पेश है Naia-0.9-Omni-24g, जो RTX 3090 पर वॉइस क्लोनिंग, रीयल-टाइम बातचीत और स्किल्स देता है (Naia v0.1.5)

नमस्ते, मैं लूक हूँ और AI OS नाइया (Naia) बना रहा हूँ। पिछली बार जब मैंने जल्दबाज़ी में लॉन्च की खबर साझा करते हुए आपसे मदद माँगी थी, उस लेख के बाद इस बार v0.1.5 अपडेट के साथ सबसे अहम खबर लेकर आया हूँ — सिर्फ़ AI OS ही नहीं, बल्कि एक नया AI omni मॉडल, ठीक-ठीक कहें तो Naia-Omni मॉड्यूल (naia-0.9-omni-24g) के सार्वजनिक होने की खबर।

▎इस v0.1.5 के Naia-OS में आप सीधे क्या-क्या अनुभव कर सकते हैं

3D अवतार के साथ रीयल-टाइम वॉइस बातचीत (वॉइस क्लोनिंग सहित) — इस वर्शन का मुख्य आकर्षण यही है।
एम्बेडेड ब्राउज़र — स्क्रीन के भीतर ही AI आपके साथ देखता और मदद करता है।
स्किल सिस्टम — बिल्ट-इन स्किल्स से फ़ंक्शन का दायरा बढ़ाइए और MCP (Model Context Protocol) टूल्स को जोड़िए।
ऐप पैनल — Naia के अंदर मनचाहे ऐप पैनल जोड़ सकते हैं।
आपका मॉडल, आपकी कुंजी जस की तस — मनचाहे AI प्रदाता और कुंजी को जोड़िए, या लोकल मॉडल पर चलाइए।
प्राइवेसी — लोकल पर चलाना डिफ़ॉल्ट है, और इनपुट-आउटपुट को मॉडल ट्रेनिंग में इस्तेमाल नहीं किया जाता।
14 भाषाओं का इंटरफ़ेस सपोर्ट

Naia महज़ OS होने का दावा करने वाला एक शेल (Shell) भर नहीं है। इस अपडेट का केंद्र है naia-0.9-omni-24g मॉड्यूल, जो कंज़्यूमर GPU (RTX 3090/4090/5090 जैसे 24GB VRAM) के वातावरण में 30 भाषाओं के साथ-साथ ChatGPT/Gemini स्तर की फुल-डुप्लेक्स रीयल-टाइम बातचीत को साकार करता है।

यह वह वीडियो है जिसमें मैं अपने PC पर खुद इंस्टॉल किए गए Naia-Omni से जुड़कर असल आवाज़ में बातचीत कर रहा हूँ। (ध्यान दें कि मेरे माइक की आवाज़ इस वीडियो में रिकॉर्ड नहीं हुई है।)

▎'cascade' मॉड्यूल ही क्यों

पहले मैंने बताया था कि MiniCPM-4.5-omni को vLLM पर पोर्ट कर रहा हूँ — असल में वह इसी Naia में जोड़ने के लिए था। Omni मॉडल का सबसे बड़ा फ़ायदा यह है कि रीयल-टाइम में बेहद स्वाभाविक बातचीत संभव हो जाती है। पर उस मॉडल की सीमा यह थी कि वह 28GB से ज़्यादा VRAM माँगता था, और सिर्फ़ चीनी व अंग्रेज़ी को ही सपोर्ट करता था। इसे कोरियाई के लिए बेहतर बनाने हेतु Talker फाइन-ट्यूनिंग (FT) समेत कई शोध साथ-साथ किए, पर आख़िरकार तकनीकी छत से जा टकराए, और बाकी Omni मॉडल इससे कहीं ज़्यादा भारी थे।

इस तरह विकल्प तलाशते-तलाशते जो बना, वह कोई एकल मॉडल नहीं बल्कि 'कैस्केड (Cascade)' तरीके का naia-0.9-omni-24g है। यह कई AI मॉडलों को उचित ढंग से ऑर्केस्ट्रेट और ऑप्टिमाइज़ करने वाला मॉड्यूल है — भले ही पूर्ण टोकन-दर-टोकन प्रोसेसिंग तक न पहुँचे, फिर भी उसके बराबर की गति और कहीं ज़्यादा लचीली संरचना का दावा करता है। कंज़्यूमर 24GB GPU पर 30 भाषाएँ, फुल-डुप्लेक्स और रीयल-टाइम वॉइस क्लोनिंग, सब कुछ सपोर्ट करने वाला यह व्यावहारिक रूप से इकलौता विकल्प है। हम इसे ऐसे प्रस्तुत कर रहे हैं कि आप इसे मानो एक स्वतंत्र मॉडल की तरह API स्तर पर इस्तेमाल कर सकें, और इसकी कहीं ज़्यादा स्मार्ट व साफ़ वॉइस क्लोनिंग क्षमता को आप खुद अनुभव कर सकें।

	एकल omni मॉडल	cascade (Naia तरीका)
संरचना	एक में समाहित मॉडल	भूमिका के अनुसार पुर्ज़े जोड़कर
क्षमता बदलना	एक बार ट्रेन होने पर तय — नई क्षमता के लिए दोबारा ट्रेनिंग ज़रूरी	जब चाहें पुर्ज़े बदलें/जोड़ें — बिना दोबारा ट्रेनिंग के सुधार
गति	समाहित होने से तेज़ (कम लेटेंसी)	चरण होने से थोड़ी ज़्यादा लेटेंसी हो सकती है
मल्टीमॉडल विस्तार	शुरू से फिर से ट्रेनिंग	इनपुट-आउटपुट में पुर्ज़े जोड़ देना
पुर्ज़ों का चुनाव	समूचा बँधा हुआ	परखे हुए पुर्ज़े चुनकर इस्तेमाल/बदलना
मॉडल का उपयोग	एक मॉडल पर तय	कई मॉडल साथ — हर चरण पर सर्वोत्तम मॉडल

यूँ तैयार हुआ naia-0.9-omni-24g कंज़्यूमर PC वातावरण यानी RTX 3090/4090/5090 (24GB) पर सहजता से चलता है।

⚙️ इस्तेमाल का तरीका और ख़ासियतें

इस अपडेट के इस्तेमाल के तरीके को व्यावहारिक इन्फ़्रा स्थिति को ध्यान में रखते हुए इस प्रकार से नया रूप दिया है।

लोकल कंटेनर प्रदान (बेसिक सब्सक्राइबर का लाभ) — हमने इसे सबके लिए खोल दिया है ताकि कोई भी अपने निजी PC पर कंटेनर के रूप में डाउनलोड करके अपना ख़ुद का एप्लिकेशन सीधे बना सके।

podman pull ghcr.io/nextain/naia-0.9-omni-24g:latest

बस, मुझे भी अपनी आजीविका चलाते हुए इस ओपन-सोर्स प्रोजेक्ट को आगे बढ़ाना है, इसलिए बेसिक सब्सक्रिप्शन (मासिक $10) वाले उपयोगकर्ताओं को 1-1 Copy इस्तेमाल के लिए उपलब्ध करवाया है। इसे Naia ओपन-सोर्स इकोसिस्टम के लगातार बढ़ने के लिए ज़रूरी न्यूनतम सहयोग समझें तो मैं आभारी रहूँगा। → Naia मॉडल डाउनलोड और ऐक्टिवेशन मैनुअल

वेब डेमो आज़माएँ (60 सेकंड की झलक) — फ़िलहाल मैं अपने एक निजी PC पर इसे सीधे चलाकर 60-60 सेकंड की झलक का अनुभव दे रहा हूँ। संसाधन सीमित हैं, इसलिए जुड़ने वालों की संख्या के अनुसार कतार (Queue) बन सकती है — इसके लिए कृपया उदारता से समझ लें। → लाइव डेमो

उच्च अनुकूलता — OpenAI Realtime API को सपोर्ट करके मौजूदा वातावरण के साथ अनुकूलता को अधिकतम कर दिया है।

एंडपॉइंट	उपयोग
`GET /health`	तैयारी स्थिति `{"ready":true}` (प्रमाणीकरण ज़रूरी नहीं)
`GET /v1/models`	मॉडल सूची
`WS /v1/realtime`	रीयल-टाइम वॉइस सेशन (VAD, बीच में टोकना, भावनाएँ)
`POST /v1/chat/completions`	चैट (स्ट्रीमिंग सपोर्ट)
`POST /v1/audio/speech`	वॉइस सिंथेसिस (TTS)
`POST /v1/audio/transcriptions`	वॉइस रिकग्निशन (STT)
`POST /v1/embeddings`	एम्बेडिंग

→ Naia मॉडल का विस्तृत इस्तेमाल (डेवलपर मैनुअल)

सुरक्षा और प्राइवेसी — मॉड्यूल जितना उम्दा है, उसका वॉइस फ़िशिंग आदि में दुरुपयोग होने का अंदेशा भी है, इसलिए वॉइस वॉटरमार्क तकनीक लगाकर ट्रेसेबिलिटी सुनिश्चित की है ताकि आप निश्चिंत होकर इस्तेमाल कर सकें।

🧠 Naia जो भविष्य गढ़ रहा है (Naia Cognitive)

Naia की आख़िरी मंज़िल यह है — 'मेरे कंप्यूटर के भीतर मेरा अपना AI' को साकार करना, और AI के साथ इस्तेमाल होने वाले एप्लिकेशनों के डेवलपमेंट व डिप्लॉयमेंट का इकोसिस्टम खड़ा करना। मैं जिस मल्टीमॉडल की कल्पना करता हूँ वह महज़ डेटा का इनपुट-आउटपुट नहीं, बल्कि एक ऐसी संज्ञानात्मक क्षमता (Naia Cognitive) है जिसमें AI खुद अनुभव करता है, याद रखता है और अभिव्यक्त करता है।

अगले वर्शन में एजेंट (Naia-agent), दीर्घकालिक स्मृति (Naia-memory), फ़्रेमवर्क (Naia-ADK) आदि के अपडेट इंतज़ार कर रहे हैं। Naia-0.9-Omni-48g के साथ आने वाला अगला वर्शन, कोडिंग का काम कर सकने के स्तर की लोकल प्रोफ़ाइल व वातावरण-संरचना के साथ, उपयोगकर्ता को याद रखते हुए रीयल-टाइम वॉइस में साथ काम करने वाला — सच कहें तो 'आयरन मैन के जार्विस' जैसा रूप पाने के लक्ष्य से शोध व विकास में है।

48GB अभी भी ऐसा क्षेत्र है जिसे 24GB में चाहे जितना ठूँसें, भारी पड़ता है, पर बस दो पुराने RTX 3090 लगा देने भर से बात बन जाती है, इसलिए मेरा मानना है कि व्यक्तिगत स्तर पर भी इसका सपना देखना ख़ूब वाजिब है।

🎮 Naia OS वह AI है जो मुझे याद रखता है, मेरे साथ काम भी करता है और खेलता भी है

Naia-OS जो तस्वीर गढ़ रहा है, वह यूँ है।

Steam (Bazzite)/Windows आधारित गेम मशीन + मुझे याद रखने वाला बुद्धिमान एजेंट + 3D अवतार आधारित प्राकृतिक-भाषा UI + VRAM के अनुसार ऑप्टिमाइज़्ड प्रोफ़ाइल

हाल ही में MS और Nvidia के RTX आधारित छोटे AI डिवाइस बनाने की ख़बर ख़ूब चर्चा में रही। असल में इंतज़ार करने की ज़रूरत नहीं है। गेम भी चलता है और AI भी, ऐसा Naia-OS ठीक उसी जगह को निशाना बना रहा है। मैं होता तो उस नए प्रोडक्ट के बजाय Naia-OS की संरचना चुनता — कीमत हमारी सुझाई गई ऊपरी लाइन से भी ज़्यादा है, गेम अनुकूलता भी अनिश्चित है, और इंटिग्रेटेड मेमोरी धीमी है। दूसरी ओर, परखा हुआ कंज़्यूमर GPU लगाने वाला Naia-OS गेम, AI और विस्तार-क्षमता, तीनों को साध लेता है।

Mac वातावरण को मैं जान-बूझकर टाल नहीं रहा, बस उपकरण और समय की कमी से अभी हाथ नहीं लगा पाया हूँ। कुछ लोग साथ मदद देने के लिए भी राज़ी हुए हैं।

Naia-OS कोई एकल मॉड्यूल नहीं, बल्कि अलग-अलग भूमिकाओं वाले ओपन-सोर्स रिपॉज़िटरी से बना है, और हम धीरे-धीरे इसका ढाँचा खड़ा कर रहे हैं। "कितना सारा कुछ है यह तो?" ऐसा लग सकता है, पर अभी ठीक 'AI आधारित डेवलपमेंट का दौर' है, इसीलिए यह संभव हुआ है।

अगर पुराना OS एप्लिकेशनों को सँभालने का औज़ार था, तो AI OS एक ऐसा सॉफ़्टवेयर और रोबोट बनेगा जो प्राकृतिक भाषा में संवाद करता है, याद रखता है और खुद काम निपटाता है — मेरा यही विश्वास है। यह महज़ बढ़-चढ़कर दावा नहीं, इसे मैं एक-एक करके नतीजों से साबित करके दिखाऊँगा।

🤝 आइए साथ जुड़ें — ऑफ़लाइन मीटअप और डिस्कॉर्ड

अगले हफ़्ते के भीतर, अब तक किए गए कामों को दिखाने और साथ मिलकर मदद देने-लेने वाले लोगों को ढूँढने के लिए एक ऑफ़लाइन मीटअप रखने का सोच रहा हूँ। मॉड्यूल को एक बार डाउनलोड करके ज़रूर देखिए, और जिनकी रुचि हो वे नीचे दिए डिस्कॉर्ड पर आइए। उम्मीद है यह एक सच्चे ओपन-सोर्स समुदाय के रूप में विकसित होगा।

→ Naia Discord में शामिल हों

आगे Nextain और Naia जो राह गढ़ेंगे, उसमें आप सबके भरपूर समर्थन और रुचि की कामना करता हूँ।

#Nextain #Naia