একাধিক ভাষা ও বক্তার কথা লাইভ টেক্সটে রূপান্তর করবে মেটার নতুন এআই

একাধিক ব্যক্তি ও ভাষায় চলা দীর্ঘ কথোপকথনকে রিয়েলটাইমে লিখিত রূপ দেওয়ার পাশাপাশি কে কোন বক্তব্য দিয়েছেন, তা আলাদাভাবে শনাক্ত করতে সক্ষম নতুন এআই মডেল উন্মোচন করেছে মেটা। ‘মিউজ ভয়েস ট্রান্সক্রাইব’ নামের এই মডেলটি বৈঠক, সাক্ষাৎকার, আলোচনা কিংবা অন্যান্য দীর্ঘ কথোপকথনের সময় সরাসরি বক্তব্যকে টেক্সটে রূপান্তর করতে পারবে।

মেটার সুপারইন্টেলিজেন্স ল্যাবস গত ১ সেপ্টেম্বর মিউজ ভয়েস ট্রান্সক্রাইব উন্মোচন করে। প্রতিষ্ঠানটির দাবি, এটি তাদের প্রথম রিয়েলটাইম অডিও পারসেপশন মডেল। একই সঙ্গে কথাকে লেখায় রূপান্তর, বক্তা শনাক্তকরণ এবং একজন বক্তার কথা শেষ হওয়ার সময় নির্ধারণের মতো জটিল কাজ করতে পারে মডেলটি। এমনকি ২০ জনের বেশি বক্তার দীর্ঘ কথোপকথনও এটি প্রক্রিয়া করতে সক্ষম বলে জানিয়েছে মেটা।

বর্তমানে প্রচলিত অডিও ট্রান্সক্রাইবারগুলো কোনো অডিও বা ভিডিও থেকে কথোপকথনকে টেক্সটে রূপান্তর করতে পারলেও একাধিক বক্তা বা বিভিন্ন ভাষায় চলা কথোপকথনের ক্ষেত্রে সীমাবদ্ধতা রয়েছে। কে কখন কথা বলেছেন, তা আলাদাভাবে শনাক্ত করা অনেক সময় সম্ভব হয় না। এ ছাড়া বহুভাষী কথোপকথনে ভুল ট্রান্সক্রিপশনের আশঙ্কাও থাকে। মেটার নতুন মডেলটি এসব সীমাবদ্ধতা কাটিয়ে ওঠার লক্ষ্যেই তৈরি করা হয়েছে।

মিউজ ভয়েস ট্রান্সক্রাইবের অন্যতম গুরুত্বপূর্ণ প্রযুক্তি হলো স্ট্রিমিং অটোমেটিক স্পিচ রিকগনিশন বা এএসআর। প্রচলিত ব্যবস্থায় সাধারণত পুরো অডিও রেকর্ড হওয়ার পর তা বিশ্লেষণ করে বক্তব্যকে লিখিত রূপ দেওয়া হয়। কিন্তু স্ট্রিমিং এএসআর কথোপকথন চলার সময়ই ধাপে ধাপে বক্তব্যকে টেক্সটে রূপান্তর করে। ফলে বৈঠক, সাক্ষাৎকার বা বক্তৃতার লাইভ ট্রান্সক্রিপশন তৈরি করা সম্ভব হয়।

মেটার তথ্য অনুযায়ী, কোনো শব্দ স্পষ্টভাবে শনাক্ত করা গেলে মডেলটি দ্রুত সেটিকে লিখিত রূপে দেখাতে পারে। আবার উচ্চারণ অস্পষ্ট হলে কিংবা পরবর্তী শব্দগুলো না শুনলে সঠিক অর্থ বোঝা কঠিন হলে মডেলটি অতিরিক্ত অডিও বিশ্লেষণ করতে কিছুটা বেশি সময় নেয়। এর মাধ্যমে দ্রুত ট্রান্সক্রিপশন ও নির্ভুল শব্দ শনাক্তকরণের মধ্যে ভারসাম্য বজায় রাখার চেষ্টা করে প্রযুক্তিটি।

মডেলটির আরেকটি গুরুত্বপূর্ণ সুবিধা হলো স্পিকার ডায়ারাইজেশন। এই প্রযুক্তির মাধ্যমে একটি কথোপকথনে কোন বক্তব্য কোন বক্তার, তা আলাদাভাবে চিহ্নিত করা যায়। ফলে দীর্ঘ বৈঠক, সাক্ষাৎকার বা প্যানেল আলোচনার ট্রান্সক্রিপ্ট পড়ার সময় সহজেই বোঝা সম্ভব হবে কে কোন বক্তব্য দিয়েছেন।

একই কথোপকথনে একাধিক ভাষা ব্যবহারের ক্ষেত্রেও কাজ করতে পারে মিউজ ভয়েস ট্রান্সক্রাইব। মেটার তথ্যমতে, মডেলটি ৭০টির বেশি ভাষার তথ্য ব্যবহার করে প্রশিক্ষিত হয়েছে এবং ২৫টির বেশি ভাষায় এর সক্ষমতা পরীক্ষা করা হয়েছে। এতে কোড-সুইচিং শনাক্ত করার সুবিধাও রয়েছে। অর্থাৎ, একজন বক্তা কথা বলার সময় এক ভাষা থেকে অন্য ভাষায় চলে গেলে কিংবা একই আলোচনায় একাধিক ভাষা ব্যবহৃত হলে সেটিও শনাক্ত করতে পারবে মডেলটি।

এ ছাড়া এন্ডপয়েন্টিং প্রযুক্তির মাধ্যমে একজন বক্তার বক্তব্য কখন শেষ হয়েছে এবং কখন নতুন বক্তব্য শুরু হয়েছে, তা বুঝতে পারে মিউজ ভয়েস ট্রান্সক্রাইব। ফলে কথোপকথনের ধারাবাহিকতা বজায় রেখে বক্তব্যগুলোকে আলাদা করা সহজ হবে।

মিউজ ভয়েস ট্রান্সক্রাইব বর্তমানে মেটার মডেল এপিআইয়ের মাধ্যমে ব্যবহার করা যাচ্ছে। এটি ম্যাকের জন্য মেটা এআইয়ের ডিকটেশন সুবিধা এবং মিউজ কোডেও ব্যবহার করা যায়। মেটার নির্ধারিত এপিআই মূল্য প্রতি এক হাজার মিনিট অডিওর জন্য ৩ ডলার।

অনলাইন বৈঠক, সংবাদ সাক্ষাৎকার, শিক্ষা, গ্রাহকসেবা এবং ভয়েসভিত্তিক এআই ব্যবস্থায় নতুন এই প্রযুক্তির ব্যবহার বাড়তে পারে। বিশেষ করে একাধিক বক্তা ও ভাষায় চলা দীর্ঘ কথোপকথন দ্রুত লিখিত রূপে সংরক্ষণ, বিশ্লেষণ ও ব্যবহারের ক্ষেত্রে মিউজ ভয়েস ট্রান্সক্রাইব গুরুত্বপূর্ণ ভূমিকা রাখতে পারে।