একটি দীর্ঘ বৈঠক বা আলোচনায় একাধিক ব্যক্তি একসঙ্গে কথা বললে এবং কথোপকথনের মধ্যে বিভিন্ন ভাষা ব্যবহার করা হলে পরে অডিও রেকর্ডিং থেকে কে কী বলেছেন, তা আলাদা করে শনাক্ত করা বেশ জটিল হয়ে উঠতে পারে। এমন জটিল ও বহুভাষী কথোপকথনের সময় রিয়েলটাইমে বক্তব্য লিখিত আকারে রূপান্তরের পাশাপাশি প্রতিটি বক্তাকে আলাদাভাবে শনাক্ত করার সক্ষমতা নিয়ে সম্প্রতি নতুন এআই মডেল ‘মিউজ ভয়েস ট্রান্সক্রাইব’ উন্মোচন করেছে মেটা।
মেটার সুপারইন্টেলিজেন্স ল্যাবস গত ১ সেপ্টেম্বর ‘মিউজ ভয়েস ট্রান্সক্রাইব’ লঞ্চ করে। এটি প্রতিষ্ঠানটির প্রথম রিয়েলটাইম অডিও পারসেপশন মডেল। একই সঙ্গে কথাকে লেখায় রূপান্তর, বক্তা শনাক্তকরণ এবং বক্তার কথা শেষ হওয়ার সময় নির্ধারণের মতো জটিল কাজ করতে পারে এটি। মেটার দাবি, ২০ জনের বেশি বক্তার দীর্ঘ কথোপকথনও মডেলটি অনায়াসে প্রক্রিয়া করতে সক্ষম।
বর্তমানে প্রচলিত অডিও ট্রান্সক্রাইবারগুলো একটি ভিডিও বা অডিও ফাইল থেকে বক্তব্য বা কথোপকথন একাধারে টেক্সটে রূপান্তর করতে পারে। তবে একাধিক বক্তা বা বহুভাষী কথোপকথনের ক্ষেত্রে আলাদাভাবে বক্তা শনাক্ত করা সম্ভব হয় না এবং রূপান্তর প্রক্রিয়াতেও অনেক ভুল হয়ে থাকে। মেটার নতুন এই মডেলটি প্রচলিত ট্রান্সক্রাইবারের এসব সীমাবদ্ধতা দূর করতে সক্ষম।
মডেলটির অবকাঠামোগত প্রযুক্তিগুলোর অন্যতম হলো স্ট্রিমিং অটোমেটিক স্পিচ রিকগনিশন বা এএসআর। প্রচলিত ট্রান্সক্রিপশন ব্যবস্থায় সাধারণত পুরো অডিও রেকর্ড হওয়ার পর তা বিশ্লেষণ করা হয়। অন্যদিকে, স্ট্রিমিং এএসআর কথোপকথন চলার সময়ই ধাপে ধাপে বক্তব্যকে টেক্সটে রূপান্তর করে। ফলে বৈঠক, সাক্ষাৎকার বা বক্তৃতার লাইভ ট্রান্সক্রিপশন তৈরি করা সম্ভব হয়।
কোনো শব্দ স্পষ্ট ও সহজে শনাক্ত করা গেলে এআই দ্রুত সেটিকে লিখিত রূপে দেখায়। তবে উচ্চারণ অস্পষ্ট হলে বা পরের শব্দগুলো না শুনে সঠিক অর্থ ও শব্দ নির্ধারণ করা কঠিন হলে মডেলটি কিছুটা বেশি সময় নিয়ে অতিরিক্ত অডিও বিশ্লেষণ করে। ফলে প্রয়োজন অনুযায়ী প্রতিক্রিয়ার সময় পরিবর্তন করে দ্রুত ট্রান্সক্রিপশন এবং শব্দ শনাক্তকরণের নির্ভুলতার মধ্যে ভারসাম্য বজায় রাখার চেষ্টা করে প্রযুক্তিটি।
মডেলটির আরেকটি গুরুত্বপূর্ণ সুবিধা হলো স্পিকার ডায়ারাইজেশন। এই প্রযুক্তি একটি কথোপকথনে একাধিক বক্তার কথার মধ্যে কোন অংশটি কোন বক্তার, সেটিও আলাদাভাবে চিহ্নিত করতে পারে। এতে দীর্ঘ বৈঠক, সাক্ষাৎকার বা প্যানেল আলোচনার ট্রান্সক্রিপ্ট পড়ার সময় সহজেই বোঝা যাবে কে কোন বক্তব্য দিয়েছেন।
একই সঙ্গে 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 সফলভাবে পরীক্ষা করা হয়েছে। এতে কোড-সুইচিং শনাক্ত করার সুবিধা রয়েছে। অর্থাৎ, একজন বক্তা কথা বলার সময় এক ভাষা থেকে অন্য ভাষায় চলে গেলে বা একই কথোপকথনে একাধিক ভাষা ব্যবহার করলে সেটিও শনাক্ত করবে মডেলটি। এ ছাড়া এন্ডপয়েন্টিং প্রযুক্তির মাধ্যমে এআই বুঝতে পারে কখন একজন বক্তার বক্তব্য শেষ হয়েছে বা কখন নতুন বক্তব্য শুরু হচ্ছে।
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 ও ভয়েসভিত্তিক এআই ব্যবস্থায় এ প্রযুক্তির ব্যবহার বাড়তে পারে। বিশেষ করে একাধিক বক্তা ও ভাষার দীর্ঘ কথোপকথন দ্রুত লিখিত রূপে সংরক্ষণ ও বিশ্লেষণের ক্ষেত্রে মডেলটি কার্যকর ভূমিকা রাখতে পারে।
