ব্যবহারকারীদের মুখের কথা তাৎক্ষণিকভাবে লেখায় রূপান্তর করতে সক্ষম কৃত্রিম বুদ্ধিমত্তানির্ভর নতুন মডেল ‘মিউজ ভয়েস ট্রান্সক্রাইব’ উন্মোচন করেছে মেটা। প্রতিষ্ঠানটির সুপারইন্টেলিজেন্স ল্যাবস জানিয়েছে, এই মডেলটি কথা বলার সময় রিয়েল-টাইমে অডিও বিশ্লেষণ করে তা টেক্সটে রূপান্তর করতে পারে। ৭০টিরও বেশি ভাষার অডিও ডেটা ব্যবহার করে মডেলটিকে প্রশিক্ষণ দেওয়া হয়েছে এবং প্রাথমিকভাবে এটি ২৫টি ভাষায় সাবলীলভাবে কাজ করতে সক্ষম। এছাড়া বিভিন্ন ভাষা মিলিয়ে কথা বললেও মডেলটি তা নির্ভুলভাবে শনাক্ত করতে পারে।

এই প্রযুক্তির অন্যতম বড় বৈশিষ্ট্য হলো এর মাল্টি-স্পিকার শনাক্তকরণ ক্ষমতা। এটি একসঙ্গে ২০ জন ভিন্ন বক্তার কণ্ঠ আলাদা করতে পারে, যা মিটিং বা আলোচনার অডিও থেকে বক্তা অনুযায়ী আলাদাভাবে টেক্সট তৈরি করতে সহায়তা করে। ফলে অডিও ধারণের পর তা আলাদা করে প্রক্রিয়াজাত করার প্রয়োজন পড়ে না। এছাড়া মডেলটিতে ‘অ্যাডাপটিভ ডিলে’ নামক একটি বিশেষ প্রযুক্তি যুক্ত করা হয়েছে। এর মাধ্যমে পরিস্থিতি বুঝে মডেলটি নিজেই সিদ্ধান্ত নেয় যে, প্রতিটি শব্দ লেখার আগে কতক্ষণ অডিও শুনতে হবে। সহজ কথার ক্ষেত্রে এটি দ্রুত কাজ করে, আবার জটিল কোনো শব্দ বা প্রসঙ্গের ক্ষেত্রে এটি বাড়তি অডিও শুনে নির্ভুলতা নিশ্চিত করে।

মেটার এই নতুন মডেলটি প্রাথমিকভাবে এআই ফর ম্যাক, মিউজ কোড এবং ডেভেলপারদের জন্য উন্মুক্ত মেটা মডেল এপিআইয়ের মাধ্যমে ব্যবহার করা যাবে। ম্যাক কম্পিউটারে এই সুবিধা পেতে কি-বোর্ডের ‘এফএন’ বাটন চেপে ধরে কথা বলতে হবে। বাণিজ্যিক ব্যবহারের ক্ষেত্রে মেটা মডেল এপিআইয়ের মাধ্যমে প্রতি ১ হাজার মিনিট অডিও প্রক্রিয়াজাত করতে ৩ ডলার খরচ নির্ধারণ করা হয়েছে। সেই হিসেবে প্রতি ঘণ্টা অডিওর জন্য খরচ পড়বে ১৮ সেন্ট। এক ঘণ্টার বেশি দীর্ঘ অডিও ফাইলও এই মডেলটি অনায়াসে বিশ্লেষণ করতে সক্ষম। প্রতিবেদনে যোগ করা তথ্য: একসঙ্গে ২০ জন বক্তার কণ্ঠ শনাক্ত করতে পারায় যেকোনো বৈঠকের অডিও শুনে বক্তাদের বলা কথাগুলো আলাদাভাবে লিখতে পারে মডেলটি। প্রতিবেদনে যোগ করা তথ্য: একই সঙ্গে এটি একাধিক বক্তার কণ্ঠ শনাক্তের পাশাপাশি কেউ কথা বলা শেষ করেছেন কি না, সেটিও বুঝতে পারে।