🏢 সার্ভাম এআই (Sarvam AI) তাদের নতুন স্পিচ রিকগনিশন মডেল সারাস ভি৪ (Saaras V4) চালু করেছে, যা ২২টি ভারতীয় ভাষা এবং ইংরেজি সমর্থন করে। এই মডেলটি ভারবাটিম ট্রান্সক্রিপশন, নরমালাইজড টেক্সট, কোড-মিক্সড টেক্সট, ট্রান্সলিটারেশন এবং অনুবাদের মতো বিভিন্ন ফরম্যাটে অডিও প্রক্রিয়া করতে পারে।
🔊 সারাস ভি৪ একটি ৩ বিলিয়ন প্যারামিটারের হাইব্রিড স্টেট-স্পেস ল্যাঙ্গুয়েজ মডেল (hybrid state-space language model) ব্যবহার করে তৈরি করা হয়েছে, যা কোড-মিক্সিং, উপভাষার ভিন্নতা এবং কোলাহলপূর্ণ অডিও পরিচালনা করার জন্য ডিজাইন করা হয়েছে। কোম্পানি জানিয়েছে যে, যাচাইকৃত ইন্ডিভয়েসেস (IndicVoices) ডেটা ব্যবহার করে ২২টি ভারতীয় ভাষার জন্য মডেলটির ভাষা শনাক্তকরণ ত্রুটির হার (language-identification error rate) ছিল ৫.২২% এবং সবচেয়ে বেশি প্রচলিত ১০টি ভারতীয় ভাষার জন্য এই হার ছিল ২.৯%।
✨ সার্ভাম এআই দাবি করেছে যে, তাদের মূল্যায়নে সারাস ভি৪ সমস্ত ২২টি ভারতীয় ভাষায় "স্টেট-অফ-দ্য-আর্ট পারফরম্যান্স" (SOTA performance) অর্জন করেছে। এছাড়াও, মডেলটি সাতটি প্রধান ইংরেজি স্পিচ রিকগনিশন বেঞ্চমার্কে সর্বনিম্ন গড় ওয়ার্ড এরর রেট (word error rate) অর্জন করেছে, যা ভারতীয় ইংরেজি, আন্তর্জাতিক অ্যাকসেন্ট, মিটিং, মিডিয়া এবং আর্থিক ক্ষেত্রের মতো বাস্তব-জগতের অডিও পরিস্থিতি অন্তর্ভুক্ত করে।
⚙️ সারাস ভি৪-এর একটি উল্লেখযোগ্য বৈশিষ্ট্য হলো এটি একই অডিও ইনপুট থেকে পাঁচটি ভিন্ন আউটপুট তৈরি করতে পারে: ভারবাটিম (verbatim), ট্রান্সক্রাইব (transcribe), কোডমিক্স (codemix), ট্রান্সলিট (translit) এবং ট্রান্সলেট (translate)। কোম্পানি জানিয়েছে যে, মডেলটি এই কাজগুলো আলাদা পোস্ট-প্রসেসিং সিস্টেমের উপর নির্ভর না করে মডেলের মধ্যেই পরিচালনা করে।
🚀 এই মডেলটি রিয়েল-টাইম স্পিচ স্ট্রিমিং সমর্থন করে এবং স্ট্রিমিং অ্যাপ্লিকেশনের জন্য "টাইম টু ফার্স্ট টোকেন" (time to first token) ১৫০ মিলিসেকেন্ডের নিচে। এছাড়াও, মডেলটি এক সেকেন্ডেরও কম সময়ে কয়েক মিনিটের অডিও রেকর্ডিং প্রক্রিয়া করতে পারে।
💻 সারাস ভি৪ সার্ভাম এআই-এর এপিআই (API) এর মাধ্যমে উপলব্ধ। ডেভেলপাররা পাইথন (Python) এবং নোড.জেএস (Node.js) এসডিকে (SDKs) ব্যবহার করতে পারেন এবং কোম্পানিটি ভার্সেল এআই এসডিকে (Vercel AI SDK), লাইভকিট এজেন্ট (LiveKit Agents) এবং পাইপক্যাট এজেন্ট (Pipecat Agents)-এর জন্য ইন্টিগ্রেশনও সরবরাহ করেছে।
