NVIDIA-র Audex: এক মডেলেই অডিও বোঝা, অনুবাদ ও জেনারেশন, আপনার কাজ বদলে দেবে
NVIDIA তাদের নতুন MoE আর্কিটেকচারের মডেল Audex প্রকাশ করেছে। এটি অডিও বোঝা, স্পিচ রিকগনিশন, অনুবাদ, টেক্সট-টু-স্পিচ ও অডিও জেনারেশন সবকিছু একসঙ্গে করতে পারে। মডেলটি তার টেক্সট ব্যাকবোনের বুদ্ধিমত্তা প্রায় অক্ষুণ্ন রেখেছে।
NVIDIA তাদের নতুন MoE আর্কিটেকচারের মডেল Audex প্রকাশ করেছে। এটি অডিও বোঝা, স্পিচ রিকগনিশন, অনুবাদ, টেক্সট-টু-স্পিচ ও অডিও জেনারেশন সবকিছু একসঙ্গে করতে পারে। মডেলটি তার টেক্সট ব্যাকবোনের বুদ্ধিমত্তা প্রায় অক্ষুণ্ন রেখেছে।
নতুন এক যুগের সূচনা করলো NVIDIA। কোম্পানিটি তাদের সর্বশেষ ইউনিফায়েড অডিও-টেক্সট লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) Audex প্রকাশ করেছে। এই মডেলটির পুরো নাম Nemotron-Labs-Audex-30B-A3B। এটি একটি MoE বা Mixture-of-Experts আর্কিটেকচারে তৈরি।
Audex একসঙ্গে একাধিক কাজ করতে পারে। এটি অডিও বোঝা, স্পিচ রিকগনিশন বা কথ্য ভাষা চেনা, ভাষা অনুবাদ, টেক্সট-টু-স্পিচ (TTS) এবং অডিও জেনারেশন সবকিছুই এক মডেলে করে। আগে এসব কাজের জন্য আলাদা আলাদা মডেল ব্যবহার করতে হতো।
মার্কটেকপোস্টের এক প্রতিবেদনে বলা হয়েছে, Audex তার ব্যাকবোন Nemotron-Cascade-2 মডেলের টেক্সট ইন্টেলিজেন্স খুব সামান্য পরিমাণে কমিয়ে এনেছে। অর্থাৎ মডেলটি অডিও নিয়ে কাজ করলেও টেক্সট বোঝার ও তৈরি করার দক্ষতা প্রায় আগের মতোই রাখতে পেরেছে।
MoE আর্কিটেকচার মডেলটিকে আরও কার্যকর করে তোলে। পুরো মডেলের প্যারামিটার সংখ্যা 30 বিলিয়ন। কিন্তু যেকোনো সময়ে মাত্র 3 বিলিয়ন প্যারামিটার সক্রিয় থাকে। এর ফলে মডেলটি দ্রুত কাজ করে এবং কম কম্পিউটেশনাল শক্তি ব্যবহার করে।
বাংলাদেশের ডেভেলপার ও ফ্রিল্যান্সারদের জন্য এটি বড় সুযোগ নিয়ে এসেছে। এখন থেকে তারা একটি মডেল দিয়েই বিভিন্ন অডিও ও টেক্সট সংক্রান্ত কাজ করতে পারবেন। যেমন একটি অ্যাপে স্পিচ রিকগনিশন, অনুবাদ ও ভয়েস রেসপন্স সবকিছুই Audex দিয়ে তৈরি করা সম্ভব। শিক্ষার্থীরাও গবেষণা ও প্রকল্পে এটি ব্যবহার করতে পারবে।
বাংলাদেশে স্থানীয় ভাষা প্রক্রিয়াকরণের জন্যও Audex গুরুত্বপূর্ণ হতে পারে। বাংলা স্পিচ রিকগনিশন বা বাংলা টেক্সট-টু-স্পিচ সিস্টেম তৈরির জন্য এই মডেলটি ভালো ভিত্তি দিতে পারে। তবে এখন পর্যন্ত মডেলটি ইংরেজি ও কিছু প্রধান ভাষার জন্য অপ্টিমাইজড। ভবিষ্যতে স্থানীয় ভাষার জন্য ফাইন-টিউনিং প্রয়োজন হবে।
NVIDIA আশা করছে, Audex গবেষক ও ডেভেলপারদের জন্য অডিও-টেক্সট মডেলিংয়ের জগৎ সহজ করে দেবে। এটি ওপেন সোর্স হিসেবে উপলব্ধ। তাই যে কেউ এটি ডাউনলোড করে নিজের প্রোজেক্টে ব্যবহার করতে পারবে।
আরও পড়ুন
এই সংবাদটি আন্তর্জাতিক সূত্রের তথ্য অবলম্বনে AI-সহায়তায় বাংলায় উপস্থাপন ও বাংলাদেশের প্রেক্ষাপটে সম্পাদিত। মূল তথ্যের জন্য নিচের সূত্র দেখুন।
মূল প্রতিবেদন: MarkTechPost
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...