দীর্ঘ বৈঠক, সাক্ষাৎকার কিংবা প্যানেল আলোচনায় একাধিক ব্যক্তি কথা বললে পরে অডিও রেকর্ডিং থেকে কে কোন বক্তব্য দিয়েছেন, তা আলাদা করা বেশ কঠিন হয়ে পড়ে। একই আলোচনায় একাধিক ভাষা ব্যবহৃত হলে জটিলতা আরও বাড়ে। এমন পরিস্থিতিতে রিয়েলটাইমে কথাকে লিখিত রূপ দেওয়ার পাশাপাশি বক্তাভেদে বক্তব্য শনাক্ত করতে সক্ষম নতুন এআই মডেল উন্মোচন করেছে মেটা।

মেটার সুপারইন্টেলিজেন্স ল্যাবস গত ১ সেপ্টেম্বর মিউজ ভয়েস ট্রান্সক্রাইব নামে মডেলটি চালু করে। প্রতিষ্ঠানটির দাবি, এটি মেটার প্রথম রিয়েলটাইম অডিও পারসেপশন মডেল। বক্তব্যকে টেক্সটে রূপান্তর, আলাদা বক্তাকে শনাক্ত করা এবং কখন একজনের কথা শেষ হয়ে নতুন বক্তার কথা শুরু হয়েছে—এসব কাজ একই সঙ্গে করতে পারে মডেলটি।

মেটার তথ্য অনুযায়ী, ২০ জনের বেশি বক্তার দীর্ঘ কথোপকথনও মিউজ ভয়েস ট্রান্সক্রাইব প্রক্রিয়া করতে পারে। ফলে বড় বৈঠক বা একাধিক ব্যক্তির অংশগ্রহণ থাকা আলোচনার ট্রান্সক্রিপশন তৈরিতে এটি বিশেষভাবে কার্যকর হতে পারে।

প্রচলিত ট্রান্সক্রাইবারের সীমাবদ্ধতা

বর্তমানে ব্যবহৃত অনেক অডিও ট্রান্সক্রাইবারে রেকর্ড করা বক্তব্যকে টেক্সটে রূপান্তর করা গেলেও একাধিক বক্তার ক্ষেত্রে কে কোন অংশ বলেছেন, তা আলাদাভাবে শনাক্ত করা কঠিন। বহুভাষী কথোপকথনের ক্ষেত্রেও ট্রান্সক্রিপশনে ভুলের পরিমাণ বেড়ে যেতে পারে।

মেটার নতুন মডেলটি এসব সীমাবদ্ধতা কমানোর লক্ষ্যেই তৈরি করা হয়েছে। এর অন্যতম প্রযুক্তিগত ভিত্তি হলো স্ট্রিমিং অটোমেটিক স্পিচ রিকগনিশন বা এএসআর। প্রচলিত পদ্ধতিতে পুরো অডিও রেকর্ড হওয়ার পর সেটি বিশ্লেষণ করে ট্রান্সক্রিপশন তৈরি করা হয়। কিন্তু স্ট্রিমিং এএসআর কথোপকথন চলার সময়ই ধাপে ধাপে বক্তব্যকে টেক্সটে রূপান্তর করতে পারে। এর ফলে বৈঠক, সাক্ষাৎকার বা বক্তৃতার ক্ষেত্রে তাৎক্ষণিক ট্রান্সক্রিপশন তৈরি করা সম্ভব হয়।

নির্ভুলতার জন্য সময়ও পরিবর্তন করবে

মিউজ ভয়েস ট্রান্সক্রাইব শব্দ শনাক্ত করার ক্ষেত্রে পরিস্থিতি অনুযায়ী প্রতিক্রিয়ার সময় পরিবর্তন করতে পারে। কোনো শব্দ স্পষ্টভাবে শোনা গেলে সেটি দ্রুত লিখিত আকারে দেখাতে পারে। আবার উচ্চারণ অস্পষ্ট হলে কিংবা পরবর্তী শব্দ না শোনা পর্যন্ত বাক্যের সঠিক অর্থ বোঝা কঠিন হলে মডেলটি অতিরিক্ত অডিও বিশ্লেষণের জন্য কিছুটা বেশি সময় নেয়। অর্থাৎ, দ্রুত ট্রান্সক্রিপশন তৈরির প্রয়োজন এবং শব্দ শনাক্তকরণের নির্ভুলতার মধ্যে ভারসাম্য বজায় রাখার চেষ্টা করে মডেলটি।

কে কী বলেছেন, সেটিও বোঝা যাবে

মডেলটির অন্যতম গুরুত্বপূর্ণ বৈশিষ্ট্য হলো স্পিকার ডায়ারাইজেশন। এই প্রযুক্তির মাধ্যমে একই কথোপকথনে একাধিক ব্যক্তির বক্তব্য আলাদা করে শনাক্ত করা যায়। ফলে দীর্ঘ বৈঠক, সাক্ষাৎকার কিংবা প্যানেল আলোচনার ট্রান্সক্রিপশন পড়ার সময় কোন বক্তব্য কোন ব্যক্তির, তা সহজেই বোঝা সম্ভব হবে।

শুধু বক্তা শনাক্ত করাই নয়, এন্ডপয়েন্টিং প্রযুক্তির মাধ্যমে একজন বক্তার বক্তব্য কখন শেষ হয়েছে এবং কখন নতুন বক্তব্য শুরু হয়েছে, সেটিও নির্ধারণ করতে পারে মডেলটি।

বহুভাষী কথোপকথনও মিউজ ভয়েস ট্রান্সক্রাইবের অন্যতম লক্ষ্য। মেটার দাবি, ৭০টির বেশি ভাষার তথ্য ব্যবহার করে মডেলটি প্রশিক্ষিত হয়েছে এবং ২৫টির বেশি ভাষায় এর সক্ষমতা সফলভাবে পরীক্ষা করা হয়েছে।

মডেলটিতে কোড-সুইচিং শনাক্ত করার সুবিধাও রয়েছে। অর্থাৎ, একজন ব্যক্তি কথা বলার মাঝখানে এক ভাষা থেকে অন্য ভাষায় চলে গেলে কিংবা একই আলোচনায় বিভিন্ন ভাষা ব্যবহৃত হলে সেটিও শনাক্ত করতে পারবে মিউজ ভয়েস ট্রান্সক্রাইব।

কোথায় ব্যবহার করা যাবে

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

প্রযুক্তিটি অনলাইন বৈঠক, সংবাদ সাক্ষাৎকার, শিক্ষা কার্যক্রম, গ্রাহকসেবা এবং ভয়েসভিত্তিক এআই ব্যবস্থায় ব্যবহার বাড়াতে পারে। বিশেষ করে একই আলোচনায় একাধিক ব্যক্তি ও ভাষা ব্যবহৃত হলে দ্রুত ট্রান্সক্রিপশন তৈরি, বক্তাভেদে বক্তব্য আলাদা করা এবং পরবর্তী সময়ে সেই তথ্য বিশ্লেষণে মিউজ ভয়েস ট্রান্সক্রাইব গুরুত্বপূর্ণ ভূমিকা রাখতে পারে।