মুখের কথাকে লিখিত বার্তায় রূপান্তরের নতুন এআই মডেল উদ্ভাবন করেছে মেটা

ব্যবহারকারীদের মুখের কথাকে তাৎক্ষণিকভাবে লিখিত বার্তায় রূপান্তর করার জন্য নতুন একটি কৃত্রিম বুদ্ধিমত্তানির্ভর (এআই) মডেল উন্মোচন করেছে প্রযুক্তি জায়ান্ট মেটা। প্রতিষ্ঠানটির নতুন উদ্ভাবিত ‘মিউজ ভয়েস ট্রান্সক্রাইব’ নামের এই মডেলটি মুখের কথাকে সঙ্গে সঙ্গে লেখায় পরিণত করতে সক্ষম বলে দাবি করা হয়েছে।

🔴 মূল পয়েন্ট

• 📌 মেটা উদ্ভাবিত ‘মিউজ ভয়েস ট্রান্সক্রাইব’ মডেল মুখের কথাকে তাৎক্ষণিকভাবে লেখায় রূপান্তর করতে পারে
• 📌 প্রাথমিকভাবে মডেলটি ২৫টি ভাষায় মুখের কথাকে লেখায় রূপান্তর করতে সক্ষম
• 📌 মডেলটি ৭০টির বেশি ভাষার অডিও শুনতে ও প্রক্রিয়াজাত করতে পারে
• 📌 একাধিক বক্তার কণ্ঠ শনাক্ত করতে পারে এবং একসঙ্গে ২০ জন বক্তার কথা আলাদাভাবে লিখতে পারে
• 📌 প্রতি ১ হাজার মিনিট অডিও প্রক্রিয়াজাত করতে খরচ হবে ৩ ডলার

📰 বিস্তারিত

মেটার সুপারইন্টেলিজেন্স ল্যাবস জানিয়েছে, তাদের নতুন উদ্ভাবিত ‘মিউজ ভয়েস ট্রান্সক্রাইব’ মডেলটি মুখের কথাকে তাৎক্ষণিকভাবে লেখায় রূপান্তর করতে সক্ষম। প্রাথমিকভাবে মডেলটি ২৫টি ভাষায় মুখের কথাকে লেখায় পরিণত করতে পারলেও, এটি ৭০টির বেশি ভাষার অডিও শুনতে ও প্রক্রিয়াজাত করতে পারে। ফলে বৈশ্বিক ব্যবহারকারীদের জন্য এটি একটি গুরুত্বপূর্ণ উদ্ভাবন হিসেবে বিবেচিত হচ্ছে।

মডেলটির অন্যতম বৈশিষ্ট্য হলো এটি একাধিক বক্তার কণ্ঠ শনাক্ত করতে পারে। একসঙ্গে ২০ জন বক্তার কথা আলাদাভাবে লিখতে সক্ষম হওয়ায় যেকোনো বৈঠক বা আলোচনার অডিও রেকর্ডিং থেকে সহজেই প্রতিটি বক্তার কথা আলাদাভাবে লিখে ফেলা সম্ভব। এছাড়া মডেলটি কথা বলার সময়ই অডিওকে লেখায় রূপান্তর করতে পারে, ফলে অডিও ধারণের পর আলাদাভাবে তা প্রক্রিয়াজাত করার প্রয়োজন হয় না।

মেটার তথ্যমতে, মডেলটির আরেকটি উল্লেখযোগ্য বৈশিষ্ট্য হলো ‘অ্যাডাপটিভ ডিলে’। এই প্রযুক্তির মাধ্যমে মডেলটি প্রতিটি শব্দ লেখার আগে কতক্ষণ অডিও শুনতে হবে, তা পরিস্থিতি অনুযায়ী নিজেই নির্ধারণ করে। সহজে শনাক্ত করা যায় এমন কথা দ্রুত লেখায় রূপান্তর করলেও, কোনো শব্দ বুঝতে সমস্যা হলে মডেলটি আরও কিছু সময়ের অডিও শুনে প্রয়োজনীয় প্রসঙ্গ বোঝার চেষ্টা করে। ফলে দ্রুত ও নির্ভুলতার মধ্যে ভারসাম্য বজায় রাখা সম্ভব হয়।

"মিউজ ভয়েস ট্রান্সক্রাইব মডেলটি মুখের কথাকে তাৎক্ষণিকভাবে লেখায় রূপান্তর করতে পারে। একাধিক বক্তার কণ্ঠ শনাক্ত করতে পারায় যেকোনো বৈঠকের অডিও থেকে আলাদাভাবে কথাগুলো লিখতে পারে।"

📊 তথ্যের সারসংক্ষেপ

• 📍 স্থান: মার্কিন যুক্তরাষ্ট্র (মেটার সদর দপ্তর)
• 👥 খবরের মুখ্য ব্যক্তি: মেটার সুপারইন্টেলিজেন্স ল্যাবস
• 🔢 গুরুত্বপূর্ণ সংখ্যা: ৭০টি ভাষা, ২৫টি ভাষা, ২০ জন বক্তা, ৩ ডলার প্রতি ১ হাজার মিনিট