Apple-এর নতুন পদ্ধতি: ছোট মডেলেই ASR ত্রুটি কমবে ৩ গুণ, দ্রুত ও নির্ভরযোগ্য
Apple তাদের নতুন গবেষণায় দেখিয়েছে যে বড় ভাষার মডেলের (LLM) পরিবর্তে ছোট seq2seq মডেল ব্যবহার করে ASR ত্রুটি সংশোধন করা সম্ভব। এই পদ্ধতি লেটেন্সি ও হ্যালুসিনেশন কমিয়ে আরও নির্ভরযোগ্য ফলাফল দেয়। গবেষণাটি বাস্তব ও কৃত্রিম অডিও ডেটা ব্যবহার করে প্রশিক্ষিত হয়েছে।
Apple তাদের নতুন গবেষণায় দেখিয়েছে যে বড় ভাষার মডেলের (LLM) পরিবর্তে ছোট seq2seq মডেল ব্যবহার করে ASR ত্রুটি সংশোধন করা সম্ভব। এই পদ্ধতি লেটেন্সি ও হ্যালুসিনেশন কমিয়ে আরও নির্ভরযোগ্য ফলাফল দেয়। গবেষণাটি বাস্তব ও কৃত্রিম অডিও ডেটা ব্যবহার করে প্রশিক্ষিত হয়েছে।
Apple তাদের মেশিন লার্নিং গবেষণা দলের মাধ্যমে অটোমেটিক স্পিচ রিকগনিশন (ASR) ত্রুটি সংশোধনের একটি নতুন পদ্ধতি উপস্থাপন করেছে। এই পদ্ধতিতে বড় ভাষার মডেলের (LLM) পরিবর্তে কম্প্যাক্ট seq2seq মডেল ব্যবহার করা হয়েছে। গবেষণাটি দেখিয়েছে যে এই ছোট মডেলগুলি ASR ত্রুটি সংশোধনে LLM-এর তুলনায় কম লেটেন্সি ও কম হ্যালুসিনেশন নিয়ে কাজ করে।
বর্তমানে ASR সিস্টেমে ভাষার মডেল গুরুত্বপূর্ণ ভূমিকা পালন করে। তবে বেশিরভাগ পদ্ধতি শুধুমাত্র টেক্সট-ভিত্তিক মডেল ব্যবহার করে যা ASR ত্রুটির প্যাটার্ন সম্পর্কে সচেতন নয়। সম্প্রতি কিছু গবেষক বড় ভাষার মডেল (যেমন GPT-4) ব্যবহার করে ASR ত্রুটি সংশোধনের চেষ্টা করেছেন। কিন্তু এই পদ্ধতিতে লেটেন্সি বেশি থাকে এবং হ্যালুসিনেশন (ভুল তথ্য তৈরি) হওয়ার সম্ভাবনা থাকে।
Apple-এর গবেষকরা এই সমস্যা সমাধানের জন্য কম্প্যাক্ট seq2seq মডেল ব্যবহার করেছেন। এই মডেলগুলি বাস্তব ও কৃত্রিম অডিও ডেটা থেকে ASR ত্রুটি শিখে। প্রশিক্ষণের জন্য তারা ক্যাসকেডেড TTS (টেক্সট-টু-স্পিচ) ও ASR সিস্টেম ব্যবহার করে সিন্থেটিক কর্পাস তৈরি করেছেন। গবেষকরা দেখেছেন যে ডেটার বৈচিত্র্য মিলিয়ে নেওয়া এই পদ্ধতির কার্যকারিতা বাড়ায়।
এই পদ্ধতির সবচেয়ে বড় সুবিধা হলো লেটেন্সি কমানো। বড় ভাষার মডেল ব্যবহার করলে প্রতিটি সংশোধনের জন্য কয়েক সেকেন্ড সময় লাগতে পারে। কিন্তু কম্প্যাক্ট seq2seq মডেল মিলিসেকেন্ডের মধ্যে কাজ করতে পারে। এছাড়াও হ্যালুসিনেশন কমানো সম্ভব হয়েছে কারণ মডেলটি ASR ত্রুটির প্যাটার্ন সম্পর্কে বিশেষভাবে প্রশিক্ষিত।
বাংলাদেশের ডেভেলপার ও গবেষকদের জন্য এই গবেষণা গুরুত্বপূর্ণ। বাংলাদেশে বাংলা ভাষার ASR সিস্টেম তৈরি করা একটি চ্যালেঞ্জিং কাজ। এই পদ্ধতি ব্যবহার করে কম্পিউটেশনাল রিসোর্স কম থাকা অবস্থায়ও উন্নত ASR সিস্টেম তৈরি করা সম্ভব। ফ্রিল্যান্সার ও স্টার্টআপরা এই পদ্ধতি ব্যবহার করে ভয়েস-ভিত্তিক অ্যাপ্লিকেশন তৈরি করতে পারে। শিক্ষার্থীরাও এই গবেষণা থেকে শিখে নিজেদের ASR প্রকল্পে প্রয়োগ করতে পারে।
ভবিষ্যতে Apple এই পদ্ধতিকে আরও উন্নত করার পরিকল্পনা করছে। গবেষকরা মনে করেন যে বিভিন্ন ভাষার জন্য আলাদা seq2seq মডেল তৈরি করা সম্ভব। এটি বিশেষ করে বাংলার মতো কম-রিসোর্স ভাষার জন্য বড় সুযোগ তৈরি করবে। Apple-এর এই গবেষণা ASR প্রযুক্তিকে আরও সুলভ ও নির্ভরযোগ্য করে তুলবে বলে আশা করা যাচ্ছে।
আরও পড়ুন
এই সংবাদটি আন্তর্জাতিক সূত্রের তথ্য অবলম্বনে AI-সহায়তায় বাংলায় উপস্থাপন ও বাংলাদেশের প্রেক্ষাপটে সম্পাদিত। মূল তথ্যের জন্য নিচের সূত্র দেখুন।
মূল প্রতিবেদন: Apple ML Research
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...