কৃত্রিম বুদ্ধিমত্তার মাধ্যমে মানুষের কথাকে সরাসরি লেখায় রূপান্তর করার লক্ষ্যে একটি নতুন মডেল উন্মোচন করেছে প্রযুক্তি প্রতিষ্ঠান মেটা। প্রতিষ্ঠানটি এই নতুন প্রযুক্তির নাম দিয়েছে ‘মিউজ ভয়েস ট্রান্সক্রাইব’। মেটার সুপারইন্টেলিজেন্স ল্যাবস থেকে জানানো হয়েছে, এই মডেলটি রিয়েল টাইমে অডিও বিশ্লেষণ করতে পারে, যার ফলে কথা বলার পাশাপাশি সঙ্গে সঙ্গে তা লেখায় রূপান্তরিত হবে।
এই মডেলটিকে প্রশিক্ষণের জন্য ৭০টিরও বেশি ভাষার অডিও ডেটা ব্যবহার করা হলেও, প্রাথমিক পর্যায়ে এটি ২৫টি ভাষায় কথাকে লেখায় রূপান্তর করার সুবিধা প্রদান করবে। মিউজ ভয়েস ট্রান্সক্রাইবের অন্যতম বিশেষত্ব হলো এর বহুমুখী শনাক্তকরণ ক্ষমতা। এটি এক ঘণ্টার দীর্ঘ অডিও ফাইল বিশ্লেষণ করতে পারে এবং বক্তা যদি কথা বলার মাঝে ভাষা পরিবর্তন করেন, তবে মডেলটি তা সহজেই শনাক্ত করতে সক্ষম। এছাড়া, একসঙ্গে ২০ জন ভিন্ন ভিন্ন ব্যক্তির কণ্ঠস্বর আলাদাভাবে চিহ্নিত করতে পারে এই এআই, যা যেকোনো দীর্ঘ বৈঠকের অডিও থেকে বক্তাভেদে আলাদা আলাদা নোট তৈরি করতে সহায়ক হবে। এর ফলে অডিও রেকর্ডিং শেষ করে পরে তা প্রক্রিয়াজাত করার বাড়তি ঝামেলা আর থাকবে না।
নির্ভুলতা এবং গতির মধ্যে ভারসাম্য বজায় রাখতে মেটা এতে যুক্ত করেছে ‘অ্যাডাপটিভ ডিলে’ নামক একটি বিশেষ প্রযুক্তি। এর মাধ্যমে মডেলটি নিজেই সিদ্ধান্ত নিতে পারে যে একটি শব্দ সঠিকভাবে লেখার জন্য তাকে কতটুকু অডিও শুনতে হবে। সহজ শব্দ হলে তা দ্রুত লেখা হবে, আর জটিল বা অস্পষ্ট শব্দের ক্ষেত্রে প্রসঙ্গ বোঝার জন্য মডেলটি সামান্য বেশি সময় নিয়ে অডিও শুনবে এবং তারপর তা লেখায় রূপান্তর করবে।
প্রাথমিক পর্যায়ে এই সুবিধাটি মেটা মডেল এপিআই, মিউজ কোড এবং এআই ফর ম্যাক-এ পাওয়া যাবে। যারা মেটা মডেল এপিআই ব্যবহার করবেন, তাদের প্রতি ১ হাজার মিনিট অডিও প্রক্রিয়াজাত করার জন্য ৩ ডলার খরচ করতে হবে, যা প্রতি ঘণ্টায় ১৮ সেন্টের সমান। অন্যদিকে, ম্যাক কম্পিউটার ব্যবহারকারীরা কি-বোর্ডের ‘এফএন’ (FN) বোতাম চেপে ধরে কথা বলে খুব সহজেই লেখায় রূপান্তর করতে পারবেন।
