দীর্ঘ বৈঠক, সাক্ষাৎকার বা প্যানেল আলোচনায় একসঙ্গে একাধিক ব্যক্তি কথা বললে অডিও রেকর্ডিং থেকে কে কী বলেছেন, তা আলাদা করে শনাক্ত করা বেশ কঠিন। আবার একই কথোপকথনে একাধিক ভাষা ব্যবহৃত হলে বিষয়টি আরও জটিল হয়ে ওঠে। এই সমস্যা সমাধানে নতুন এআই মডেল ‘মিউজ ভয়েস ট্রান্সক্রাইব’ উন্মোচন করেছে মেটা।
মেটার সুপারইন্টেলিজেন্স ল্যাবস ১ সেপ্টেম্বর মডেলটি উন্মোচন করে। প্রতিষ্ঠানটির দাবি, এটি তাদের প্রথম রিয়েলটাইম অডিও পারসেপশন মডেল। কথাকে দ্রুত লিখিত রূপ দেওয়ার পাশাপাশি একই সময়ে কোন বক্তব্য কোন বক্তার, কখন একজনের কথা শেষ হয়েছে এবং কখন অন্য বক্তা কথা শুরু করেছেন—এসবও শনাক্ত করতে পারে মডেলটি।
মেটার তথ্যমতে, মিউজ ভয়েস ট্রান্সক্রাইব ২০ জনের বেশি বক্তার দীর্ঘ কথোপকথনও প্রক্রিয়া করতে সক্ষম। ফলে বড় বৈঠক, সম্মেলন, সাক্ষাৎকার কিংবা প্যানেল আলোচনার অডিও থেকে আলাদা বক্তার বক্তব্য শনাক্ত করে ট্রান্সক্রিপ্ট তৈরি করা সহজ হতে পারে।
কীভাবে কাজ করবে?
মডেলটির গুরুত্বপূর্ণ প্রযুক্তিগুলোর একটি হলো স্ট্রিমিং অটোমেটিক স্পিচ রিকগনিশন বা এএসআর। প্রচলিত অনেক ট্রান্সক্রিপশন ব্যবস্থায় পুরো অডিও রেকর্ড হওয়ার পর সেটি বিশ্লেষণ করা হয়। কিন্তু স্ট্রিমিং এএসআর কথোপকথন চলার সময়ই ধাপে ধাপে বক্তব্যকে টেক্সটে রূপান্তর করতে পারে।
কোনো শব্দ পরিষ্কারভাবে শনাক্ত করা গেলে মডেল দ্রুত সেটিকে লিখিত রূপে দেখাবে। আবার উচ্চারণ অস্পষ্ট হলে বা বাক্যের পরবর্তী অংশ না শুনলে শব্দের অর্থ নিশ্চিত করা কঠিন হলে এটি আরও কিছু অডিও বিশ্লেষণ করে সিদ্ধান্ত নিতে পারে। এর মাধ্যমে দ্রুততার সঙ্গে নির্ভুলতার মধ্যে ভারসাম্য বজায় রাখার চেষ্টা করে মডেলটি।
আলাদা করা যাবে বক্তার বক্তব্য
মিউজ ভয়েস ট্রান্সক্রাইবের অন্যতম সুবিধা হলো স্পিকার ডায়ারাইজেশন। এই প্রযুক্তির মাধ্যমে একই কথোপকথনে বিভিন্ন ব্যক্তির বক্তব্য আলাদাভাবে শনাক্ত করা যায়। ফলে দীর্ঘ বৈঠক বা সাক্ষাৎকারের ট্রান্সক্রিপ্ট পড়ার সময় কোন অংশটি কোন বক্তার, তা সহজেই বোঝা সম্ভব হবে।
মডেলটিতে রয়েছে এন্ডপয়েন্টিং প্রযুক্তিও। এর মাধ্যমে একজন বক্তার বক্তব্য কখন শেষ হয়েছে এবং নতুন বক্তার বক্তব্য কখন শুরু হয়েছে, তা শনাক্ত করতে পারে এআই।
এক কথোপকথনে একাধিক ভাষা
বহুভাষী কথোপকথনের ক্ষেত্রেও মিউজ ভয়েস ট্রান্সক্রাইব কাজ করতে পারে। মেটার দাবি, মডেলটি ৭০টির বেশি ভাষার তথ্য ব্যবহার করে প্রশিক্ষিত হয়েছে এবং ২৫টির বেশি ভাষায় এর সক্ষমতা পরীক্ষা করা হয়েছে।
এতে রয়েছে কোড-সুইচিং শনাক্ত করার সুবিধা। অর্থাৎ, একজন ব্যক্তি কথা বলার সময় এক ভাষা থেকে অন্য ভাষায় চলে গেলে কিংবা একই আলোচনায় একাধিক ভাষা ব্যবহৃত হলে সেটিও শনাক্ত করতে পারবে মডেলটি।
কোথায় কাজে লাগতে পারে?
মিউজ ভয়েস ট্রান্সক্রাইবের ব্যবহার সবচেয়ে বেশি হতে পারে অনলাইন মিটিং, সংবাদ সাক্ষাৎকার, শিক্ষা, গ্রাহকসেবা এবং ভয়েসভিত্তিক এআই ব্যবস্থায়। বিশেষ করে একাধিক বক্তা ও ভাষা ব্যবহৃত দীর্ঘ কথোপকথন দ্রুত লিখিত রূপে সংরক্ষণ ও বিশ্লেষণের ক্ষেত্রে এটি কার্যকর হতে পারে।
মেটার মডেল এপিআইয়ের মাধ্যমে বর্তমানে মিউজ ভয়েস ট্রান্সক্রাইব 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।
নতুন এই মডেল সফলভাবে ব্যবহৃত হলে প্রচলিত ট্রান্সক্রিপশন ব্যবস্থায় থাকা বক্তা শনাক্তকরণ ও বহুভাষী কথোপকথন বোঝার সীমাবদ্ধতা অনেকটাই কমতে পারে। ফলে শুধু অডিওকে লেখায় রূপান্তর নয়, বরং পুরো কথোপকথনকে আরও কাঠামোবদ্ধভাবে বিশ্লেষণের সুযোগ তৈরি হবে।
ফিন্যান্সিয়াল বার্তা/এইচ