মেটা সোমবার একটি নতুন অডিও এআই মডেল উন্মোচন করেছে যা একাধিক স্পিকারের মধ্যে পার্থক্য করতে পারে এবং রিয়েল টাইমে একাধিক ভাষার প্রতিলিপি করতে পারে, এনগ্যাজেট অনুসারে, একটি পদক্ষেপ যা কোম্পানিকে স্পিচ এআই-এর জন্য ক্রমবর্ধমান ভিড়ের বাজারে আরও গভীরে ঠেলে দেয়। দ্য ইনফরমেশন প্রথমে অডিও মডেল ঘোষণার রিপোর্ট করেছিল, যখন একটি সহযোগী পণ্য - মিউজ ভয়েস ট্রান্সক্রাইব, ম্যাকে রিয়েল-টাইম ভয়েস ডিক্টেশন নিয়ে আসে - 9to5Mac দ্বারা বিস্তারিত ছিল।
টুইন রিলিজ সিগন্যাল যে মেটা ভয়েসকে তার AI স্ট্যাকের জন্য প্রথম-শ্রেণীর ইনপুট হিসাবে বিবেচনা করছে, কোন চিন্তাভাবনা নয়। রিয়েল-টাইম ট্রান্সক্রিপশন যা ওভারল্যাপিং স্পিকার, ভাষা পরিবর্তনের মধ্য-কথোপকথন এবং সিস্টেম-ওয়াইড ডিক্টেশন পরিচালনা করতে পারে এমন ক্ষমতা যা একটি অভিনব বৈশিষ্ট্য থেকে ভয়েসকে দৈনন্দিন-ব্যবহারের ইন্টারফেসে পরিণত করে। For more context on this story, see our ongoing artificial intelligence updates.
এক মডেল, অনেক কণ্ঠ, অনেক ভাষা
শিরোনাম ক্ষমতা, যেমন Engadget রিপোর্ট করেছে, বাস্তব সময়ে একাধিক স্পিকার এবং একাধিক ভাষার মধ্যে পার্থক্য করার মডেলের ক্ষমতা। এই সংমিশ্রণটি ব্যবহারিক ট্রান্সক্রিপশনের দুটি কঠিন সমস্যা একই সাথে সমাধান করে: স্পিকার ডায়ারাইজেশন — কে কী বলেছে তা খুঁজে বের করা — এবং বহুভাষিক স্বীকৃতি, যেখানে একটি কথোপকথন বিরতি ছাড়াই ভাষার মধ্যে চলে যায়।
বেশিরভাগ বিদ্যমান ট্রান্সক্রিপশন পাইপলাইনগুলিকে পৃথক পর্যায় হিসাবে বিবেচনা করে: প্রথমে একটি ডায়েরাইজেশন মডেল স্পিকারকে বিভক্ত করে, তারপর একটি স্বীকৃতি মডেল প্রতিটি অংশকে প্রতিলিপি করে। এগুলিকে একটি একক রিয়েল-টাইম মডেলে মিশ্রিত করা যা লাইভ ব্যবহারের ক্ষেত্রে প্রযুক্তিকে কার্যকর করে তোলে — মিটিং, সাক্ষাত্কার, গ্রাহক কল, লাইভ অনুবাদ ওভারলে — যেখানে পোস্ট-প্রসেসিংয়ের জন্য অপেক্ষা করা উদ্দেশ্যকে হারায়।
মিউজ ভয়েস ট্রান্সক্রাইব প্রতিটি ম্যাক অ্যাপে ডিকটেশন নিয়ে আসে
মডেলের পাশাপাশি, মেটা ম্যাকওএসের জন্য মিউজ ভয়েস ট্রান্সক্রাইব চালু করেছে। 9to5Mac রিপোর্ট করা হয়েছে, টুলটি রিয়েল-টাইম ভয়েস ডিক্টেশন প্রদান করে যা ম্যাক অ্যাপ্লিকেশন জুড়ে কাজ করে - কার্যকরভাবে একটি স্বতন্ত্র অ্যাপের পরিবর্তে একটি সিস্টেম-ওয়াইড ডিক্টেশন লেয়ার। গ্যাজেট রিভিউ-এর কভারেজ একে প্রতিটি ম্যাক অ্যাপে রিয়েল-টাইম ডিক্টেশন আনয়ন হিসাবে বর্ণনা করেছে।
যে নকশা দত্তক জন্য গুরুত্বপূর্ণ. শ্রুতিমধুর সরঞ্জামগুলি ঘর্ষণে বেঁচে থাকে বা মারা যায়: ব্যবহারকারীদের যদি একটি পৃথক উইন্ডো থেকে পাঠ্য অনুলিপি করতে হয় তবে তারা এটি ব্যবহার করা বন্ধ করে দেয়। সিস্টেম লেভেলে কাজ করার অর্থ হল ভয়েস ইনপুট যেখানেই কার্সার মিটমিট করে — ইমেল, কোড এডিটর, মেসেজিং অ্যাপস, ডকুমেন্টস — যে কোনও জায়গায় উপলব্ধ হয়ে যায় — যেভাবে সবচেয়ে সফল ডিক্টেশন টুলগুলি তাদের দর্শকদের মন জয় করেছে৷
ম্যাক রিলিজটি মেটার জন্য উল্লেখযোগ্য অঞ্চলও চিহ্নিত করে। কোম্পানির AI প্রচেষ্টাগুলি তার মোবাইল অ্যাপস, এর মেটা এআই সহকারী এবং এর লামা-ফ্যামিলি এবং মিউজ-ফ্যামিলি মডেলগুলির উপর কেন্দ্রীভূত হয়েছে। অ্যাপলের প্ল্যাটফর্মের জন্য একটি পালিশ ডেস্কটপ উত্পাদনশীলতা সরঞ্জাম শিপিং করা মেটাকে একটি পেশাদার ব্যবহারকারী বেসের সাথে সরাসরি যোগাযোগে রাখে যা এটি ঐতিহাসিকভাবে পৌঁছানোর জন্য সংগ্রাম করেছে — এবং এটিকে প্ল্যাটফর্মে প্রতিষ্ঠিত ডিক্টেশন এবং ট্রান্সক্রিপশন ইউটিলিটিগুলির সাথে প্রতিযোগিতায় রাখে।
একটি জনাকীর্ণ মাঠ যা দ্রুততর হতে থাকে
মেটা এমন একটি বাজারে প্রবেশ করছে যা গত দুই বছরে পুনঃনির্ধারিত এবং পুনরায় ইঞ্জিনিয়ার করা হয়েছে। ওপেনএআই-এর হুইস্পার ওপেন-সোর্স মডেলগুলি অ্যাক্সেসযোগ্য বহুভাষিক ট্রান্সক্রিপশনের জন্য বেসলাইন সেট করে এবং কোম্পানির প্রদত্ত GPT ট্রান্সক্রাইব এপিআই বাণিজ্যিক বাজারের দামের অনেকাংশ কমিয়ে দেয়। Google, ইতিমধ্যে, একই দিকে কঠোর ধাক্কা দিয়েছে: রিয়েল টাইমে কয়েক ডজন ভাষা কভার করে জেমিনি-চালিত ট্রান্সক্রিপশন মডেলগুলি ডেভেলপারদের কাছে আনা হয়েছে, যেমনটি আমরা কভার করেছি যখন Google তার 85-ভাষা রিয়েল-টাইম স্পিচ ট্রান্সক্রিপশন মডেলগুলি পাঠিয়েছে।
সেই পটভূমিতে, পার্থক্য কাঁচা নির্ভুলতা থেকে স্থানান্তরিত হয়েছে — যেখানে নেতারা একে অপরের শব্দের মধ্যে স্ট্যান্ডার্ড বেঞ্চমার্কগুলিতে ক্লাস্টার করা হয়েছে — ব্যবহারিক বিবরণগুলিতে: লেটেন্সি, স্পিকার হ্যান্ডলিং, ভাষার মধ্যে কোড-স্যুইচিং, মূল্য নির্ধারণ এবং মডেলটি কোথায় চলে। রিয়েল টাইমে একযোগে মাল্টি-স্পিকার এবং বহুভাষিক স্বীকৃতির উপর মেটার জোর সেই ব্যবহারিক বিবরণগুলিকে সুনির্দিষ্টভাবে লক্ষ্য করে।
কণ্ঠস্বর হঠাৎ কৌশলী কেন?
টাইমিং আকস্মিক নয়। ভয়েস AI এজেন্টদের জন্য ডিফল্ট ইন্টারফেস হয়ে উঠছে, এবং যে কোম্পানিগুলি অডিও স্তরের মালিক — ক্যাপচার, ট্রান্সক্রিপশন, বোঝাপড়া, প্রতিক্রিয়া — সহকারী অভিজ্ঞতার সবচেয়ে স্বাভাবিক প্রবেশ বিন্দু নিয়ন্ত্রণ করে৷ মেটা AI চশমা এবং পরিধানযোগ্য ডিভাইসগুলির জন্য তার উচ্চাকাঙ্ক্ষা সম্পর্কে প্রকাশ্যে এসেছে, যেখানে ভয়েস মূলত একমাত্র ব্যবহারিক ইনপুট। একটি দ্রুত, নির্ভুল, অন-দ্য-গো অডিও মডেল হল সেই রোডম্যাপের পরিকাঠামো৷
এছাড়াও এন্টারপ্রাইজ কোণ আছে. মিটিং, সাপোর্ট কল, এবং ফিল্ড ওয়ার্ক মাল্টি-স্পিকার অডিওর বিশাল ভলিউম তৈরি করে যা সংস্থাগুলি অনুসন্ধানযোগ্য এবং কার্যকর করতে চায়। একটি মডেল যা কথোপকথন হওয়ার সাথে সাথে নির্ভরযোগ্যভাবে প্রতিলিপি করে — স্পিকার লেবেলযুক্ত এবং ম্যানুয়াল কনফিগারেশন ছাড়াই পরিচালনা করা ভাষা সহ — একটি ডেমো এবং একটি পণ্যের মধ্যে পার্থক্য।
রিয়েল-টাইম ট্রান্সক্রিপশন সুবিধার বাইরেও সুবিধা বহন করে। লাইভ ক্যাপশনগুলি সভা, শ্রেণীকক্ষ এবং সম্প্রচারগুলি বধির এবং শ্রবণে অক্ষম ব্যবহারকারীদের জন্য অ্যাক্সেসযোগ্য করে তোলে এবং তাত্ক্ষণিক বহুভাষিক ক্যাপশনগুলি আন্তর্জাতিক দলগুলির জন্য ভাষার বাধা কম করে৷ যখন ট্রান্সক্রিপশন প্রাকৃতিক বক্তৃতার সাথে তাল মিলিয়ে চলার জন্য যথেষ্ট দ্রুত এবং একসাথে একাধিক স্পিকার ট্র্যাক করার জন্য যথেষ্ট শক্তিশালী হয়, তখন সেই অ্যাক্সেসিবিলিটি বৈশিষ্ট্যগুলি বিশেষ থাকার জায়গা হওয়া বন্ধ করে এবং দৈনন্দিন সরঞ্জামগুলিতে তৈরি ডিফল্ট হয়ে যায়।
মেটা প্রাথমিক কভারেজের মূল্য বা সম্পূর্ণ প্রাপ্যতার বিশদ ঘোষণা করেনি। তবে দিকটি অস্পষ্ট: এআই স্ট্যাকের অডিও স্তর, দীর্ঘকাল ধরে একটি পণ্য হিসাবে বিবেচিত, এখন প্ল্যাটফর্ম যুদ্ধের একটি ফ্রন্ট - এবং মেটা এটিতে লড়াই করার সিদ্ধান্ত নিয়েছে।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
