বাংলায় স্পিচ টু টেক্সট এখন ১০ গুণ দ্রুত, জানুন নতুন AI পদ্ধতি
গবেষকরা স্বয়ংক্রিয় বক্তৃতা শনাক্তকরণে সিকোয়েন্সিয়াল টোকেন জেনারেশনের পরিবর্তে প্যারালাল ডিফিউশন পদ্ধতি চালু করেছেন। ২৬ বিলিয়ন প্যারামিটারের মডেলটি পুরো অডিও আউটপুট একসঙ্গে রিফাইন করে দ্রুত ট্রান্সক্রিপশন সম্ভব করছে।
গবেষকরা স্বয়ংক্রিয় বক্তৃতা শনাক্তকরণে সিকোয়েন্সিয়াল টোকেন জেনারেশনের পরিবর্তে প্যারালাল ডিফিউশন পদ্ধতি চালু করেছেন। ২৬ বিলিয়ন প্যারামিটারের মডেলটি পুরো অডিও আউটপুট একসঙ্গে রিফাইন করে দ্রুত ট্রান্সক্রিপশন সম্ভব করছে।
স্বয়ংক্রিয় বক্তৃতা শনাক্তকরণ প্রযুক্তিতে এক যুগান্তকারী পরিবর্তন এনেছেন একদল গবেষক। তারা প্রচলিত সিকোয়েন্সিয়াল টোকেন জেনারেশন প্রক্রিয়ার বদলে প্যারালাল রিফাইনমেন্ট কৌশল ব্যবহার করেছেন, যা ডিফিউশন মডেলের ওপর ভিত্তি করে তৈরি। এই নতুন পদ্ধতি পুরো অডিও আউটপুটকে একসঙ্গে রিফাইন করে, ফলে ট্রান্সক্রিপশন প্রক্রিয়া অনেক দ্রুততর হয়।
গবেষণাটি arXiv-তে প্রকাশিত হয়েছে। গবেষকরা DiffusionGemma নামের একটি ২৬ বিলিয়ন প্যারামিটারের মিক্সচার-অব-এক্সপার্টস মডেল তৈরি করেছেন। এই মডেলটি অডিও ইন্টারফেসের মাধ্যমে সরাসরি কাজ করে এবং টোকেনগুলো একটির পর একটি তৈরি না করে পুরো আউটপুটকে সমান্তরালভাবে পরিশোধন করে।
প্রচলিত পদ্ধতিতে অটোমেটিক স্পিচ রিকগনিশন সিস্টেম ধাপে ধাপে প্রতিটি শব্দ বা ফোনেম তৈরি করে। এই প্রক্রিয়ায় সময় লাগে এবং ত্রুটির সম্ভাবনা থাকে। নতুন ডিফিউশন-ভিত্তিক পদ্ধতি সেই সীমাবদ্ধতা দূর করেছে। এটি একবারে পুরো অডিও সিগন্যালের ওপর কাজ করে এবং ধীরে ধীরে শব্দ কমিয়ে সঠিক ট্রান্সক্রিপ্ট বের করে আনে।
ডিফিউশন মডেল সাধারণত ইমেজ জেনারেশনে ব্যবহৃত হয়। সেখানে একটি এলোমেলো নয়েজ ইমেজকে ধাপে ধাপে পরিষ্কার করে নির্দিষ্ট ছবিতে রূপান্তরিত করা হয়। গবেষকরা সেই একই নীতি অডিও ট্রান্সক্রিপশনে প্রয়োগ করেছেন। তারা অডিও ইনপুটকে একটি নয়েজি ফর্মে রূপান্তরিত করে এবং তারপর মডেলটি সেই নয়েজ কমিয়ে সঠিক টেক্সট আউটপুট তৈরি করে।
এই পদ্ধতির সবচেয়ে বড় সুবিধা হলো গতি। যেখানে পুরনো মডেলগুলো একটি বাক্য ট্রান্সক্রাইব করতে কয়েক সেকেন্ড সময় নেয়, সেখানে নতুন প্যারালাল ডিফিউশন পদ্ধতি তা অনেক কম সময়ে সম্পন্ন করতে পারে। গবেষকদের দাবি, এই পদ্ধতি আগের চেয়ে কয়েকগুণ দ্রুত এবং নির্ভুলতাও কম নয়।
বাংলাদেশের ডেভেলপার, ফ্রিল্যান্সার এবং প্রযুক্তি শিক্ষার্থীদের জন্য এই গবেষণা অত্যন্ত গুরুত্বপূর্ণ। স্থানীয় ভাষার স্পিচ রিকগনিশন সিস্টেম তৈরি করতে এই পদ্ধতি ব্যবহার করা যেতে পারে। বর্তমানে বাংলা ভাষার জন্য নির্ভুল স্পিচ টু টেক্সট সেবা সীমিত। DiffusionGemma-র মতো মডেল স্থানীয়ভাবে প্রশিক্ষণ দিয়ে বাংলা, সিলেটি, চাটগাঁইয়া সহ বিভিন্ন উপভাষার জন্য কার্যকর ট্রান্সক্রিপশন টুল তৈরি সম্ভব।
ফ্রিল্যান্সারদের জন্যও এটি বড় সুযোগ। তারা এই প্রযুক্তি ব্যবহার করে অডিও ট্রান্সক্রিপশন, সাবটাইটেলিং এবং ভার্চুয়াল অ্যাসিস্ট্যান্ট তৈরির মতো কাজ আরও দ্রুত ও নির্ভুলভাবে করতে পারবেন। শিক্ষার্থীরা গবেষণার সুযোগ পাবেন এবং নিজেদের প্রকল্পে এই পদ্ধতি প্রয়োগ করে নতুন উদ্ভাবন করতে পারবেন।
তবে এই প্রযুক্তি এখনও গবেষণার স্তরে রয়েছে। বাণিজ্যিকভাবে ব্যবহারের আগে আরও পরীক্ষা-নিরীক্ষা প্রয়োজন। গবেষকরা আশা করছেন, অদূর ভবিষ্যতে এই পদ্ধতি স্পিচ রিকগনিশনের মানদণ্ড বদলে দেবে এবং সবার জন্য সহজলভ্য হবে।
আরও পড়ুন
এই সংবাদটি আন্তর্জাতিক সূত্রের তথ্য অবলম্বনে AI-সহায়তায় বাংলায় উপস্থাপন ও বাংলাদেশের প্রেক্ষাপটে সম্পাদিত। মূল তথ্যের জন্য নিচের সূত্র দেখুন।
মূল প্রতিবেদন: dev.to ML
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...