भाषण और वॉइस प्रौद्योगिकियाँ

इस पृष्ठ पर

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

भाषण और वॉइस प्रौद्योगिकियाँ — वह AI प्रणालियों का परिवार जिसमें बोली गई चैनल ही संवाद को आगे बढ़ाती है: स्वचालित वाक् पहचान (ASR) जो एक शिक्षार्थी के कहे को लिप्यंतरित करती है, विश्लेषित करती है और अंकित करती है; टेक्स्ट-टू-स्पीच (TTS) जो वर्णित या संवाद-रूप में निर्देश उत्पन्न करती है; वॉइस-फर्स्ट एजेंट जो शिक्षार्थियों के साथ वास्तविक समय में बोले गए संवाद संभालते हैं; और मौखिक प्रदर्शन का स्वचालित कैप्चर एवं स्कोरिंग। जहाँ संवादी AI अनुसंधान मुख्यतः टेक्स्ट चैटबॉटों के विषय में है और भाषा अधिगम व्यापक रूप से द्वितीय-भाषा शिक्षाशास्त्र को कवर करती है, यह पेज स्वयं ऑडियो का अनुसरण करती है — कि एक वाक्-इंटरफ़ेस सीखने में क्या बदलता है, इसकी कीमत क्या है, और जब इंटरफ़ेस स्क्रीन के बजाय आवाज़ हो तो इसमें किसे शामिल किया जाता है या किसे बाहर रखा जाता है।

विचार के लिए प्रश्न

ASR प्रतिपुष्टि कमज़ोर शिक्षार्थियों की तुलना में मज़बूत शिक्षार्थियों को अधिक मदद करती है: 325 चीनी स्नातक छात्रों के एक सर्वेक्षण में, कम दक्षता पर विचारमूलन व्यवहार और अभिप्रेरणा का लाभ कमज़ोर और गैर-महत्वपूर्ण था और औसत तथा उच्च स्तरों पर उल्लेखनीय रूप से मज़बूत होता गया। यदि कोई उपकरण औसत बढ़ाए और साथ ही अंतर को चौड़ा भी कर दे, तो क्या वह सफलता है?
TTS वर्णन ने समझ, एकाग्रता और समग्र मूल्यांकन में प्रशिक्षक की अपनी आवाज़ से मेल खाया — लेकिन संवाद-रूप TTS ने एक-वक्तृत्व वाले TTS को समझ और संज्ञानात्मक सहभागिता पर हराया, जबकि वह कम प्राकृतिक लगा। किसी अवधारणा के पहले परिचय के लिए आप कौन-सा चुनेंगे, और घने प्रक्रियात्मक विवरण के लिए कौन-सा?
दो निष्कर्ष सहज ज्ञान के विरुद्ध जाते हैं: व्याख्या कार्यों के दौरान जिन छात्रों ने AI के आउटपुट को सर्वाधिक भार में पढ़ा, उनकी प्रस्तुति की प्रवाहशीलता सबसे कमज़ोर थी, और एक ऐसे शिक्षार्थी को जो दो शब्दों में उत्तर देता रा उसे सही चिह्नित किया गया जबकि एक अधिक पूर्ण बोला गया उत्तर चिह्नित किया गया। एक वाक्-इंटरफ़ेस मौखिक प्रवाहशीलता को समझ के बजाय कितनी मात्रा में मापता है?
ब्रिटिश उच्चारण वाले एक वॉइस एजेंट को उपकरण के रूप में देखा गया, जबकि भारतीय और अफ्रीकी-अमेरिकी उच्चारण वाले एजेंटों को K-12 समूह कार्य में मानवीकृत किया गया और साथियों की तरह व्यवहार किया गया। यदि उच्चारण यह बदलता है कि शिक्षार्थी किसी एजेंट से कैसे संबंध रखता है, तो किसी शैक्षिक उत्पाद के साथ कौन-सी आवाज़ आती है — यह किसे तय करना चाहिए?
वॉइस-फर्स्ट और ऑफ़लाइन प्रणालियाँ मुख्यतः उन शिक्षार्थियों तक पहुँचने के लिए मौजूद हैं जिन्हें स्क्रीन-आधारित edtech ने बाहर किया था — दृष्टिहीन बच्चे, बहरे और कम श्रवण वाले शिक्षार्थी, कनेक्टिविटी के बिना कार्यशालाओं में शिक्षार्थी। सुलभता को किसी भाषण उत्पाद की आरंभिक धारणा बनने के लिए क्या आवश्यक होगा, बजाय इसके कि वह बाद में जुड़ी हुई सुधार हो?
इस पेज का लगभग हर दावा एक छोटे, एकल-स्थल, स्व-रिपोर्ट अध्ययन से आता है जिसमें प्रस्तुति का क्रम नियत था। इनमें से किन निष्कर्षों पर आप इतना भरोसा करेंगे कि पुनरावृत्ति के अभाव में भी अपना मूल्यांकन या पाठ डिज़ाइन बदलने का निर्णय लें?

परिचय

भाषण शिक्षा का सबसे पुराना इंटरफ़ेस है और AI के लिए सबसे नया। वे प्रणालियाँ जो सुनती और बोलती हैं, अब भाषा कक्षाओं, व्यावसायिक कार्यशालाओं और उच्च विद्यालय की खोज-आधारित पाठों में बैठी हैं। वे सामान्य कारण से आकर्षक हैं — भाषण तेज़ है, बिना हाथ और बिना आँख के काम करता है, और उच्चारण, प्रवाहशीलता तथा मौखिक तर्क का माध्यम है — और एक नए कारण से भी: समय-सीमित बोला गया उत्तर किसी टेक्स्ट जनरेटर को सौंपना कठिन है, जिससे लिखित मूल्यांकन पर शैक्षणिक इमानदारी दबाव के प्रति बोली गई चैनल एक संभावित उत्तर बनती है।

यहाँ का अनुसंधान चार समूहों में बँटता है: ASR उच्चारण प्रतिपुष्टि, TTS-जनित निर्देश, वॉइस-फर्स्ट और बोले गए संवाद साथी, और AI-समर्थित मौखिक मूल्यांकन। इन चारों में एक प्रश्न बहता है — समानता के विषय में — भाषण इंटरफ़ेस एक बाधा हटाते हैं (दृष्टि, पढ़ने की गति, टाइप की साक्षरता) जबकि दूसरी लाते हैं (उच्चारण, पहचान की शुद्धता, हार्डवेयर, कनेक्टिविटी)।

ASR और उच्चारण प्रतिपुष्टि

ASR कार्य का सबसे सुसंगत संदेश यह है कि उपचार उपकरण नहीं बल्कि प्रतिपुष्टि का डिज़ाइन है। Chen et al. (2026) ने एक चीनी शिक्षक-प्रशिक्षण विश्वविद्यालय के 325 स्नातक छात्रों का सर्वेक्षण किया और शुद्धता, उपयोग की आवृत्ति, प्रतिपुष्टि गुणवत्ता और विचारमूलन-कार्य डिज़ाइन को विचारमूलन व्यवहार और आंतरिक प्रेरणा के विरुद्ध मॉडल किया, फिर बोलने में सुधार के विरुद्ध। सटीक त्रुटि सुधार और संरचित विचारमूलन कार्यों ने प्रतिपुष्टि आंतरिकीकरण और विचारमूलन दोनों को आगे बढ़ाया। अधिक बार उपयोग ने विचारमूलन बढ़ाया लेकिन अभिप्रेरणा पर कोई स्वतंत्र प्रभाव नहीं डाला। पहचान की शुद्धता ने अभिप्रेरणा बढ़ाई, संभवतः उपकरण में विश्वास बनाकर, लेकिन उसने अपने आप गहरी प्रक्रिया को ट्रिगर नहीं किया — एक शिक्षार्थी चिह्नित त्रुटि को बिना उसके कारण का विश्लेषण किए दर्ज कर सकता है। विचारमूलन बोलने में लाभ का मज़बूत भावी संकेतक था, और दक्षता ने दोनों मार्गों को नियंत्रित किया: कम दक्षता पर कमज़ोर और गैर-महत्वपूर्ण, औसत और उच्च स्तरों पर उल्लेखनीय रूप से मज़बूत। आगे का सुझाव है कि त्रुटियों को केवल चिह्नित करने के बजाय उच्चारण-यंत्रविज्ञान के आधार पर समझाया जाए, तैयारी के साथ जटिलता बढ़ाई जाए और सुधार का समर्थन करते हुए फ़्रेम किया जाए।

दूसरी धारा यह पूछती है कि AI उच्चारण प्रतिपुष्टि शिक्षार्थियों के बोलने की प्रवृत्ति को बदलती है या नहीं। Lu et al. (2026) ने 1,701 चीनी विश्वविद्यालय के EFL शिक्षार्थियों का सर्वेक्षण किया और प्रसाद-संबंधी संरचनात्मक समीकरण मॉडलिंग का उपयोग किया, जिसमें पूर्वाग्रह-सुधरित बूटस्ट्रैपिंग के साथ यह परखा गया कि जनरेटिव-AI उच्चारण प्रतिपुष्टि की धारणाएँ संवाद करने की इच्छा से कैसे संबंधित हैं, जबकि उच्चारण स्व-प्रभावशीलता मध्यस्थ थी। संबंध सकारात्मक था और आत्म-प्रभावकारिता ने उसे आंशिक रूप से मध्यस्थ किया: अप्रत्यक्ष मार्ग ने कुल प्रभाव का 69.9% हिस्सा समझाया जबकि एक प्रत्यक्ष प्रभाव भी बना रहा। सभी संरचनाएँ एक समय बिंदु पर स्व-रिपोर्ट थीं, इसलिए अध्ययन वह तंत्र वर्णित करता है जिसे शिक्षार्थी अनुभव करते हैं, न कि जिसे जान-बूझकर बदला गया था।

स्वचालित उच्चारण प्रतिपुष्टि त्रुटि लेबल के बिना भी बनाई जा सकती है। Kawamura (2026) Profy का वर्णन करती हैं, जो बड़े पैमाने पर अनटिप्पणी भाषण से स्व-निगरानित शिक्षा द्वारा सीखता है कि अच्छा और खराब उच्चारण कैसा दिखता है, फिर शिक्षार्थियों को दिखाती है कि निर्णय को कौन-से तरंगरूप क्षेत्रों ने चलाया और उनकी ध्वनिकी मूल-वक्ता वितरणों से कितनी दूर है। पाँच अमेरिकी श्रोताओं द्वारा रेट किए गए अंग्रेज़ी के दस जापानी शिक्षार्थियों के साथ, समझने योग्यता सुधरी, और एक प्रेरित-अनुकरण आधाररेखा के विपरीत अभ्यास-पूर्व और पश्चात विश्वास अंतराल अतिव्यापी नहीं थे — एक छोटा नमूना, लेकिन यह एक द्विआधारी निर्णय के बजाय कहाँ और कितना देता है।

ASR कक्षा में एक दूसरे रूप में भी काम करता है — बोले गए इनपुट को उस टेक्स्ट में बदलना जिसे शिक्षार्थी पढ़ते हैं। Stanchev (2026) ने प्रोटीन पर एक 2,692-टोकन मेडिकल अंग्रेज़ी पाठ्यपुस्तक अनुच्छेद को एक टेक्स्ट-टू-स्पीच आवाज़ (15:27, महिला कनाडाई) से प्रस्तुत किया और समान ऑडियो को चार ऑनलाइन ASR सेवाओं को सौंपा, फिर शब्द त्रुटि दर (WER) और कवरेज (संदर्भ के हिस्से के रूप में लौटाए गए शब्द) दोनों मापे। दो मुफ़्त सेवाओं ने लगभग पूर्ण प्रतिलेख लौटाए (87.96% और 88.34% कवरेज, WER 15.23% और 15.00%), जबकि दो सशुल्क सेवाओं ने केवल पूर्वावलोकन निर्यात किए (32.76% और 55.35% कवरेज, WER 73.21% और 48.77%)। मापन का सार यह है कि WER अकेले अनुपलब्ध टेक्स्ट को गलत टेक्स्ट के साथ मिला देता है और निर्यात प्रतिबंध को लिप्यंतरण विफलता के रूप में रैंक करेगा, इसलिए कवरेज त्रुटि दर के बगल में होना चाहिए। विलोपन हर सेवा में प्रमुख थे और आकृति संदर्भों तथा पृष्ठ संख्याओं जैसी संरचनात्मक चिह्नों पर केंद्रित थे, लेकिन कुछ अर्थ-बदलने वाले प्रतिस्थापन — imino → amino, cystine → cysteine, protonated → protonatid, pH → phase — में से प्रत्येक ने एक जैव-रासायनिक तथ्य को उलट दिया, यही कारण है कि लेखक एक तीन-चरणीय कार्यप्रवाह (इनपुट बनाना, पूर्ण प्रतिलेख निर्यात करना, डोमेन शब्दावली सत्यापित करना) प्रस्तावित करते हैं इससे पहले कि प्रतिलेख शिक्षार्थियों तक पहुँचे, और यही कारण है कि मेडिकल अंग्रेज़ी के लिए शब्दावली पार सबसे सस्ता सुरक्षा-कवच है।

TTS और आवाज़-जनित निर्देश

उत्पन्न वर्णन दर्जन प्रशिक्षक का व्यवहार्य विकल्प निकलता है, और रोचक विविधता मानव और मशीन के बीच नहीं बल्कि प्रारूप के भीतर है। Kumoi et al. (2026) ने एक तीन-चरणीय, मानव-परिधि पाइपलाइन बनाई जिसमें एक बड़े भाषा मॉडल (LLMs) स्लाइड और TTS-अनुकूलित वर्णन का मसौदा तैयार करता है और शिक्षक प्रत्येक चरण में तथ्य-जाँच करता है, फिर एक जापानी प्रांतीय उच्च विद्यालय के 245 प्रथम-वर्षीय छात्रों के साथ एक भीतरी-विषय अध्ययन चलाया, जिसमें प्रशिक्षक-आवाज़ वाले वीडियो, एक-वक्तृत्व वाले TTS और विशेषज्ञ-×-नौसिखिया संवाद TTS तुलना किए गए। समझ, एकाग्रता और समग्र मूल्यांकन में तीनों में कोई महत्वपूर्ण अंतर नहीं था (p > .14, r < 0.11), और समतुल्यता परीक्षण ने तीनों को ±0.5 सीमा के भीतर रखा: संश्लेषित वर्णन ने अनुभव को खराब नहीं किया। संवाद वर्णन समझ में बेहतर था (p = .006, r = .130), रिपोर्ट किए गए गहरे विचार में (p = .019, r = .121), और सामग्री किसी मित्र को समझा पाने में (p = .004, r = .152), और 66.9% ने इसे सर्वाधिक सुखद बताया। दो सावधानियाँ: संवाद ऑडियो को उल्लेखनीय रूप से कम प्राकृतिक रेट किया गया (r = −.238), जो अनेक वक्ताओं के अतिरिक्त भार के साथ सुसंगत है, और संवाद समूह कम पूर्व ज्ञान के साथ आया (66.0% ने कुछ भी नहीं जानते बताया बनाम 34.1%), जिससे इसका लाभ एक रूढ़िवादी अनुमान है।

अनुवर्ती कार्य तर्क देता है कि प्रारूप को सामग्री के बजाय शिक्षार्थी से मिलाना चाहिए। Watanabe et al. (2026) ने 222 प्रथम-वर्षीय उच्च विद्यालयीय छात्रों को शिक्षक–छात्र (TS), छात्र–छात्र (SS) और शिक्षक–शिक्षक (TT) संवाद पाठ दिए, जो एक LLM द्वारा जनित और एक TTS API के माध्यम से आवाज़ित किए गए थे, और एक अभिरुचि-उपचार संवाद दृष्टिकोण से रेखीय मिश्रित-प्रभाव मॉडल योजित किए। TT ने TS की तुलना में प्रेरणा अधिक बढ़ाया, लेकिन प्रभाव सीखने की शैली पर निर्भर था: ठोस अनुभव कारक के साथ संवाद सकारात्मक था (b = 0.162, p < .001) जबकि विचार-और-संकल्पना कारक के साथ संवाद नकारात्मक था (b = −0.238, p = .002)। TT ने TS की तुलना में उल्लेखनीय रूप से कम समग्र मूल्यांकन भी लिया (b = −0.126, p = .005), जिसे लेखक घने विशेषज्ञ-से-विशेषज्ञ संवाद से आंतरिक संज्ञानात्मक भार के लिए जिम्मेदार ठहराते हैं; स्वतंत्र उत्तरों में TT में "बोलने की अकड़न" और SS में "बोलने का अस्वाभाविक ढंग" नामित हैं। दोनों TTS अध्ययन प्रारूप को सामग्री और नियत देखने के क्रम से मिला देते हैं, इसलिए उनके प्रभाव आकार प्रारंभिक हैं।

वॉइस-फर्स्ट साथी और बोले गए संवाद साझेदार

जब संवादी एक मशीन हो तो क्या बदलता है? Scheinberg et al. (2026) के पास चार स्थलों के 78 विश्वविद्यालय जर्मन-भाषा शिक्षार्थी थे, जिन्होंने एक मानव साथी और एक वास्तविक समय AI साझेदार दोनों के साथ संतुलित अंतर-औसत पहचान कार्य पूरा किया, फिर डायरीकृत ASR प्रतिलेखों का विश्लेषण किया। मानव संवाद तेज़ और अधिक संतुलित था, कई छोटे वारे थे, जबकि AI स्थिति समर्थित एकभाषण जैसी दिखी — कम, लंबे वारे, शिक्षार्थी का मंच पर छोटा हिस्सा, और वारे के भीतर अधिक प्रवाहशीलता। AI का विस्तृत, वाक्य-रचना में नियमित इनपुट इनपुट मात्रा को नियंत्रित करने के बाद अधिक अल्पकालिक अवलोकन और मज़बूत वाक्य-रचना प्राइमिंग से जुड़ा था, और संतुष्टि शिक्षार्थियों की अपनी उत्पादन प्रवाहशीलता के साथ चली, न कि इससे कि उन्होंने कितना सीखा।

वॉइस-फर्स्ट डिज़ाइन तब आवश्यकता बन जाती है, सुविधा नहीं, जब शिक्षार्थी स्क्रीन का उपयोग नहीं कर सकता। Kutti AI (Fadurudeen 2026) edtech की दृश्य धारणा को उलटकर विश्व भर के अनुमानित 14 लाख दृष्टिहीन बच्चों तक पहुँचती है: बच्चे पाठ्यक्रम सामग्री सुनते हैं, ज़ोर से उत्तर देते हैं, और बिना किसी दृश्य निर्भरता के बोली गई प्रतिपुष्टि पाते हैं। तीन चुनाव डिज़ाइन को आगे बढ़ाते हैं — एक हल्का संघर्ष-पहचान इंजन जो प्रतिक्रिया विलंब, गलत प्रयासों की संख्या और कीवर्ड हिचकिचाहट संकेतों को मिलाकर तय करता है कि कब संकेत देना या सरल बनाना है; एक बहु-भाषा उत्तर-मिलान पाइपलाइन ताकि कोड-स्विचिंग और उच्चारण विविधता पर दंड न लगे; और एक ऑफ़लाइन डिवाइस-पर ASR मार्ग जो कनेक्टिविटि आवश्यकता हटा देता है। यह एक प्रणाली योगदान है जिसमें कोई सीखने-परिणाम मूल्यांकन नहीं है, इसलिए इसके शिक्षाशास्त्रीय दावे परिकल्पना बने रहते हैं।

इस बीच उच्चारण एक डिज़ाइन चर है जिसके सामाजिक परिणाम हैं। Ravi et al. (2026) ने K-12 समूह सीखने में ब्रिटिश, भारतीय और अफ्रीकी अमेरिकी उच्चारण स्थितियों में एक GenAI वॉइस एजेंट के साथ 33 शिक्षकों को संवाद कराया। ब्रिटिश-उच्चारण वाले एजेंट को बड़े पैमाने पर उपकरण के रूप में देखा गया और उससे अलग, उपयोगिता-आधारित ढंग में जोड़ा गया, जबकि भारतीय और अफ्रीकी अमेरिकी उच्चारण वाले एजेंट अधिक तैयारी से मानवीकृत किए गए और साथियों के रूप में एकीकृत हुए, समय के साथ मज़बूत विश्वास और निर्भरता के साथ। वारा-प्रबंधन, प्रश्न पैटर्न और अनुभवित सामाजिक उपस्थिति सभी उच्चारण के साथ बदले — जो आवाज़ किसी एजेंट को तटस्थ संसाधन के रूप में मिलना आसान बनाती है, वही सहयोगी के रूप में नज़रअंदाज़ करना भी आसान बना सकती है।

किसी बोले गए सहायता उपकरण का अधिक भारी उपयोग स्वतः बेहतर नहीं है। Kuang, Li and Weng (2026) ने 22 अनुवाद-प्रशिक्षार्थियों से ASR और मशीन अनुवाद पर बनी प्रणालियों में द्विदिशीय कंप्यूटर-सहायित क्रमिक अनुवाद कार्य पूराए, जिसमें आँख की गति, पेन नोट और आवाज़ के आउटपुट कैप्चर किए गए। चार संवाद प्रोफ़ाइल उभरी — गहन संलग्न, तेज़ स्कैनर, पारंपरिकवादी और बार-बार स्विचर — और चरण-स्तर के 58.3% अवलोकनों ने स्रोत को समझने से लक्ष्य उत्पन्न करने के बीच प्रोफ़ाइल बदली। केवल समझ-चरण के पैटर्न ने उत्पाद गुणवत्ता की भविष्यवाणी की, और AI-भारी समूह ने प्रस्तुति की प्रवाहशीलता पर सबसे कम अंक पाए (6.17–6.46 के मुकाबले 5.46) और लक्ष्य भाषा की गुणवत्ता पर (6.35–6.67 के मुकाबले 5.70)। AI प्रतिलेख पढ़ने में लगाया गया ध्यान वह ध्यान है जो अपनी ही मानसिक संरचना बनाने में नहीं लगा; लेखक शिक्षार्थियों को अपनी रणनीति पर विचार करना सिखाने की सलाह देते हैं, न कि कोई एक रणनीति निर्धारित करने की, क्योंकि यह पैटर्न अस्पष्ट रहता है जब तक उसे सामने न लाया जाए।

एक पूर्व-पंजीकृत यादृच्छिक फ़ील्ड प्रयोग एक ही शिक्षक के भीतर बोली गई चैनल का टाइप किए गए टेक्स्ट के साथ परीक्षण करता है, और पाता है कि सीखना आवाज़ में नहीं बल्कि शिक्षण में है। Yang, Van Alstyne and Dellarocas (2026) ने एक ऑनलाइन-MBA कॉर्पोरेट-वित्त मॉड्यूल में 86 छात्रों को एक पाठ्यसामग्री-आधारित संरचित शिक्षक और एक होल्डआउट के बीच यादृच्छिक किया, फिर प्रत्येक शिक्षित छात्र की चैनल को साप्ताहिक रूप से वॉइस और टेक्स्ट के बीच बदला ताकि तुलना प्रत्येक छात्र के भीतर पहचानी जा सके: साप्ताहिक दक्षता −0.01 अंक 11 में भिन्न थी (p = .98), और दो एक-पक्षीय परीक्षणों ने ±0.3 SD से बड़े किसी वास्तविक अंतर को अस्वीकार कर दिया। वॉइस ने बजाय प्रक्रिया को बदला — प्रति मिनट 1.34 संवाद वारे बनाम टेक्स्ट सप्ताहों में 0.75, और 11.3 प्रश्न बनाम 4.6 — जबकि सोचने का विराम संक्षिप्त हो गया (वॉइस में शिक्षक-से-छात्र उत्तर का मध्यिका अंतराल 27 सेकंड बनाम टेक्स्ट में 54, जहाँ टाइप किए गए वारों ने पहले कुंजी दबाने से पहले 25.9 सेकंड और रचना में 13.9 सेकंड बिताए) और वाक् चैनल को वितरित करने में 2.8× अधिक खर्च आया, प्रति वॉइस मिनट $0.22 बनाम प्रति टेक्स्ट संदेश $0.0165 (पाँच सप्ताह में 52 सीटों के लिए $413.46 वॉइस और $149.13 टेक्स्ट)। इस प्रमाण पर वॉइस एक अपनाने और संलग्नता का उपकरण है, कोडिंग का नहीं — और यह ठीक वही व्यापार-समझौता है जिसकी कीमत किसी भी संस्था को तय करनी पड़ेगी जो कोई बोली गई चैनल जोड़ती है।

मौखिक और बोले गए मूल्यांकन में AI

मौखिक मूल्यांकन सदैव शिक्षाशास्त्रीय रूप से मज़बूत और लॉजिस्टिक रूप से महँगा रहा है, और भाषण प्रौद्योगिकी अब लागत की ओर हमला करती है। Pentland, Lowenthal and Krier (2026) अतुल्यकालिक मौखिक मूल्यांकनों (AOAs) का वर्णन करते हैं: समय-सहित प्रेरित संकेत, संक्षिप्त समय-सीमित वेबकैम प्रतिक्रियाएँ जिन्हें दोबारा नहीं देखा जा सकता, और स्वतः-जनित प्रतिलेखों के साथ अंतर्निहित रूब्रिक के विरुद्ध अंकन। एक ही प्रशिक्षक द्वारा पढ़ाए गए, बिना अनुसूची बाधा के दो पाठ्यक्रमों में, छात्रों ने AOAs पर व्यक्तिगत बहुविकल्पीय परीक्षाओं की तुलना में अधिक अंक पाए — अध्ययन 2 में उल्लेखनीय रूप से (मध्यावधि मध्यिका 92.5 बनाम 70, p < .001; अंतिम 94.2 बनाम 86.4, p = .002) और अध्ययन 1 में दिशात्मक रूप से, मध्यम पार-प्रारूप सहसंबंधों के साथ (τ = .44; τ = .25, गैर-महत्वपूर्ण)। छात्र अधिक सक्रिय तैयारी की ओर बढ़े, 90.91% ने इस प्रारूप को लिखित परीक्षाओं की तुलना में कार्यस्थल संवाद के अधिक नज़दीक देखा, और 81.82% ने सामग्री के साथ अधिक सक्रिय रूप से संलग्न होने की रिपोर्ट दी। लेखक सावधान हैं कि ये प्रारूप अंक अंतर हैं, सीखने के लाभ का प्रमाण नहीं, और अखंडता लाभ अनुमानित है न कि मापा गया; एक LLM के साथ पुनः-स्कोरिंग जाँच में पाया गया कि प्रशिक्षक अंक व्यवस्थित रूप से अधिक थे, मध्यम-से-अच्छी सहमति के साथ (ICC 0.73 और 0.60), जिसे विश्वसनीयता जाँच के रूप में पेश किया गया है, स्वचालित अंकन की पुष्टि के रूप में नहीं।

Fenton (2025) समीक्षा रूप में औचित्य प्रदान करती है: क्योंकि मौखिक परीक्षाएँ वास्तविक समय और संवादात्मक हैं, छात्र उत्तर पहले बना पहले याद नहीं कर सकते, और प्रारूप ब्लूम की वर्गीकरण के उच्च स्तरों पर तर्क को जाँचता है, यादृच्छिक नहीं। इसके लाभ — वैयक्तिकरण, प्रामाणिकता, कार्य-तैयारी, गहरा ज्ञान — नामित लागतों के साथ आते हैं: अनुसूची और लॉजिस्टिक, शिक्षार्थी चिंता, और लिंग, नस्ल, भाषा, प्रतिक्रिया गति और गैर-अनाम अंकन के आसपास पूर्वाग्रह का जोखिम, हालाँकि प्रमाण बताता है कि मौखिक परीक्षाएँ कुछ शिक्षार्थियों के लिए लिखित परीक्षाओं जितनी समावेशी हो सकती हैं, जिनमें डिस्लेक्सिया वाले भी शामिल हैं।

दो परिनियोजन दिखाते हैं कि प्रौद्योगिकी क्या जोड़ती है। AkoVoice (Adams 2026) ने न्यूज़ीलैंड में चार स्तर 3 ऑटोमोटिव कक्षाओं और एक स्तर 3 इंजीनियरिंग कक्षा के 33 शिक्षार्थियों का मूल्यांकन किया, शिक्षार्थियों के फ़ोन पर बनाम एक मध्यम-श्रेणी लैपटॉप पर जो खुले-भार मॉडल चला रहा था — Ollama के माध्यम से Mistral 7B, स्पीच-टू-टेक्स्ट के लिए faster-whisper, TTS के लिए Chatterbox — जहाँ एक बार में 12 शिक्षार्थियों तक का मूल्यांकन संभव था और किसी भी बिंदु पर कोई इंटरनेट कनेक्शन नहीं था। AI को प्रमाण-सतहकार्ता के रूप में ढाला गया, न्यायाधीश के रूप में नहीं, जिससे आंकलक का निर्णय बरकरार रहा। शिक्षार्थी प्रतिक्रिया सकारात्मक थी: 33 में से 21 (64%) ने कार्य को यथार्थवादी बताया, और 33 में से किसी ने यह अस्वीकार नहीं किया कि लिखित पोर्टफ़ोलियो के मुकाबले वास्तविक समय में बोलना सही लगा। प्रदर्शन डेटा अधिक रोचक है। समान प्रश्नों के लिए शब्द संख्या हर काइहर में शिक्षार्थियों के बीच पाँच से आठ गुना भिन्न थी (93–523, 92–796, 309–811), फिर भी विस्तारता ने बंद प्रश्नों पर शुद्धता की भविष्यवाणी नहीं की; नौ शिक्षार्थियों ने 2 से 13 शब्दों में उत्तर दिए और सभी सही चिह्नित हुए, सबसे छोटा "3500 kgs" था, जबकि अधिक पूर्ण "the safe working load is three tons" को 3.5-टन अंकन मार्गदर्शक के विरुद्ध चिह्नित किया गया। आसन्न बागवानी (14 शिक्षार्थी) और डेयरी (11 शिक्षार्थी) परीक्षणों में एजेंट की प्रारंभिक श्रेणी और मानव शिक्षक की श्रेणी के बीच 95% मेल पाया गया। आइटम की ओर, Aryadoust and Wong (2026) ने L2 श्रवण आइटमों के लिए पुनरावृत्त संकेत इंजीनियरिंग की तुलना सूक्ष्म-अनुकूलन से की, जिसमें 40 परीक्षाएँ और 240 बहुविकल्पीय आइटम बनाए गए: संकेत परिष्कार ने गुणवत्ता सुधारी लेकिन स्थिर हो गया, जबकि अनुकूलित संकेत पर GPT-4.1 का सूक्ष्म-अनुकूलन, संकेत डिज़ाइन को स्थिर रखते हुए, जनरेटिंग को और सुधारा। बोला गया मूल्यांकन गलत चीज़ मापने का भी जोखिम रखता है — Morphew et al. (2026) इशारे को लिप्यंतरित भाषण के साथ-साथ ट्रैक करते हैं और तर्क देते हैं कि केवल भाषण का मूल्यांकन समझ के देहगत प्रमाण को चूक जाता है, जिससे प्रवाहशीलता को संकल्पनात्मक ज्ञान समझा जा सकता है।

बोली गई चैनल में सुलभता और समानता

भाषण प्रौद्योगिकी की सुलभता अभिलेख मिश्रित है: वही चैनल जो एक बाधा हटाती है दूसरी लगा सकती है। बहरे और कम श्रवण वाले शिक्षार्थी सबसे स्पष्ट बेमेल हैं। Chen et al. (2026) ने DHH शिक्षार्थियों के लिए एक LLM प्रश्न-जनरेटिंग प्रणाली डिज़ाइन की जो वीडियो देख रहे थे, और भाषा-वंचना सिद्धांत पर आधार रहते हुए बताते हैं कि टेक्स्ट-आधारित संकेतन सांकेतिक-प्रथम भाषाओं के साथ क्यों खराब बैठता है। इसमें दृश्य प्रश्न (समय-चिह्न जहाँ दृश्य जानकारी गलत पढ़ी जाने की संभावना है — तेज़ गति, असंरेखित कैप्शन, सघन स्क्रीन टेक्स्ट) और भाव प्रश्न (समय-चिह्न जहाँ पूर्व DHH शिक्षार्थियों ने निराशा या भ्रम रिपोर्ट किया) जोड़े गए, और शिक्षार्थियों तथा प्रशिक्षकों के साथ 30 प्रश्नों की अंतिम बैंक को परिष्कृत किया। 16 उपयोगकर्ताओं के साथ प्रोटोटाइप ने स्व-प्रभावशीलता सुधारा (M = 5.70, 7-अंक पैमाने पर SD = 1.12), और बहरे प्रतिभागियों ने कम श्रवण वाले प्रतिभागियों की तुलना में अधिक बार दृश्य प्रश्न चुने, जिन्होंने कैप्शन इतनी तेज़ी से पढ़ने की रिपोर्ट दी कि उन्हें इनकी आवश्यकता नहीं पड़ी। यहाँ सुलभता को जनरेटिंग में बनाना पड़ा, उसमें जोड़ना नहीं।

AkoVoice दो समानता विचार जोड़ती है जो शायद ही कभी एक साथ सामने आते हैं। पहला, डेटा: रिकॉर्डिंग संचय में एन्क्रिप्ट की गईं, स्थानीय रूप से होस्ट की गईं, और 90 दिनों बाद मिटा दी गईं, और लेखक किसी प्रतिभागी की आवाज़ को एक व्यक्तिगत और सांस्कृतिक अभिव्यक्ति मानते हैं, मॉडल प्रशिक्षित करने या बायोमेट्रिक प्रोफ़ाइल बनाने के संसाधन के रूप में नहीं — यह रुख इसलिए मायने रखता है क्योंकि EU AI Act व्यावसायिक प्रशिक्षण में सीखने के परिणामों के मूल्यांकन के लिए उपयोग किए जाने वाले AI को उच्च-जोखिम वर्गीकृत करता है। दूसरा, उच्चारण और रजिस्टर: स्पीच-टू-टेक्स्ट की शुद्धता शिक्षार्थी उच्चारणों पर पूरी तरह परखी नहीं गई, और "engaging" जैसे रूब्रिक मानदंडों को सांस्कृतिक रूप से विशिष्ट और द्वितीय-भाषा बोलने वालों के लिए संभावित दंडकारी चिह्नित किया गया, जिससे एक समीक्षा नोट फ़ील्ड बनी। K-12 समूह कार्य में उच्चारण निष्कर्षों और मुख्यधारा edtech के लगभग-पूर्ण दृश्य धारणा के बगल में रखने पर, पैटर्न यह है कि वाक् इंटरफ़ेस दृष्टि, पढ़ने की गति और कनेक्टिविटि बाधाएँ हटाता है जबकि उच्चारण, पहचान की शुद्धता, हार्डवेयर लागत और सांस्कृतिक रजिस्टर को खुला छोड़ता है।

दायरा जाँच। यह पेज बोली गई चैनल और उसे ढोने वाली प्रौद्योगिकी के विषय में है। बड़े पैमाने पर द्वितीय-भाषा शिक्षाशास्त्र के लिए — लेखन विकास, व्याकरणिक शुद्धता, अभिप्रेरणा, शिक्षक अभ्यास — भाषा अधिगम पर जाएँ, जो AI के साथ L2 निर्देश को विस्तृत करती है और बोलना कई धाराओं में से एक के रूप में मिलाती है। टेक्स्ट-आधारित चैटबॉटों और माध्यम-स्वतंत्र संवाद डिज़ाइन के लिए, संवादी AI पर जाएँ; यहाँ के कई लेख संवाद को शामिल करते हैं, लेकिन उनका प्रश्न भाषण के विषय में है, किसी चैट मॉडल को संकेतित करने के विषय में नहीं। स्क्रीन रीडरों, कैप्शनिंग, स्पर्श ग्राफ़िक्स और सहायक उपकरणों के लिए जो मुख्यतः भाषण-आधारित नहीं हैं, सहायक प्रौद्योगिकी पर जाएँ, जो इस विकि के व्यापक सुगम्यता और समावेशी सीखना धाराओं के अंतर्गत बैठती है।

जो अनिश्चित रहता है

यहाँ का लगभग हर मज़बूत दावा एक छोटे अध्ययन पर टिका है। दोनों TTS पाठ अध्ययन एक ही जापानी उच्च विद्यालयों में नियत प्रस्तुति क्रम के साथ चले, जिसने प्रारूप को सामग्री के साथ मिला दिया, और उनके सीखने-परिणाम मापन स्वतः-रिपोर्ट थे, स्वतः के पैमानों पर। ASR प्रतिपुष्टि मॉडल एक चीनी विश्वविद्यालय से आया और अनुप्रस्थ-काटीय था, इसलिए इसकी दक्षता-नियंत्रण खोज सहप्रसरण वर्णित करती है, कारण नहीं। संवाद-इच्छा अध्ययन ने प्रतिपुष्टि की धारणाएँ मापीं, प्रतिपुष्टि गुणवत्ता नहीं। अनुवाद प्रोफ़ाइल अध्ययन एक 22-प्रतिभागी खोजीय विश्लेषण है जिसमें उत्पाद-चरण प्रभाव महत्वपूर्णता तक नहीं पहुँचे। AOA और AkoVoice परिनियोजन एकल-संस्थान हैं, और AkoVoice कोई योगात्मक सीखने का प्रमाण नहीं देता क्योंकि उसके वाक् मूल्यांकन वास्तविक मूल्यांकनों के समानांतर चले। Kutti AI एक प्रणाली योगदान है जिसमें कोई परिणाम मूल्यांकन ही नहीं है। संग्रह जो समर्थन करता है वह डिज़ाइन दावों का एक समूह है: ASR उपयोग में अभ्यास मात्रा से बेहतर प्रतिपुष्टि गुणवत्ता, संवाद वर्णन प्राकृतिकता की कीमत पर समझ में सहायक हो सकता है, प्रारूप को तय किए गए के बजाय शिक्षार्थी विशेषताओं से मिलाना चाहिए, AI को प्रमाण-सतह करना चाहिए न कि मानव आंकलक की जगह लेनी चाहिए, और वास्तविक समय में बोलना कुछ ऐसा मापता है जो लेखन नहीं मापता — जिसमें एक शुद्धता आश्चर्यजनक रूप से इस बात से अप्रभावित है कि शिक्षार्थी कितने शब्दों का उपयोग करता है। क्या इनमें से कुछ भी किसी दूसरे स्थल, दूसरी भाषा या दूसरे वर्ष पर टिकता है, यह अपरीक्षित है।

मेटाडेटा

विषय क्षेत्र	Language Learning
स्तर	K 12, Higher Ed, Adult Learning
इच्छित पाठक	Instructors, Learners, Researchers, Instructional Designers
प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI, बहुमाध्यमी AI
मूल्यांकन और मापन	मूल्यांकन
समानता, नैतिकता और जिम्मेदार उपयोग	सुगम्यता, समावेशी सीखना

Source History Edit Chat