गुगल मिथुनला मानवी चेहरा मिळाला! लाइव्ह अवतार आता व्हिडिओ आणि आवाजासह रिअल-टाइम चॅट सक्षम करेल.

टेक्नॉलॉजी डेस्कः गुगलने आपल्या रिअल-टाइम AI अनुभवासाठी नवीन रूप जाहीर केले आहे. कंपनीच्या नवीन जेमिनी लाइव्ह विथ लाइव्ह अवतार वैशिष्ट्यामध्ये, एआय केवळ तुमचा आवाज ऐकूनच प्रतिसाद देत नाही तर कॅमेराद्वारे व्हिज्युअल इनपुट समजून घेऊन रिअल-टाइममध्ये व्हॉइस आणि डिजिटल चेहऱ्याशी संवाद साधण्यास सक्षम असेल.

गुगलच्या म्हणण्यानुसार, लाइव्ह अवतार अशा प्रकारे डिझाइन करण्यात आला आहे की संभाषणादरम्यान, डिजिटल अवतार मानवांप्रमाणे चेहर्यावरील हावभाव दर्शवू शकतो. याव्यतिरिक्त, अवतारच्या ओठांच्या हालचाली बोलल्या जाणाऱ्या शब्दांशी सुसंगत असतील, ज्यामुळे संभाषणे अधिक नैसर्गिक वाटतील.

एआय तुम्हाला केवळ ऐकूच शकणार नाही, तर ते तुम्हाला पाहण्यासही सक्षम असेल

ऑडिओ आणि व्हिज्युअल इनपुटची एकाचवेळी प्रक्रिया करणे हे या तंत्रज्ञानाचे वैशिष्ट्य आहे. म्हणजेच, कॅमेरा चालू करून, वापरकर्ता AI शी बोलू शकतो आणि त्याला त्याच्या समोर असलेली व्यक्ती किंवा कोणतीही वस्तू दाखवू शकतो.

AI हे व्हिज्युअल इनपुट समजू शकते आणि त्याच वेळी व्हॉइस आणि व्हिडिओद्वारे प्रतिसाद देऊ शकते. हे उत्पादन डेमो, आभासी सहाय्यक आणि परस्परसंवादी मार्गदर्शक यांसारखे वापराचे नवीन मार्ग उघडू शकते.

बोलत असताना पार्श्वभूमीत काम करण्यास सक्षम असेल

लाइव्ह अवतारची आणखी एक खासियत म्हणजे मल्टीटास्किंग. वापरकर्ता संभाषणादरम्यान कोणतीही माहिती तपासण्यासाठी किंवा इतर कोणतेही कार्य पूर्ण करण्यास सांगू शकतो.

अशा परिस्थितीत, संभाषण पूर्णपणे थांबवण्याऐवजी, AI पार्श्वभूमीत आवश्यक कार्य पूर्ण करू शकते आणि नंतर परिणामासह संभाषण सुरू ठेवू शकते.

९७ भाषांमध्ये संवाद साधण्याचा दावा

गुगलच्या मते, लाइव्ह अवतार 97 वेगवेगळ्या भाषांमधील संभाषणांना सपोर्ट करतो. विशेष म्हणजे भाषेच्या बदलामुळे केवळ आवाजच नाही तर ओठांच्या हालचाली आणि चेहऱ्यावरील हावभावही त्याच भाषेनुसार बदलू शकतात.

हे वैशिष्ट्य विशेषतः अशा व्यवसायांसाठी उपयुक्त ठरू शकते ज्यांना ग्राहकांशी वेगवेगळ्या भाषांमध्ये संवाद साधण्याची आवश्यकता आहे.

कंपन्या अवतारचा चेहरा आणि आवाज निवडण्यास सक्षम असतील

व्यावसायिक वापरकर्त्यांना आधीच उपलब्ध असलेल्या अनेक चेहरे आणि आवाजांमधून त्यांच्या गरजेनुसार अवतार निवडण्याचा पर्याय दिला जाऊ शकतो.

याशिवाय गुगल कंपन्यांना त्यांच्या ब्रँड ओळखीनुसार कस्टम अवतार तयार करण्याची सुविधाही देत ​​आहे. उपलब्ध माहितीनुसार, केवळ एका उच्च-गुणवत्तेच्या फोटोसह कंपनीसाठी ॲनिमेटेड डिजिटल अवतार तयार केला जाऊ शकतो.

तथापि, कस्टम अवतार वैशिष्ट्य सध्या मर्यादित कंपन्यांसाठी उपलब्ध असल्याचे सांगितले जाते.

ग्राहक समर्थन पासून उत्पादन डेमो पर्यंत वापर
लाइव्ह अवतारचा वापर फक्त सामान्य संभाषणापुरता मर्यादित राहणार नाही. कंपन्या ते विविध कारणांसाठी वापरू शकतात, जसे की:

ग्राहक समर्थन

आभासी सहाय्यक

उत्पादन डेमो

सेवेचा परस्परसंवादी वॉकथ्रू

ग्राहकांना रिअल-टाइम माहिती प्रदान करणे

अशाप्रकारे, AI चॅटबॉटच्या पलीकडे जाऊन डिजिटल असिस्टंटचे रूप धारण करू शकते जो वापरकर्त्याला पाहून, ऐकून आणि बोलून संवाद साधू शकतो.

डीपफेकपासून संरक्षण करण्यासाठी सिंथआयडी

AI व्युत्पन्न व्हिडिओ आणि ऑडिओचा गैरवापर टाळण्यासाठी Google ने SynthID डिजिटल वॉटरमार्कचा वापर केला आहे. कंपनीच्या मते, हा वॉटरमार्क AI जनरेट केलेल्या ऑडिओ आणि व्हिडिओमध्ये समाविष्ट केला जाईल.

हा वॉटरमार्क मानवी डोळ्यांना किंवा कानाला दिसत नाही किंवा ऐकू येत नाही, परंतु AI आधारित तपास यंत्रणा ते ओळखू शकतात.

विशेष म्हणजे व्हिडिओ किंवा ऑडिओ एडिट, ट्रिम किंवा कॉम्प्रेस केल्यानंतरही वॉटरमार्क टिकवून ठेवण्यासाठी याची रचना करण्यात आली आहे. AI-व्युत्पन्न सामग्री ओळखणे आणि डीपफेकच्या संभाव्य गैरवापराचा सामना करण्यास मदत करणे हे त्याचे उद्दिष्ट आहे.

AI संभाषणाचा मार्ग बदलू शकतो

लाइव्ह अवतार सारखी वैशिष्ट्ये AI सहाय्यकांना फक्त मजकूर किंवा आवाजापुरते मर्यादित न ठेवता त्यांना अधिक व्हिज्युअल आणि परस्परसंवादी बनवत आहेत. जर हे तंत्रज्ञान मोठ्या प्रमाणावर स्वीकारले गेले तर ते ग्राहक सेवा, ऑनलाइन डेमो आणि व्हर्च्युअल असिस्टंट यांसारख्या क्षेत्रात एआयचा वापर करण्याच्या पद्धतीत बदल करू शकते.