গুগল লাইভ অবতার প্রবর্তন করেছে, জেমিনি 3.8 লাইভের জন্য একটি নতুন ক্ষমতা যা কোম্পানির কথোপকথনমূলক এআইকে একটি কাছাকাছি-রিয়েল-টাইম ভিডিও ফেস দেয়। তার অফিসিয়াল ঘোষণায়, WERSM দ্বারা বিশদভাবে বর্ণিত, Google একটি এন্টারপ্রাইজ এজেন্ট হিসাবে বৈশিষ্ট্যটিকে উপস্থাপন করে যা একটি গতিশীল ভিজ্যুয়াল ব্যক্তিত্ব বজায় রেখে শুনতে, দেখতে এবং কথা বলতে পারে — কোম্পানির ব্যবসায়িক এআই অফার জেমিনি এন্টারপ্রাইজের মাধ্যমে উপলব্ধ।
রোলআউটটি প্রায় এক সপ্তাহ ধরে কভারেজ সংগ্রহ করছে: ইন্ডাস্ট্রি আউটলেটগুলি গত সপ্তাহের শেষের দিকে জেমিনি 3.8 লাইভে ভিজ্যুয়াল-প্রেজেন্স ফিচার রিপোর্ট করা শুরু করেছে, এবং ডেকান হেরাল্ড সোমবার আরও খবরটি নিয়ে গেছে, উল্লেখ করেছে যে বৈশিষ্ট্যটি "এআই চ্যাটবটে একটি মুখ রাখে"। AI টুলস এবং অ্যাসিস্ট্যান্টস মূল্যায়ন করা ব্যবসার জন্য, এন্টারপ্রাইজ কথোপকথনমূলক AI কোথায় যাচ্ছে সেই ঘোষণার সংকেত: কম চ্যাট উইন্ডো, আরও বেশি একটি সর্বদা-অন-অন পরিষেবা প্রতিনিধি।
লাইভ অবতার আসলে কি করে
লাইভ অবতার জেমিনীর লাইভ ডায়ালগ ক্ষমতার সাথে কাছাকাছি-রিয়েল-টাইম ভিডিও জেনারেশনকে একত্রিত করে। Google সুনির্দিষ্ট ঠোঁট-সিঙ্কিং, প্রাকৃতিক অভিব্যক্তি এবং তরল টার্ন-টেকিং হাইলাইট করে — এমন যান্ত্রিক যা কথা বলার মাথাকে অদ্ভুত না করে উপস্থিত অনুভব করে।
কিন্তু আরও ফলাফলমূলক বিবরণ মুখের পিছনে বসে। ঘোষণা অনুযায়ী:
- একযোগে মাল্টিমোডাল ইনপুট। এজেন্ট একই সময়ে ভিজ্যুয়াল এবং অডিও ইনপুটগুলিকে আলাদা মোড় হিসাবে পরিচালনা করার পরিবর্তে প্রক্রিয়া করতে পারে।
- অ্যাসিঙ্ক্রোনাস টুল কল। কথোপকথন চলতে থাকলে লাইভ অবতার ব্যাকগ্রাউন্ডে তথ্য আনতে পারে। Google-এর উদাহরণ হল একটি হোটেল চেক-ইন, যেখানে এজেন্ট অতিথিকে লোডিং অবস্থার দিকে তাকিয়ে না রেখে একটি জটিল কাজ পরিচালনা করে।
- 97-ভাষা কভারেজ। গুগল বলেছে যে অবতারটি দৃশ্যমান প্রবাহ ছাড়াই ঠোঁট-সিঙ্ক এবং অভিব্যক্তিগুলিকে অভিযোজিত করার সময় 97টি ভাষার মধ্যে যেতে পারে — একই ব্র্যান্ডেড এজেন্ট তার কথ্য সরবরাহ পরিবর্তন করার সময় বাজার জুড়ে একটি সামঞ্জস্যপূর্ণ পরিচয় বহন করে।
সেই শেষ পয়েন্টটি বৈশিষ্ট্যটির সবচেয়ে বাণিজ্যিকভাবে তাৎপর্যপূর্ণ হতে পারে। একটি প্রচলিত চ্যাটবট ব্যবহারকারীকে উত্তরের জন্য অপেক্ষা করে; একটি লাইভ অবতার ডিজাইন করা হয়েছে যাতে সিস্টেমের নিচে কাজ করার সময় মিথস্ক্রিয়া চলমান থাকে। মুখ ধারাবাহিকতা তৈরি করে, কিন্তু অন্তর্নিহিত আচরণ একটি পরিষেবা কর্মপ্রবাহের কাছাকাছি যা কথোপকথন বজায় রাখে।
চ্যাটবট থেকে ব্র্যান্ডেড উপস্থিতি
Google এর ফ্রেমিং ব্র্যান্ডগুলিকে টগল সক্ষম করার চেয়ে আরও বেশি কিছু করতে বলে৷ লাইভ অবতার স্থাপনকারী সংস্থাগুলিকে একটি চরিত্র ডিজাইন করার জন্য আমন্ত্রণ জানানো হচ্ছে — একটি চাক্ষুষ পরিচয়, কথা বলার ধরণ, একটি ব্যক্তিত্ব যা তাদের গ্রাহকরা টাচপয়েন্ট এবং ভাষা জুড়ে চিনতে পারবে৷
এটি এন্টারপ্রাইজ এআইকে একটি ইউটিলিটি ব্যবহারকারীদের সহ্য করে এমন একটি উপস্থিতিতে ব্যবহারকারীদের সাথে সম্পর্কিত একটি উপস্থিতিতে স্থানান্তরিত করে এবং এটি ডিজাইনের সিদ্ধান্ত নেয় — এজেন্টটি কেমন দেখায়, এটি কীভাবে প্রতিক্রিয়া দেখায়, কখন এটি হাসে - নীচে মডেলের গুণমানের মতো একই পদে। এটি সামঞ্জস্যের উপরও ঝুঁকি বাড়ায়: একটি অবতার যা ভাষা জুড়ে নিজেকে বিরোধিতা করে, বা বিভিন্ন চ্যানেলে ভিন্নভাবে আচরণ করে, মুখটি যে বিশ্বাস তৈরি করতে চাওয়া হয়েছে তাকে ক্ষুন্ন করে।
এন্টারপ্রাইজ প্রথমে, আপাতত
প্রাথমিক উপলব্ধতা জেমিনি এন্টারপ্রাইজের মধ্যে সীমাবদ্ধ, একাধিক রিপোর্ট অনুসারে, এবং Google গ্রাহক রোলআউটের জন্য একটি টাইমলাইন ঘোষণা করেনি। এটি লাইভ অবতারকে Google-এর AI বৈশিষ্ট্যগুলির জন্য একটি পরিচিত প্যাটার্নে রাখে: ব্যবসায়িক পণ্যগুলি প্রথমে পাঠানো হয়, যেখানে মোতায়েন নিয়ন্ত্রণ করা হয় এবং নগদীকরণ সরাসরি হয়, ক্ষমতাগুলি পাবলিক অ্যাসিস্ট্যান্টের কাছে পৌঁছানোর আগে৷
এন্টারপ্রাইজ-প্রথম পদ্ধতিটি বৈশিষ্ট্যটি কী দাবি করে তাও প্রতিফলিত করে। লাইভ কথোপকথনের উপরে স্তরযুক্ত রিয়েল-টাইম ভিডিও জেনারেশন গণনাগতভাবে ব্যয়বহুল, এবং এন্টারপ্রাইজ ওয়ার্কলোড - গ্রাহক পরিষেবা ডেস্ক, বুকিং ফ্লো, ব্যক্তিগত কিয়স্ক - সংজ্ঞায়িত স্কোপের সাথে আসে যেখানে কর্মীদের সময় প্রতিস্থাপন বা বৃদ্ধির বিপরীতে খরচ ন্যায্য হতে পারে।
বিশ্বাসের সমীকরণ
একটি মুখ ব্যবহারকারীরা কী লক্ষ্য করে এবং তারা কী ক্ষমা করে তা পরিবর্তন করে। সুনির্দিষ্ট ঠোঁট-সিঙ্কিং, প্রাকৃতিক অভিব্যক্তি এবং তরল টার্ন নেওয়ার উপর Google-এর জোর প্রসাধনী নয়: সেগুলি হল সেই সীম যেখানে একটি কৃত্রিম ব্যক্তিত্ব ভেঙে যায়, এবং ব্যবহারকারীরা একটি স্থির বাক্যকে চিহ্নিত করার চেয়ে একটি বিলম্বিত প্রতিক্রিয়া বা একটি ভুল সময়ের অভিব্যক্তি খুঁজে পেতে অনেক দ্রুত।
যে ব্যবসার জন্য উভয় উপায় কাটা. একটি ভালভাবে সঞ্চালিত অবতার একটি স্বয়ংক্রিয় পরিষেবা উপস্থিত অনুভব করতে পারে; একটি খারাপভাবে সম্পাদিত ব্যক্তি একই অটোমেশনকে প্রতারণামূলক বোধ করতে পারে — এমন একটি মুখ যা অন্তর্নিহিত সিস্টেমে নেই। অ্যাসিঙ্ক্রোনাস টুল যেগুলিকে Google বর্ণনা করে তা হল, সেই অর্থে, একটি আস্থার ব্যবস্থাও: উত্তর ইতিমধ্যে প্রস্তুত হওয়ার ভান না করে, সিস্টেম কাজ করার সময় অবতার কথোপকথনটিকে দৃশ্যমানভাবে জীবন্ত রাখে৷
লাইভ অবতার স্থাপনকারী উদ্যোগগুলি কার্যকরভাবে কোরিওগ্রাফির উপর বিচার করা হবে — ব্যক্তিত্ব কীভাবে বিরতি, সংশোধন এবং বাধাগুলি পরিচালনা করে। ঘোষণাটি প্রস্তাব করে যে গুগল সেই মুহুর্তগুলিকে পোলিশের পরিবর্তে মূল ইঞ্জিনিয়ারিং সমস্যা হিসাবে বিবেচনা করেছে, যে কোনও গ্রাহক-মুখী স্থাপনার দাবি করবে।
কেন এটা গুরুত্বপূর্ণ
ভয়েস সহকারীরা এআইকে কথোপকথন করে তোলে; অবতার এটি উপস্থাপনামূলক করে তোলে। যদি লাইভ অবতার বর্ণনা অনুযায়ী পারফর্ম করে — সিঙ্ক্রোনাস দৃষ্টি ও শব্দ, ব্যাকগ্রাউন্ড টুল ব্যবহার, বহুভাষিক লিপ-সিঙ্ক — এন্টারপ্রাইজ AI-এর ইন্টারফেস একটি টেক্সট বক্স হওয়া বন্ধ করে এবং একটি কোম্পানি নিয়ন্ত্রণ করে এমন একটি চরিত্র হতে শুরু করে।
খোলা প্রশ্ন হল দত্তক নেওয়া: ব্যবসাগুলি আসলে তাদের AI-এর একটি মুখ থাকতে চায়, বা বৈশিষ্ট্যটি একটি ডেমো-ফ্লোর শোপিস থেকে যায় কিনা। গুগল প্রাক্তন উপর বাজি আছে. 97টি ভাষা এবং ব্যাকগ্রাউন্ড টুল ব্যবহারের সাথে সাথে, কোম্পানিটি বিশ্বব্যাপী ব্র্যান্ডগুলি খুঁজে পাওয়া সহজ করে দিয়েছে।
---
এআই থেকে এগিয়ে থাকুনসর্বশেষ AI খবর, বিশ্লেষণ এবং সাফল্য পান — সব এক জায়গায়।
আরও এআই খবর পড়ুন →
