গুগল বুধবার দুটি নতুন টেক্সট-টু-স্পিচ মডেল প্রবর্তন করেছে — জেমিনি 3.8 ফ্ল্যাশ টিটিএস এবং জেমিনি 3.8 ফ্ল্যাশ-লাইট টিটিএস — তাদের এখনও পর্যন্ত সবচেয়ে অভিব্যক্তিপূর্ণ অডিও প্রজন্মের মডেল বলে অভিহিত করেছে৷ মডেলগুলি গুগল এআই স্টুডিও, জেমিনি এপিআই, জেমিনি এন্টারপ্রাইজ, জেমিনি নোটবুক এবং গুগল ভিডস জুড়ে উপলব্ধ, গ্রুপ প্রোডাক্ট ম্যানেজার লেল্যান্ড রেচিস এবং জেমিনি অডিও টিমের গবেষণা বিজ্ঞানের পরিচালক অ্যালান কওয়েনের Google-এর ঘোষণা অনুসারে।
লঞ্চটি ভয়েস প্রজন্মকে স্ট্যাটিক ভয়েস প্রিসেটের বাইরে নিয়ে যায় যা Google একটি সৃজনশীল স্টুডিও হিসাবে বর্ণনা করে: একটি টেক্সট প্রম্পট থেকে ডিজাইন করা ভয়েস, লাইন বাই লাইন পারফরম্যান্স নির্দেশিত, এবং শুরু থেকেই তৈরি নিরাপত্তা ভারা৷ এই এবং অন্যান্য রিলিজ সম্পর্কে আরও জানতে, আমাদের AI মডেল নিউজ দেখুন।
দুই মডেল, দুই চাকরি
এই জুটি পরিচিত Google ফ্যাশনে কাজের চাপকে বিভক্ত করে। জেমিনি 3.8 ফ্ল্যাশ টিটিএস গভীর সৃজনশীল দিকনির্দেশনা এবং চরিত্রের নকশার জন্য তৈরি করা হয়েছে — গেমিং, নিমজ্জিত অডিওবুক, পডকাস্ট এবং ইন্টারেক্টিভ মিডিয়ার জন্য প্রাকৃতিক ভাষার প্রম্পটের মাধ্যমে স্ক্র্যাচ থেকে সম্পূর্ণ নতুন ভয়েস তৈরি করা, অভিনয়ের সংকেত, পেসিং, উপভাষা পরিবর্তন এবং ব্যাকচ্যানেলিংয়ের উপর দানাদার নিয়ন্ত্রণ সহ। জেমিনি 3.8 ফ্ল্যাশ-লাইট টিটিএস হল ভলিউম প্লে: উচ্চ-ভলিউম ডাবিং, অডিও বিষয়বস্তু তৈরি এবং স্কেল এ অভিব্যক্তিপূর্ণ ভয়েস এজেন্টের জন্য অপ্টিমাইজ করা হয়েছে, কম খরচে স্বর, গতি এবং সূক্ষ্মতার উপর সূক্ষ্ম নিয়ন্ত্রণের সাথে।
Google-এর পজিশনিং এই জুটিকে "স্ট্যাটিক প্রিসেট থেকে একটি গতিশীল সৃজনশীল স্টুডিওতে" ভয়েস জেনারেশনকে রূপান্তরিত করে। কোম্পানি ফ্ল্যাগশিপ মডেলের জন্য প্রাকৃতিক গন্তব্য হিসাবে অডিওবুক, গেম এবং পডকাস্টের দিকে নির্দেশ করে, যখন লাইট ভেরিয়েন্টটি ডাবিং এবং সর্বদা-অন-অন ভয়েস এজেন্টের জন্য অস্বাভাবিক কিন্তু বিশাল বাজারকে লক্ষ্য করে, যেখানে প্রতি মিনিটের খরচ স্টার পাওয়ারের চেয়ে বেশি গুরুত্বপূর্ণ। উভয় মডেলই Google পণ্যগুলির মধ্যে একত্রিত হয়েছে - তাদের মধ্যে জেমিনি নোটবুক এবং Google Vids - এটি ইঙ্গিত দেয় যে প্রযুক্তিটি কেবলমাত্র API-র খেলার পরিবর্তে ভোক্তা-মুখী সরঞ্জামগুলিতে উপস্থিত হবে৷
একটি সম্পূর্ণ ভোকাল স্টুডিও, ৩০টি ভয়েস থেকে অসীম পর্যন্ত
গুগল বলেছে যে ডেভেলপাররা এখন 30টি আসল ভয়েস থেকে স্কেল করতে পারে যা এটি একটি অসীম লাইব্রেরি বলে। জেনারেটিভ ভয়েস ডিজাইন সিস্টেম ব্যবহারকারীদের 100 টিরও বেশি ভাষা এবং উপভাষায় ভূমিকা, উচ্চারণ এবং ভয়েস বৈশিষ্ট্যগুলি নির্দিষ্ট করে স্বতন্ত্র কণ্ঠস্বর তৈরি করতে দেয় — Google-এর ডেমোগুলি মেলবোর্ন থেকে একটি উচ্চ-শক্তির DJ ভয়েস থেকে একটি "সুপার-টিনি, একঘেয়ে রোবট" এবং একটি জাপানি ড্রাগন পর্যন্ত।
প্রজন্মের পাশাপাশি, মডেলগুলি মেক্সিকান স্প্যানিশ, কুইবেক ফ্রেঞ্চ এবং স্কটস ইংলিশের মতো আঞ্চলিক জাতগুলি সহ 2,000টিরও বেশি উত্পাদন-প্রস্তুত কণ্ঠের একটি লাইব্রেরি সহ পাঠানো হয়।
ভয়েস রেপ্লিকেশন গার্ডেলের সাথে অন্তর্ভুক্ত করা হয়েছে: ব্যবহারকারীরা শুধুমাত্র একটি 30-সেকেন্ডের অডিও নমুনা থেকে একটি সামঞ্জস্যপূর্ণ ভোকাল প্রোফাইল পুনরায় তৈরি করতে পারে — তাদের নিজস্ব ভয়েস, অথবা তাদের ব্যবহারের অধিকার রয়েছে — বিল্ট-ইন সম্মতি যাচাইকরণ, SynthID ওয়াটারমার্কিং এবং C2PA শংসাপত্র দ্বারা সমর্থিত৷ Google প্রজেক্ট জুড়ে কাস্টম ভয়েসগুলিকে সামঞ্জস্যপূর্ণ রাখার জন্য সেভ-এন্ড-স্কেল কার্যকারিতাও যোগ করছে, ভয়েস রিমিক্সিং — ফাইন-টিউনিং টিম্বার, পিচ, পেস এবং প্রম্পটের মাধ্যমে অ্যাকসেন্ট — শীঘ্রই আসছে বলে তালিকাভুক্ত করা হয়েছে।
পারফরম্যান্স পরিচালনা, লাইন বাই লাইন
উভয় মডেল সুনির্দিষ্ট প্রতি লাইন দিক সমর্থন করে। বিকাশকারীরা তাদের নিজস্ব মঞ্চের দিকনির্দেশনা লিখতে পারে বা মডেলটিকে প্রাকৃতিক স্ক্রিপ্টের সংকেত থেকে ডেলিভারি চালাতে দিতে পারে - একটি শান্ত গ্রাহক পরিষেবা এজেন্ট এবং একটি ফিসফিসড সাসপেন্স দৃশ্যের মধ্যে পার্থক্য। লিপিযুক্ত ভোকাল বিস্ফোরণ যেমন <হাসি>,
দুটি বৈশিষ্ট্য দীর্ঘ-ফর্ম এবং মাল্টি-ভয়েস কাজকে লক্ষ্য করে। লং-ফর্ম জেনারেশন ন্যূনতম স্পিকার ড্রিফ্ট সহ ঘন্টার অবিচ্ছিন্ন অডিও জুড়ে ভয়েসের গুণমান এবং গতি বজায় রাখে — পডকাস্ট এবং অডিওবুকগুলির লক্ষ্যে — যখন নেটিভ টু-স্পীকার দৃশ্য স্টেজিং প্রাকৃতিক টার্ন-টেকিং এবং স্পষ্টভাবে আলাদা ভয়েস সহ একটি একক স্ক্রিপ্ট থেকে বহু-পালা কথোপকথন পরিচালনা করে।
মানদণ্ড: Hume AI-তে নং 1
গুগল তৃতীয় পক্ষের নম্বর দিয়ে ঘোষণার নেতৃত্ব দিচ্ছে। জেমিনি 3.8 ফ্ল্যাশ টিটিএস হিউম AI এর ভয়েস ডিজাইন বেঞ্চমার্কে 71.4 স্কোর সহ সামগ্রিকভাবে # 1 স্থান দখল করেছে এবং 60.8 এ অ্যাকসেন্ট মডেলিংয়ে এগিয়ে রয়েছে। হিউম এআই-এর সামগ্রিক গুণমান সূচকে, দুটি নতুন মডেল যথাক্রমে #1 এবং #2 স্পট দাবি করেছে।
বিক্রেতার কাছ থেকে বেঞ্চমার্কের দাবিগুলি সর্বদা কিছু সতর্কতার সাথে পড়া উচিত, তবে হিউম এআই - একটি স্বাধীন ভয়েস এআই গবেষণা সংস্থা - বক্তৃতা মানের জন্য একটি যুক্তিসঙ্গত রেফারি, এবং স্কোরগুলি Google কে ভয়েস জেনারেশনে প্রতিদ্বন্দ্বীদের বিরুদ্ধে একটি নির্দিষ্ট কথা বলে দেয়৷
অডিও অস্ত্রের দৌড় অব্যাহত রয়েছে
নতুন মডেলগুলি একটি দ্রুত বর্ধনশীল জেমিনি অডিও পরিবারে যোগদান করেছে যার মধ্যে ইতিমধ্যেই 3.5 লাইভ ট্রান্সলেট, 3.5 ট্রান্সক্রাইব, 3.8 লাইভ এবং 3.8 লাইভ এক্সটেন্ডেড থিঙ্কিং রয়েছে — Google এই মাসের শুরুর দিকে রিয়েল-টাইম ভয়েস মডেলগুলি চালু করেছে৷ ক্যাডেন্স কোনো দুর্ঘটনা নয়: অভিব্যক্তিপূর্ণ, নির্ভরযোগ্য বক্তৃতা সংশ্লেষণ ভয়েস এজেন্ট, গ্রাহক সহায়তা, অ্যাক্সেসিবিলিটি টুলস এবং মিডিয়া উৎপাদনের জন্য মূল পরিকাঠামো হয়ে উঠছে এবং Google চায় জেমিনিকে এই সমস্ত কিছুর জন্য ডিফল্ট স্তর হতে।
ডেভেলপারদের জন্য, তাৎক্ষণিক টেকঅ্যাওয়ে ভবিষ্যতের চেয়ে বাস্তবসম্মত: কাস্টম-ব্র্যান্ডেড ভয়েস, বহুভাষিক ডাবিং এবং ঘন্টাব্যাপী বর্ণনা এখন জেমিনি এপিআই এবং এআই স্টুডিওর মধ্যে একটি প্রম্পট দূরে — ওয়াটারমার্ক সংযুক্ত।
সেই সম্ভাবনার কতটা ব্যবহার করা হবে তা অর্থনীতি সিদ্ধান্ত নেবে। গুগল লঞ্চের উপকরণগুলিতে মূল্যের উপর জোর দেয়নি, তবে একটি ফ্ল্যাশ-লাইট স্তরের অস্তিত্ব বোঝায় বাল্ক ওয়ার্কলোডের জন্য একটি ইচ্ছাকৃত কম খরচের বিকল্প, এটি জেমিনি মডেল পরিবার জুড়ে প্রযোজ্য টিয়ারিং কৌশলটিকে প্রতিফলিত করে। জেমিনি এন্টারপ্রাইজের এন্টারপ্রাইজগুলি তাদের বিদ্যমান চুক্তির পিছনে একই ক্ষমতা পায়, যেখানে Google উচ্চ-ভলিউম অডিও উৎপাদনের সিংহভাগ ল্যান্ড করার আশা করে।
সৃজনশীল শিল্প কত দ্রুত সংশ্লেষিত বর্ণনা গ্রহণ করে তা এখন দেখার বিষয়। ওয়াটারমার্কিং এবং সম্মতি যাচাই আইনি এবং নৈতিক বাধাগুলি কমিয়ে দেয় এবং বেঞ্চমার্ক নম্বরগুলি নির্দেশ করে যে গুণমান আর বাধা নয়। যদি Google-এর দাবিগুলি বাস্তবে ধরে থাকে, তাহলে রেকর্ড করা মানুষের ভয়েসওভার এবং জেনারেট করা একটির মধ্যে ব্যবধান এখন যথেষ্ট সংকীর্ণ যে খরচ এবং পরিবর্তন - প্রামাণিকতা নয় - বেশিরভাগ প্রকল্পের জন্য সিদ্ধান্ত নেবে৷
---
এআই থেকে এগিয়ে থাকুনসর্বশেষ AI খবর, বিশ্লেষণ এবং সাফল্য পান — সব এক জায়গায়।
আরও এআই খবর পড়ুন →
