علی بابا نے مصنوعی ذہانت پر مبنی آواز کی تخلیق کے شعبے میں ایک اہم پیش رفت کرتے ہوئے ایسے نئے ماڈلز متعارف کرا دیے ہیں جو محض چند سیکنڈ کی آڈیو سے کسی بھی شخص کی آواز نقل کر سکتے ہیں۔ 22 دسمبر کو Alibaba کی جانب سے لانچ کیے گئے یہ دو جدید وائس سنتھیسِس ماڈلز نہ صرف کم سے کم آڈیو سیمپل پر کام کرتے ہیں بلکہ متن کی بنیاد پر بالکل نئی اور منفرد آوازیں تخلیق کرنے کی صلاحیت بھی رکھتے ہیں۔
ان میں سے پہلا ماڈل Qwen3-TTS-VC-Flash ہے، جو صرف تین سیکنڈ کی آڈیو سن کر کسی بھی آواز کو سیکھ سکتا ہے اور اسے دس مختلف زبانوں میں دوبارہ پیدا کر سکتا ہے۔ ان زبانوں میں چینی، انگریزی، جرمن، اطالوی، پرتگالی، جاپانی، ہسپانوی، فرانسیسی، روسی اور کوریائی شامل ہیں۔ علی بابا کی Qwen ٹیم کے مطابق کثیر لسانی ٹیسٹس میں اس ماڈل نے ElevenLabs اور OpenAI کے GPT-4o-Audio کے مقابلے میں پندرہ فیصد کم ورڈ ایرر ریٹ حاصل کیا، جو آواز کی درستگی کے حوالے سے ایک نمایاں فرق سمجھا جا رہا ہے۔
دوسرا ماڈل Qwen3-TTS-VD-Flash اس سے بھی ایک قدم آگے جاتا ہے۔ اس میں صارف کو کسی پہلے سے موجود وائس لائبریری پر انحصار کرنے کی ضرورت نہیں ہوتی بلکہ وہ سادہ قدرتی زبان میں ہدایات دے کر ایک نئی آواز ڈیزائن کر سکتا ہے۔ مثال کے طور پر صارف یہ بتا سکتا ہے کہ اسے کس انداز کی آواز چاہیے، جیسے لہجہ، رفتار، جذبات یا کردار کی نوعیت۔ بینچ مارک ٹیسٹس میں یہ ماڈل کردار ادا کرنے اور رول پلے جیسے کاموں میں OpenAI کے GPT-4o-mini-tts اور گوگل کے Gemini-2.5-pro سے بہتر کارکردگی دکھانے میں کامیاب رہا ہے۔
علی بابا کے مطابق یہ دونوں ماڈلز پیچیدہ متن کو خودکار طور پر سمجھنے اور اس میں سے ضروری معلومات اخذ کرنے کی صلاحیت بھی رکھتے ہیں۔ اس کے علاوہ یہ نظام جانوروں کی آوازیں نقل کر سکتا ہے اور موجودہ ریکارڈنگز سے آواز الگ کر کے دوبارہ استعمال کے قابل بنا سکتا ہے۔ کمپنی کا دعویٰ ہے کہ یہ ماڈلز نہایت قدرتی، جاندار اور تاثرات سے بھرپور آواز پیدا کرتے ہیں، جو دیے گئے متن کے ساتھ قریبی ہم آہنگی رکھتی ہے۔ آواز کی رفتار اور ردھم کو سیاق و سباق کے مطابق ایڈجسٹ کیا جاتا ہے تاکہ بولنے کا انداز غیر فطری محسوس نہ ہو، خاص طور پر چینی اور انگریزی زبان میں استحکام پر خصوصی توجہ دی گئی ہے۔
یہ نئے وائس ماڈلز علی بابا کلاؤڈ کے ذریعے API کی شکل میں دستیاب ہیں، جبکہ ان کے ڈیمو ورژنز Hugging Face پر بھی فراہم کیے گئے ہیں۔ یہ پیش رفت ایسے وقت میں سامنے آئی ہے جب علی بابا مصنوعی ذہانت کے انفراسٹرکچر پر اپنی توجہ مزید بڑھا رہا ہے اور اے آئی سے متعلق کلاؤڈ ریونیو میں مسلسل تیز رفتار اضافہ ہو رہا ہے۔
چووین ماڈل فیملی پہلے ہی عالمی سطح پر خاصی مقبولیت حاصل کر چکی ہے۔ 2023 میں علی بابا کی جانب سے اپنے بنیادی لینگوئج ماڈلز کو مکمل طور پر اوپن سورس کرنے کے بعد ان کے مجموعی ڈاؤن لوڈز چھ سو ملین سے تجاوز کر چکے ہیں۔ نومبر 2025 کے وسط میں Qwen ایپ نے صرف سات دن میں ایک کروڑ ڈاؤن لوڈز حاصل کیے، جسے کمپنی نے ChatGPT اور دیگر معروف اے آئی ٹولز کے ابتدائی پھیلاؤ سے بھی زیادہ تیز رفتار قرار دیا۔
مجموعی طور پر یہ پیش رفت اس بات کی علامت ہے کہ وائس کلوننگ اور وائس ڈیزائن کی ٹیکنالوجی اب تیزی سے زیادہ قابلِ رسائی اور طاقتور ہوتی جا رہی ہے۔ جہاں یہ امکانات تخلیقی صنعتوں، گیمنگ، میڈیا اور کسٹمر سپورٹ کے لیے نئے دروازے کھولتی ہے، وہیں اس کے اخلاقی اور سماجی اثرات پر بحث بھی مزید گہری ہونے کا امکان ہے۔
یہ تحریر اے آئی کی دنیا کے فیس بک پیج پر پوسٹ کی گئی ہے
#AIKiDuniya, #Alibaba, #Qwen, #VoiceAI, #VoiceCloning, #TextToSpeech, #ArtificialIntelligence, #AITools, #AIVoice
