মেটার নতুন এআইয়ে একসঙ্গে শনাক্ত হবে বক্তা ও ভাষা
একাধিক ব্যক্তি একসঙ্গে কথা বলছেন, আবার কথোপকথনের মাঝে বদলে যাচ্ছে ভাষা—এমন জটিল পরিস্থিতিতেও বক্তব্যকে দ্রুত লিখিত রূপ দেওয়ার নতুন কৃত্রিম বুদ্ধিমত্তা (এআই) মডেল উন্মোচন করেছে মেটা। ‘মিউজ ভয়েস ট্রান্সক্রাইব’ নামের এই মডেল রিয়েলটাইমে কথাকে টেক্সটে রূপান্তরের পাশাপাশি কে কোন বক্তব্য দিয়েছেন, সেটিও আলাদা করে শনাক্ত করতে পারে।
মেটার সুপারইন্টেলিজেন্স ল্যাবস ১ সেপ্টেম্বর মডেলটি উন্মোচন করে। প্রতিষ্ঠানটির দাবি, এটি মেটার প্রথম রিয়েলটাইম অডিও পারসেপশন মডেল, যা একই সঙ্গে স্পিচ-টু-টেক্সট, বক্তা শনাক্তকরণ এবং বক্তব্য শেষ হওয়ার সময় নির্ধারণের মতো কাজ করতে পারে।
২০ জনের বেশি বক্তার কথাও বিশ্লেষণ
সাধারণ অডিও ট্রান্সক্রিপশন টুলে পুরো রেকর্ডিং বিশ্লেষণ করে কথাগুলো লিখিত রূপ দেওয়া সম্ভব হলেও একাধিক বক্তার ক্ষেত্রে কে কোন অংশ বলেছেন, তা আলাদা করা অনেক সময় কঠিন হয়। বহুভাষী কথোপকথনেও ভুলের আশঙ্কা থাকে।
মেটার দাবি, মিউজ ভয়েস ট্রান্সক্রাইব এসব সীমাবদ্ধতা কমানোর লক্ষ্যেই তৈরি করা হয়েছে। দীর্ঘ আলোচনায় ২০ জনের বেশি বক্তা থাকলেও তাদের বক্তব্য আলাদাভাবে প্রক্রিয়া করতে পারে মডেলটি।
কথোপকথন চলার সময়ই তৈরি হবে ট্রান্সক্রিপ্ট
মডেলটির অন্যতম প্রযুক্তিগত ভিত্তি হলো স্ট্রিমিং অটোমেটিক স্পিচ রিকগনিশন (এএসআর)। প্রচলিত ব্যবস্থায় অডিও রেকর্ড শেষ হওয়ার পর ট্রান্সক্রিপশন শুরু হলেও স্ট্রিমিং এএসআর কথোপকথন চলার সময়ই ধাপে ধাপে বক্তব্যকে টেক্সটে রূপান্তর করে।
ফলে বৈঠক, সাক্ষাৎকার, বক্তৃতা কিংবা অনলাইন আলোচনার সময়ই প্রায় তাৎক্ষণিকভাবে লিখিত ট্রান্সক্রিপ্ট তৈরি করা সম্ভব হবে।
নির্ভুলতার জন্য প্রয়োজন অনুযায়ী সময় নেবে
কোনো শব্দ স্পষ্টভাবে শোনা গেলে মডেল দ্রুত সেটির লিখিত রূপ দিতে পারে। তবে উচ্চারণ অস্পষ্ট হলে কিংবা পরবর্তী শব্দের ওপর নির্ভর করে অর্থ নির্ধারণের প্রয়োজন হলে এটি অতিরিক্ত অডিও বিশ্লেষণ করতে পারে।
অর্থাৎ দ্রুত ফল দেওয়ার পাশাপাশি শব্দ শনাক্তকরণের নির্ভুলতা বজায় রাখতে পরিস্থিতি অনুযায়ী প্রতিক্রিয়ার সময় সামঞ্জস্য করার ব্যবস্থা রয়েছে মডেলটিতে।
কে কখন কথা বলেছেন, তাও জানা যাবে
মিউজ ভয়েস ট্রান্সক্রাইবের আরেকটি গুরুত্বপূর্ণ সুবিধা হলো ‘স্পিকার ডায়ারাইজেশন’। এর মাধ্যমে একই কথোপকথনে বিভিন্ন ব্যক্তির বক্তব্য আলাদা করে শনাক্ত করা যায়।
ফলে দীর্ঘ বৈঠক, সাক্ষাৎকার বা প্যানেল আলোচনার ট্রান্সক্রিপ্টে কোন অংশটি কোন বক্তার, তা সহজেই বোঝা যাবে। গবেষণা, সংবাদ সংগ্রহ কিংবা মিটিংয়ের নথি তৈরিতে এই সুবিধা কার্যকর হতে পারে।
এক কথোপকথনে একাধিক ভাষা
মডেলটি বহুভাষী কথোপকথনও প্রক্রিয়া করতে সক্ষম। মেটার তথ্য অনুযায়ী, ৭০টির বেশি ভাষার তথ্য ব্যবহার করে মডেলটি প্রশিক্ষিত হয়েছে এবং ২৫টির বেশি ভাষায় এর সক্ষমতা পরীক্ষা করা হয়েছে।
এতে ‘কোড-সুইচিং’ শনাক্ত করার সুবিধাও রয়েছে। অর্থাৎ, একজন বক্তা একই কথোপকথনের মধ্যে এক ভাষা থেকে অন্য ভাষায় চলে গেলে সেটিও শনাক্ত করতে পারবে মডেলটি।
এ ছাড়া ‘এন্ডপয়েন্টিং’ প্রযুক্তির সাহায্যে একজন বক্তার বক্তব্য কখন শেষ হয়েছে এবং কখন নতুন বক্তার কথা শুরু হয়েছে, সেটিও নির্ধারণ করতে পারে এটি।
এপিআইয়ে মিলছে ব্যবহার সুবিধা
মেটার মডেল এপিআইয়ের মাধ্যমে বর্তমানে মিউজ ভয়েস ট্রান্সক্রাইব ব্যবহার করা যাচ্ছে। ম্যাকের জন্য মেটা এআইয়ের ডিকটেশন সুবিধা এবং মিউজ কোডেও এটি ব্যবহারের সুযোগ রয়েছে।
মেটার নির্ধারিত মূল্য অনুযায়ী, প্রতি এক হাজার মিনিট অডিও ট্রান্সক্রিপশনের জন্য খরচ ৩ ডলার।
সংবাদ থেকে গ্রাহকসেবা—বাড়তে পারে ব্যবহার
অনলাইন সভা, সংবাদ সাক্ষাৎকার, শিক্ষা কার্যক্রম, গ্রাহকসেবা এবং ভয়েসভিত্তিক এআই ব্যবস্থায় মডেলটির ব্যবহার বাড়তে পারে। বিশেষ করে একাধিক বক্তা ও ভাষার দীর্ঘ কথোপকথন দ্রুত লিখিত আকারে সংরক্ষণ এবং পরবর্তী সময়ে বিশ্লেষণের ক্ষেত্রে প্রযুক্তিটি নতুন সম্ভাবনা তৈরি করতে পারে।
