تصور کنید یک عامل هوش مصنوعی را برای مدیریت اسناد تجاری در بانکوک به کار بگیرید، اما مدل شما حتی نتواند تشخیص دهد یک کلمه تایلندی کجا تمام می‌شود و کلمه بعدی از کجا شروع می‌شود. این شکست‌های زبانی که مدل‌های عمومی آن‌ها را «موردهای خاص» می‌نامند، اکنون با API جدید شرکت Paxa Labs برطرف شده است.
این شرکت در ۲۸ اوت ۲۰۲۶ مجموعه‌ای یکپارچه از ابزارهای گفتار، ترجمه و پردازش اسناد را معرفی کرد که دقیقاً برای ساختار منحصربه‌فرد زبان تایلندی طراحی شده است. اکثر ابزارهای جهانی با زبان تایلندی مشکل دارند چون این خط هیچ فاصله‌ای بین کلمات ندارد؛ چیزی شبیه به متنی که تمام کلماتش به هم چسبیده‌اند و مدل باید حدس بزند مرز هر کلمه کجاست. علاوه بر این، کاربران تایلندی معمولاً اصطلاحات انگلیسی و لهجه‌های مختلف منطقه‌ای را در یک جمله ترکیب می‌کنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی چالش‌های مدل‌های زبانی در زبان‌های غیرانگلیسی اشاره کردیم، مدل‌های عمومی اغلب در مواجهه با ساختارهای غیرخطی شکست می‌خورند. برای یک کسب‌وکار، این یعنی ناتوانی در پردازش اسنادی که متن تایلندی، برچسب‌های انگلیسی، مهرها و دست‌خط‌ها به‌طور هم‌زمان در یک صفحه ظاهر شده‌اند.
به نقل از گزارش dev.to، خدمات فعلی این آزمایشگاه شامل موارد زیر است:
- Paxa Flash (paxa-tts-flash-v1): مدلی برای تبدیل متن به گفتار (TTS) — شبیه به یک گوینده حرفه‌ای که می‌تواند با لهجه‌های مختلف شمال، جنوب و ایسان صحبت کند — با ۲۶ صدای متنوع. این رویکرد بهینه‌سازی صوتی برای بازارهای هدف، مشابه راهکاری است که BhaShaVox برای تسهیل ورود به بازارهای چندزبانه از طریق دوبله هوش مصنوعی به کار گرفت.
- paxa-ocr-lite-v1: مدلی برای نویسه‌خوانی نوری (OCR) که PDFها و تصاویر را به فرمت Markdown تبدیل می‌کند و برای متون ترکیبی و دست‌نویس بهینه شده است.
- paxa-translation-lite-v1: ابزاری برای ترجمه ۱۴ زبان به تایلندی با قابلیت کنترل سطح رسمی بودن متن.
بر اساس مستندات این شرکت، برای تضمین کیفیت از مدل پرداخت «شارژ پیش از استنتاج، بازگشت وجه در صورت خطا» استفاده می‌شود. هزینه استنتاج (Inference) — یعنی همان لحظه‌ای که مدل جواب تولید می‌کند و مثل آشپزی واقعی است، نه یادگیری دستور پخت — برای TTS هر میلیون کاراکتر ۱۵ دلار و برای OCR هر صفحه ۰.۰۰۶۵ دلار تعیین شده است.
این رویکرد تمرکز را از بنچمارک‌های کلی به «حلقه‌های شکست واقعی» منتقل می‌کند. Paxa Labs هر خطای تولیدی را به عنوان یک داده جدید برای ارزیابی می‌بیند تا بازخوردی سریع‌تر از ارائه‌دهندگان عمومی داشته باشد. این یعنی توسعه‌دهندگان دیگر نیازی ندارند برای «تمیز کردن» متن تایلندی قبل از ارسال به یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه خوانده و حالا با همان لحن جواب می‌دهد — کدهای پیش‌پردازش پیچیده بنویسند.
برای کسانی که عامل (Agent) می‌سازند، این شرکت مستندات خود را به صورت Markdown ارائه داده و یک مهارت قابل نصب از طریق npx skills add https://paxalabs.com فراهم کرده است تا عامل‌ها بدون نیاز به مهندسی پرامپت (Prompt Engineering) — یعنی هنر سؤال درست پرسیدن از مدل — قابلیت‌های API را درک کنند. این تسهیل در ساخت عامل‌های تخصصی، یادآور تجربه‌ی توسعه‌ی BolBuddy برای ساخت یک عامل صوتی یادگیری زبان در زمان واقعی است.
با این حال، بازشناسی گفتار (ASR) هنوز در مرحله پژوهش است و شرکت اعلام کرده تنها زمانی آن را عرضه می‌کند که در محیط‌های صوتی پرنوسان تایلند دوام بیاورد.
گام بعدی شما
- اگر روی محصولاتی برای بازار جنوب شرق آسیا کار می‌کنید، مدل OCR این شرکت را برای اسناد دست‌نویس تست کنید.
- برای کاهش هزینه‌های پیش‌پردازش متن، جایگزینی اسکریپت‌های تمیزکننده با APIهای تخصصی را بررسی کنید.
- مهارت‌های قابل نصب Paxa را به عامل‌های هوش مصنوعی خود اضافه کنید تا دسترسی به ابزارهای زبانی تایلندی بومی شود.
اما چالش‌های سخت‌افزاری برای اجرای این مدل‌های تخصصی در لبه (Edge) حتی پیچیده‌تر است — به تحلیل ما درباره‌ی رایانش لبه مراجعه کنید.
گفتگو