কৃত্রিম বুদ্ধিমত্তার দ্রুত অগ্রগতির ফলে কম্পিউটার এখন মানুষের মতো দেখতে, শুনতে এবং কথা বলতে পারছে। মাল্টি-মোডাল এআই এবং রিয়েল-টাইম ভয়েস ক্লোনিং প্রযুক্তির কল্যাণে বিজ্ঞান কল্পকাহিনীর গল্প এখন বাস্তবে রূপ নিচ্ছে। ধরা যাক, কোনো জটিল বৈজ্ঞানিক তত্ত্ব বোঝার চেষ্টা করছেন আপনি। হঠাৎ করেই আপনার ল্যাপটপ থেকে ভেসে আসে আলবার্ট আইনস্টাইনের গম্ভীর কণ্ঠস্বর, যা সহজ বাংলায় কৌতুকের ছলে সেই তত্ত্বটি বুঝিয়ে দিচ্ছে। অথবা, হ্যারি পটার জগতের ডাম্বলডোরের কণ্ঠে ব্ল্যাকহোলের গল্প শুনতে পারার অভিজ্ঞতা এখন প্রযুক্তির হাতছানি।
অতীতে এআই ছিল মূলত টেক্সটভিত্তিক। টেক্সট লিখে প্রশ্ন করলে টেক্সট আকারেই উত্তর মিলত, আর কোনো ছবি দেখিয়ে প্রশ্ন করলে কেবল তার বিবরণ পেতেন ব্যবহারকারী। কিন্তু ২০২৬ সালের নতুন মডেলগুলো সম্পূর্ণ ভিন্ন চিত্র উপস্থাপন করছে। উদাহরণ হিসেবে ওপেনএআই-এর o1 সিরিজ কিংবা গুগলের জেমিনাই লাইভের কথা বলা যায়, যেগুলো সম্পূর্ণরূপে মাল্টি-মোডাল। মোডালিটি বলতে টেক্সট, অডিও, ভিডিও ও ছবির মতো যোগাযোগের বিভিন্ন মাধ্যমকে বোঝায়। যখন কোনো একটি এআই এই সকল মাধ্যম একত্রে প্রক্রিয়াকরণ করতে পারে, তখন তাকে মাল্টি-মোডাল হিসেবে আখ্যায়িত করা হয়।
বাস্তব জীবনের একটি ছোট দৃশ্যপট এঁকে দেখা যাক। ধরুন, আপনি আপনার ল্যাপটপের ক্যামেরাটি চালু করে তার সামনে একটি ছেঁড়া তার ও একটি সার্কিট বোর্ড ধরেছেন। এআই তার ডিজিটাল দৃষ্টি দিয়ে লাইভ ভিডিওটি পর্যবেক্ষণ করবে। আপনি মুখে প্রশ্ন করলেন, 'এই সার্কিটটা কীভাবে জোড়া দেব, সেটা বলো তো?' সঙ্গে সঙ্গে এআই, একজন সত্যিকারের মানুষের ন্যায়, স্বাভাবিক গলায় ও রোবোটিক সুর ছাড়াই আপনার প্রশ্ন শুনে পুরো প্রক্রিয়াটি বুঝিয়ে দেবে।
এই পুরো প্রযুক্তির সবচেয়ে চমকপ্রদ ও প্রায় অলৌকিক উপাদানটি হলো ভয়েস ক্লোনিং। পূর্বে কোনো নির্দিষ্ট ব্যক্তির কণ্ঠে কথা বলাতে হলে সেই মানুষটির ঘণ্টার পর ঘণ্টা ধরে রেকর্ড করা অডিও শুনিয়ে এআইকে দীর্ঘদিন প্রশিক্ষণ দিতে হতো। বর্তমানে পরিস্থিতি সম্পূর্ণ বদলে গেছে। মাত্র ৩ থেকে ৫ সেকেন্ডের একটি অডিও ক্লিপই যথেষ্ট। কেউ যদি মাইক্রোফোনে ৫ সেকেন্ডের জন্য বলে ওঠেন, “হ্যালো, কেমন আছেন?”, এই স্বল্প সময়ের মধ্যে এআই তার কণ্ঠস্বরের পিচ, টোন, কথা বলার গতি এবং আঞ্চলিক টান সম্পূর্ণ নিখুঁতভাবে বিশ্লেষণ করে ফেলে। এরপর সেই কৃত্রিম কণ্ঠ দিয়ে একটি সম্পূর্ণ উপন্যাস বা কোনো বৈজ্ঞানিক নিবন্ধ হুবহু তার নিজের গলার মতো করে পাঠ করানো সম্ভব।
চিকিৎসা বিজ্ঞানেও এই প্রযুক্তির একটি গভীর মানবিক প্রয়োগ দেখা যাচ্ছে। যেসব ব্যক্তি জটিল রোগ বা অস্ত্রোপচারের কারণে তাদের কণ্ঠস্বর চিরতরে হারিয়ে ফেলেছেন, তাদের অনেক পুরনো একটি ক্ষুদ্র অডিও ক্লিপ থেকে কণ্ঠ পুনরুদ্ধার করে এই প্রযুক্তি। এর ফলে তারা ডিজিটাল জগতে আবারও তাদের নিজস্ব কণ্ঠে কথা বলার সুযোগ পাচ্ছেন।
অবশ্য, মুদ্রার অপর পিঠের কথাও চিন্তা করা প্রয়োজন। যে প্রযুক্তিতে মাত্র ৫ সেকেন্ডে একটি কণ্ঠ নিখুঁতভাবে নকল সম্ভব, তার অপব্যবহারের আশঙ্কা থেকেই যায়। ইন্টারনেট জুড়ে এখন ডিপফেক অডিও তৈরি হচ্ছে দেদারছে। একজন হ্যাকার আপনার কোনো আত্মীয় বা বন্ধুর কণ্ঠ নকল করে আপনাকে ফোন করতে পারে এবং বলে যে সে বড় ধরনের বিপদে পড়েছে এবং তড়িৎ টাকার প্রয়োজন। পরিচিত জনের গলার স্বর শুনে আপনি বিশ্বাস করে টাকা পাঠিয়ে দেন, কিন্তু পরে জানতে পারেন যে এটি কোনো মানুষ নয়, বরং একটি এআই এজেন্ট ছিল।
এই ঝুঁকি মোকাবিলায় বিজ্ঞানীরা এখন এমন ডিজিটাল ওয়াটারমার্ক ও এআই ডিটেক্টর নির্মাণ করছেন, যা মানুষের কানে ধর পরবে না কিন্তু কম্পিউটারের কোড সহজেই শনাক্ত করতে পারবে যে কণ্ঠটি একজন প্রকৃত মানুষের, নাকি এআই-নির্মিত ক্লোন। পরিশেষে এ কথা স্মরণ রাখা দরকার, যন্ত্র এখন দেখতে পায়, আমাদের ভাষায় কথা বলে এবং আমাদের কণ্ঠ ধারণও করতে পারে। কিন্তু সেই কৃত কণ্ঠের অন্তরালে যে বাস্তব আবেগ, মানবিক মূল্যবোধ এবং সত্য-মিথ্যা পার্থক্য করার বিচারবোধ, তার একমাত্র অধিষ্ঠাতা হলো মানুষের মগজ। তাই এই আধুনিক প্রযুক্তিকে ভয় না পেয়ে এর মূলে থাকা বিজ্ঞানকে বুঝে জ্ঞানচর্চার একটি শক্তিশালী হাতিয়ার হিসেবে গ্রহণ করাই হবে বুদ্ধিমানের কাজ।
