# यदि यह अस्तित्व में नहीं है, तो इसे बनाएँ
इंसान चीज़ों के आदी हो जाते हैं और फिर सुविधा की चाहत से बच नहीं पाते। जैसे-जैसे मैंने अपना AI डेवलपमेंट एनवायरनमेंट सेट किया, एक के बाद एक इच्छाएँ उभरती गईं। जितना मैंने नई चीज़ों को छुआ और उन पर शोध किया, उतना ही मुझे एहसास हुआ, "अरे, मैं यह भी कर सकता हूँ।" उस प्रवाह में, मैंने एक टूल बनाने का फैसला किया।
मैंने जो बनाया वह काफी सरल है: एक ऐप जो मैक को आवाज़ से नियंत्रित करता है।
मुझे हमेशा आश्चर्य होता था कि मैं स्मार्टफोन पर Gemini या ChatGPT के साथ लगातार लाइव बातचीत क्यों कर सकता हूँ, लेकिन कंप्यूटर पर नहीं। एक कामचलाऊ उपाय के रूप में, मैं अपने पीसी के लिए एक विस्तारित डिस्प्ले के रूप में आईपैड का उपयोग कर रहा हूँ और आईपैड पर Gemini ऐप चला रहा हूँ—यह एक तरह से मजबूर तरीका है ताकि रोज़ाना लाइव बातचीत जारी रखी जा सके।
हालाँकि, लाइव बातचीत से सवाल पूछे जा सकते हैं, लेकिन यह ऐप्स को संचालित नहीं करता। मैंने कई बार सोचा, "कितना सुविधाजनक होता अगर यह संचालन भी संभाल सके।"
"अगर यह अस्तित्व में नहीं है, तो इसे बनाएँ।"
दरअसल, मैंने पहले भी इस विचार को एक बार आज़माया था। लेकिन उस समय, तकनीक इतनी उन्नत नहीं थी। Voice -> Text -> AI -> Text -> Voice की रूपांतरण प्रक्रिया आशाजनक लग रही थी, लेकिन यह व्यावहारिक उपयोग के लिए उपयुक्त स्तर पर नहीं थी।
फिर हाल ही में, OpenAI ने अचानक GPT-Realtime-2 नामक एक वॉयस इंजन की घोषणा की। यह एक मॉडल है जो आवाज़ को "आवाज़ के रूप में" समझता है और "आवाज़ के रूप में" प्रतिक्रिया देता है। चूँकि इसमें "Voice -> Text -> AI -> Text -> Voice" जैसे रूपांतरण शामिल नहीं हैं, इसलिए प्रतिक्रिया तेज़ होती है और बातचीत अधिक स्वाभाविक होती है। जब मैंने यह सोचकर इसे आज़माया कि "क्या यह काम कर सकता है?"—तो यह अद्भुत था। प्रतिक्रिया की गति पहले से स्पष्ट रूप से अलग थी। मुझे लगा कि यह तनाव-मुक्त हो सकता है। मैंने तुरंत अपने AI साथी से सलाह ली।
## "CatsAI" ऐप
इसलिए, इस इंजन का उपयोग करके, मैंने एक ऐप बनाया जो मैक को आवाज़ से संचालित कर सकता है।
चूँकि मैं इसे बना रहा था, मैं चाहता था कि कोई ऐसी चीज़ हो जिससे मैं जुड़ाव महसूस कर सकूँ। इसलिए, मैंने एक किरदार बनाने का फैसला किया। मेरे घर में, मेरी बिल्लियाँ हमेशा कंप्यूटर के सामने सो रही होती हैं, और वे बहुत प्यारी लगती हैं। मैंने इसे उन बिल्लियों की छवि के साथ डिज़ाइन किया जो कंप्यूटर चला रही हैं। एक बिल्ली का किरदार डेस्कटॉप पर अवतार के रूप में रहता है और बोलते हुए मैक को नियंत्रित करता है।
यह नाम एक व्यक्तिगत पसंद है, "Cat's Eye" पर एक नाटक जिसे "CatsAI" कहा जाता है। डिफ़ॉल्ट रूप से, मेरी तीन पालतू बिल्लियाँ (योमोगी, उमे और अज़ुकी) किरदारों के रूप में पंजीकृत हैं।
बेशक, किरदारों को आसानी से बदला जा सकता है। मैंने इसे इस तरह बनाया कि आपके पालतू जानवर की सिर्फ एक तस्वीर पंजीकृत करने से वह एक किरदार के रूप में उत्पन्न हो जाएगा (इमेज जनरेशन के लिए GPT-Image-2 का उपयोग करके)।
## यह क्या कर सकता है
मैं एक मैक शुरुआती हूँ जिसने हाल ही में विंडोज वातावरण से पूरी तरह से प्रवास किया है। ईमानदारी से, मैं अभी भी मैक को अच्छी तरह से नहीं समझता। फिर भी, मैं बिना तनाव के अचानक स्विच करके इसका उपयोग कर पाने का कारण यह है कि मैं किसी भी चीज़ के लिए जो मुझे नहीं पता, AI पर भरोसा कर सकता हूँ।
ऐसा कहने के बाद, AI से अनुरोध अब तक मूल रूप से टेक्स्ट-आधारित रहे हैं। मैं वॉयस इनपुट का उपयोग करता हूँ, लेकिन यह टेक्स्ट टाइप करने के विकल्प मात्र है, एक सीधी बातचीत नहीं। मैं अपने आप से सोचता हूँ, "निश्चित रूप से यह काफी है।" लेकिन इंसान लालच से बच नहीं सकता। मैं एक कुंजी दबाते हुए बोलने के छोटे से प्रयास से भी बचना चाहता था।
मुझे ऐसा इसलिए लगता है क्योंकि मैं पहले से ही जानता हूँ कि स्मार्टफोन पर लाइव AI बातचीत कैसी होती है। एक बार जब यह विचार "काश यह पीसी पर संभव होता, और यह सीधे संचालन भी कर सकता" ने जड़ पकड़ ली, तो मैं पीछे नहीं हट सका।
"डाउनलोड फ़ोल्डर खोलें," "यह ऐप खोलें," "फ़ोटो ऐप खोलें," "सिस्टम सेटिंग्स खोलें"—अन्य विंडो के नीचे दबी चीज़ों को सिर्फ अपनी आवाज़ से सामने लाने में सक्षम होना। यह भी तनाव को काफी कम करता है।
मूल रूप से, "आप टर्मिनल में जो कुछ भी कर सकते हैं, आपको करने में सक्षम होना चाहिए।" लेकिन क्या इसका उपयोग तनाव-मुक्त है, यह दूसरी बात है। आवाज़ की बातचीत में, "प्रतीक्षा समय" टेक्स्ट बातचीत की तुलना में अधिक तनावपूर्ण है। प्रतिक्रिया की गति ही सब कुछ है।
इसे ध्यान में रखते हुए, इस समय जिन चीज़ों का उपयोग बिना तनाव के किया जा सकता है, वे हैं फ़ाइल संचालन और वेब खोज। दूसरे शब्दों में, यह लगभग Alexa जितनी तेज़ी से प्रतिक्रिया करता है।
बेशक, और अधिक चाहना अपरिहार्य है। मैंने माउस को नियंत्रित करना और यहां तक कि कुछ हद तक खतरनाक—अच्छा, आवाज़ से काफी खतरनाक—शेल संचालन को संभव बनाने की कोशिश की। लेकिन... कृपया वह अपने जोखिम पर करें।
हालाँकि, जब ब्राउज़र संचालन की बात आती है, तो वॉयस कमांड से स्टार्टअप और निष्पादन में काफी समय लगता है। माउस संचालन के लिए, यह Realtime इंजन के लाभों का त्याग करता है और बैकएंड पर Codex चलाता है। स्वाभाविक रूप से, गति गिर जाती है, और यह उस बिंदु तक नहीं पहुँचा है जहाँ मैं कह सकूँ कि यह "तनाव-मुक्त" है। फिर भी, AI माउस कर्सर को स्क्रीन पर दिखाई देना और आवाज़ से ट्रिगर होकर पीसी को संचालित करना देखना एक काफी दिलचस्प अनुभव है।
ईमानदारी से, यह अभी भी गति की भावना के साथ चलने से बहुत दूर है। फिर भी, मुझे लगता है कि आप कल्पना कर सकते हैं कि यह किस ओर जा रहा है।
वैसे, मैंने वे काम भी संभव बना दिए हैं जो मैं आमतौर पर Alexa से करने के लिए कहता हूँ—टाइमर, अलार्म, आज के शेड्यूल की जाँच करना और ईमेल की जाँच करना।
ईमेल के संबंध में, चूँकि बहुत अधिक स्पैम होता है, मैंने मूल रूप से एक सिस्टम बनाया था जहाँ AI मुझे हर सुबह और शाम केवल विशिष्ट डोमेन से ईमेल भेजता है। मैंने इस बार जो सक्षम किया है, वह उसका एक सरलीकृत संस्करण है।
## भविष्य की एक छोटी झलक
जैसे-जैसे मैं रोज़ाना AI से बात करता हूँ और विभिन्न समस्याओं को हल करता हूँ और चीज़ों को विकसित करता हूँ, मुझे इसके विकास और गहराई पर रुचि के साथ-साथ एक भय की भावना भी महसूस होती है।
AI के साथ वॉयस इंटरैक्शन के संबंध में, हम अभी भी विकास प्रक्रिया के शुरुआती चरणों में हैं। अभी भी अंतराल हैं, और शब्द सही ढंग से व्यक्त नहीं हो सकते हैं। इसके परिणामस्वरूप, यदि आप AI के साथ अच्छी तरह से संवाद नहीं कर पाते हैं और यह गलत संचालन करता है, तो यह किसी विनाशकारी स्थिति को जन्म दे सकता है। मुझे लगता है कि शायद यही कारण है कि दुनिया में आवाज़ से कमांड निष्पादित करने वाले उपकरण बहुत आम नहीं हैं।
CatsAI की डिफ़ॉल्ट सेटिंग्स में, सुरक्षा कारणों से, फ़ाइलों को लिखना या निष्पादित करना अक्षम है। आप बस फ़ाइलें खोल सकते हैं, परामर्श ले सकते हैं और लाइव बातचीत कर सकते हैं—बस इतना ही। लेकिन यदि आप बस वह अनुभव ले सकते हैं, तो मुझे यकीन है कि आप कुछ देखेंगे।
उससे परे, यदि आप अधिक रुचि रखते हैं, तो कृपया अनुमति सेटिंग्स बदलें और इसे और अधिक अनुकूलित करें। अनुकूलन के आधार पर, आपको कुछ भी करने में सक्षम होना चाहिए। भविष्य में, जैसे-जैसे वॉयस इंजन की सटीकता और प्रसंस्करण गति में सुधार होगा, वास्तव में तनाव-मुक्त पीसी संचालन संभव हो जाएगा, और तब तक, यह निश्चित रूप से आधिकारिक ऐप्स में एक सुविधा के रूप में दिखाई देगा।
लाइव बातचीत की एक प्रमुख विशेषता यह है कि बातचीत निरंतर होती है। जब आप चुप होते हैं तो यह चुप रहता है और जब भी आप बोलते हैं तो उत्तर देता है। इस तथ्य का अर्थ है कि यह स्थिति पूरे समय बनी रहती है।
सावधानी का एक नोट: मैं यह सत्यापित करने में सक्षम नहीं हूँ कि लाइव स्टैंडबाय पर छोड़े जाने पर कितने टोकन खर्च होते हैं। यदि कोई इस बारे में जानकार है, तो कृपया मुझे बताएं।
## जो लोग इसे आज़माना चाहते हैं उनके लिए
CatsAI GitHub पर उपलब्ध है। कृपया नीचे दिए गए रिलीज़ पेज से Mac ऐप (CatsAI.app.zip) डाउनलोड करें। इस पेज पर इंस्टॉलेशन निर्देश भी संक्षेप में दिए गए हैं।
▶ [[CatsAI v0.1.0 ─ यहाँ डाउनलोड करें]](https://github.com/hidetoame/CatsAI-public/releases/tag/v0.1.0
इसे चलाने के लिए आपको जिन चीज़ों की आवश्यकता है, वे हैं macOS, एक OpenAI API कुंजी, और OpenAI API बिलिंग सेटिंग्स। ये तीन। कृपया ध्यान दें कि API बिलिंग ChatGPT Plus भुगतान योजना से अलग है और इसे OpenAI API पक्ष पर अलग से सेट किया जाना चाहिए। आप बातचीत में उपयोग किए जाने वाले टोकन शुल्क के लिए जिम्मेदार होंगे, इसलिए कृपया OpenAI प्लेटफ़ॉर्म पर अपने उपयोग पृष्ठ की बार-बार जाँच करें।
फिर से कहने के लिए, यह एक व्यक्ति द्वारा विकसित एक प्रयोगात्मक ऐप है। इसमें बग या सुरक्षा मुद्दे हो सकते हैं। कृपया इसे अपने जोखिम पर उपयोग करें।
## समापन में। और एक अनुरोध।
मैं AI से सुरक्षा जाँच करवाता हूँ, लेकिन ईमानदारी से, मुझे अभी तक नहीं पता कि यह रचना कितनी सुरक्षित या सार्थक है। यही कारण है कि मैं इसे सार्वजनिक रूप से जारी कर रहा हूँ, इस उम्मीद में कि कर्मचारियों के अलावा अन्य लोग इसका उपयोग करेंगे और मुझे स्पष्ट प्रतिक्रिया देंगे।
स्रोत कोड भी सार्वजनिक है। यदि आप इसे किसी चीज़ के लिए उपयोग करना चाहते हैं या इसका विस्तार करना चाहते हैं, तो कृपया मुझसे संपर्क करें।
अंत में, एक और बात। वास्तव में अद्भुत बात यह है कि मैं बिना कोई कोड पढ़े इस तरह का ऐप बना सकता हूँ। जो भविष्य हमने थोड़ी देर पहले देखा था, वह पहले से ही वास्तविकता है।
AI संबंधित क्षेत्र में मेरे बहुत कम परिचित हैं। मुझे उम्मीद है कि इस अवसर का उपयोग जानकारी साझा करने और नए संबंध बनाने के लिए करूँगा, जिसमें यह देखना भी शामिल है कि मैंने अब तक कितना ज्ञान अर्जित किया है।
यदि आप CatsAI आज़माते हैं, तो कृपया संपर्क करें; मेरी बिल्लियाँ भी खुश होंगी।
