இன்றைய சாட்பாட்களின் பின்னால் உள்ள வடிவமைப்பின் ஒரு விளக்கம்; ஆய்வறிக்கையின் சொந்த அட்டவணைகளையும், ஆற்றைப் பார்க்க வேண்டிய ஒரு சொல் பற்றிய கூகுளின் சொந்த எடுத்துக்காட்டையும் இது பயன்படுத்துகிறது. 2017 வடிவமைப்பில் பிற்கால மாடல்கள் எவற்றை வைத்துக்கொண்டன, எவற்றை மாற்றின, எவற்றைக் கைவிட்டன என்பதையும் இது சொல்கிறது.
← அனைத்துக் கட்டுரைகள்