🗣️ প্রযুক্তি জায়ান্ট মেটা (Meta) সম্প্রতি Muse Voice Transcribe নামে একটি নতুন স্পিচ-টু-টেক্সট (speech-to-text) মডেলের ঘোষণা করেছে, যা কথোপকথন চলাকালীনই সেগুলিকে প্রতিলিপি (transcribe) করতে সক্ষম। এটি মেটা সুপারইন্টেলিজেন্স ল্যাবস (Meta Superintelligence Labs - MSL) দ্বারা প্রকাশিত প্রথম রিয়েল-টাইম অডিও পারসেপশন (real-time audio perception) মডেল।
🌍 মেটা জানিয়েছে যে এই মডেলটি ৭০টিরও বেশি ভাষা সমর্থন করে, যার মধ্যে লঞ্চের সময় ২৫টি ভাষা যাচাই করা হয়েছে। এর মধ্যে পাঁচটি প্রধান ভারতীয় ভাষা যেমন হিন্দি, তামিল, তেলুগু, মালয়ালম এবং কন্নড় অন্তর্ভুক্ত রয়েছে।
💬 Muse Voice Transcribe মডেলটি কোড-সুইচিং (code-switching) পরিচালনা করার জন্য ডিজাইন করা হয়েছে, যেখানে বক্তারা কথোপকথনের সময় একাধিক ভাষার মধ্যে পরিবর্তন করেন, যার জন্য আলাদা মডেল বা অতিরিক্ত প্রক্রিয়াকরণের প্রয়োজন হয় না। ভারতে, ব্যবহারকারীরা প্রায়শই ইংরেজি এবং আঞ্চলিক ভাষার মধ্যে পরিবর্তন করে কথা বলেন, তাই এই বৈশিষ্ট্যটি ভারতীয় প্রেক্ষাপটে রিয়েল-টাইম প্রতিলিপিকে (real-time transcription) আরও কার্যকর করতে পারে।
🔊 এই মডেলটি স্ট্রিমিং প্রতিলিপি (streaming transcription) তৈরি করে, অর্থাৎ একজন ব্যক্তি কথা বলার সাথে সাথেই টেক্সট তৈরি হবে, পুরো রেকর্ডিং প্রক্রিয়াকরণের জন্য অপেক্ষা করতে হবে না। মেটার মতে, এটি ২০টিরও বেশি কণ্ঠস্বর জড়িত রেকর্ডিংয়ে বক্তাদের আলাদা করতে সক্ষম এবং এক ঘণ্টার বেশি দীর্ঘ রেকর্ডিংও পরিচালনা করতে পারে।
⚙️ মেটা আরও জানিয়েছে যে এই সমস্ত ক্ষমতা একটি একক মডেল দ্বারা পরিচালিত হয়, কোনো আলাদা পোস্ট-প্রসেসিং (post-processing) ধাপ ছাড়াই। Muse Voice Transcribe মডেলটি ৭০টিরও বেশি ভাষায় প্রশিক্ষণপ্রাপ্ত এবং ১ সেপ্টেম্বর, ২০২৬ পর্যন্ত আর্টিফিশিয়াল অ্যানালাইসিস (Artificial Analysis) স্ট্রিমিং স্পিচ-টু-টেক্সট লিডারবোর্ডে (streaming speech-to-text leaderboard) এটি প্রথম স্থান অধিকার করেছে।
💰 Muse Voice Transcribe এখন মেটার মডেল API (Application Programming Interface) এর মাধ্যমে উপলব্ধ। মেটা জানিয়েছে যে এই মডেলটি ইতিমধ্যেই Mac-এর জন্য Meta AI এবং Muse Code-এ ডিক্টেশন (dictation) এর জন্য ব্যবহৃত হচ্ছে। API-এর মূল্য প্রতি ১,০০০ অডিও মিনিটের জন্য $3, যা প্রায় প্রতি ঘণ্টায় $0.18 এর সমান।
🇮🇳 এই লঞ্চটি এমন এক সময়ে এসেছে যখন স্পিচ-ভিত্তিক AI (Artificial Intelligence) সিস্টেমগুলি প্রতিলিপি, ডিক্টেশন এবং ভয়েস অ্যাসিস্ট্যান্ট (voice assistants) এর মতো অ্যাপ্লিকেশনগুলির জন্য ক্রমবর্ধমান গুরুত্বপূর্ণ হয়ে উঠছে। কোড-সুইচিং এবং বিস্তৃত আঞ্চলিক ভাষার সমর্থন ভারতের মতো বহুভাষিক বাজারে মানুষের যোগাযোগের পদ্ধতিকে আরও ভালোভাবে বুঝতে সাহায্য করবে।
