OpenAI ने रियल-टाइम ट्रांसलेशन मॉडल लॉन्च किया: भाषा की बाधाओं को तुरंत तोड़ना

क्रॉस-लिंगुअल कम्युनिकेशन का नया युग

7 मई 2026 को, OpenAI ने एक ब्रेकथ्रू रियल-टाइम स्पीच-टू-स्पीच ट्रांसलेशन मॉडल पेश किया जो मौलिक रूप से बदल सकता है कि इंसान विभिन्न भाषाओं में कैसे संवाद करते हैं। पिछले ट्रांसलेशन पाइपलाइनों के विपरीत — जो ASR, MT और TTS को चेन करती हैं — यह नया मॉडल एक यूनिफ़ाइड आर्किटेक्चर में डायरेक्ट स्पीच-टू-स्पीच ट्रांसलेशन करता है, जो 300 मिलीसेकंड से कम की एंड-टू-एंड लेटेंसी हासिल करता है।

नतीजा नियर-इंस्टेंटेनियस ट्रांसलेशन है जो बातचीत में नेचुरल लगता है। मॉडल टोन, इमोशन और प्रोसोडी को प्रिज़र्व करता है — सिर्फ़ शब्दों का शाब्दिक अर्थ नहीं, बल्कि उनके बोले जाने का तरीका भी।

मॉडल कैसे काम करता है

आर्किटेक्चर कैस्केडेड ट्रांसलेशन सिस्टम से एक महत्वपूर्ण विचलन है। OpenAI का मॉडल एक शेयर्ड मल्टीलिंगुअल लेटेंट स्पेस के ज़रिए सीधे सोर्स-लैंग्वेज ऑडियो फ़ीचर्स से टार्गेट-लैंग्वेज ऑडियो फ़ीचर्स पर मैप करता है।

मुख्य तकनीकी हाइलाइट्स:

• यूनिफ़ाइड एनकोडर-डिकोडर आर्किटेक्चर — 100+ भाषा जोड़ियाँ कवर
• स्ट्रीमिंग इन्फ़्रेंस — स्पीकर का वाक्य खत्म होने से पहले ट्रांसलेटेड ऑडियो शुरू करता है
• वॉइस प्रिज़र्वेशन — ट्रांसलेटेड आउटपुट में मूल स्पीकर की वोकल विशेषताएँ बनाए रखता है
• कॉन्टेक्स्ट-अवेयर ट्रांसलेशन — संदेह दूर करने के लिए बातचीत के इतिहास का उपयोग करता है

API एक्सेस

curl https://api.openai.com/v1/audio/translations \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F "audio=@conversation.wav" \
  -F "source_language=ja" \
  -F "target_language=en" \
  -F "mode=streaming" \
  -F "voice_preservation=true" \
  -o translated_audio.wav

API तीन मोड सपोर्ट करता है: स्ट्रीमिंग (रियल-टाइम), बैच (प्री-रिकॉर्डेड), और सिमल्टेनियस (कॉन्फ़्रेंस-स्टाइल)।

इंडस्ट्री इम्पैक्ट

References

• OpenAI Official Blog: Real-Time Translation
• OpenAI API Docs