বাংলায় ভয়েস টাইপিং – একদম সহজে বাংলা স্পিচ টু টেক্সট, গুগলের Gemini 3.5 Transcribe মডেলের সাথে

কথা বলবেন, আর সাথে সাথে সেটা বাংলায় লেখা হয়ে যাবে। ভাবতেই কেমন সায়েন্স ফিকশন টাইপের জিনিসপত্র মনে হচ্ছে না? মজার বিষয় হল, গুগল তাদের নতুন অডিও ট্রান্সক্রিপশন মডেল লঞ্চ করেছে আজকে একটু আগে। এই নতুন মডেলে ৮৫টার মতো ভাষার সাপোর্ট আছে। এবং সবচেয়ে মজার বিষয়ে কথা বলার সময় যেকোন “আহেম..” “মিটিং ২টার বদলে ৩টা” এই টাইপ “Rambling” ডিটেকশনও এই মডেলটা করতে পারে। বাংলার চমৎকার সাপোর্ট চলে এসেছে এই মডেলে।

জেমিনি অ্যাপে এটা দ্রুত রোলআউট হবে এই সপ্তাহ থেকে । ম‍্যাকের জন‍্য গুগলের এক ডেভলপার এই মডেলকে বেজ করে দারুণ একটা Wispr Flow টাইপ অ্যাপ তৈরি করেছে

মজার বিষয় হলো, এই পোস্টের পুরাটাই প্রায় এই নতুন মডেলের টেক্সট টু স্পিচ ট্রান্সক্রিপ্ট মডেল ব্যবহার করে লিখলাম। এই মডেলটা বাংলার জন্য বেশ ভালোই কাজ করছে। এমনকি বিভিন্ন বিরাম চিহ্ন যেমন দাড়ি, কমা, প্রশ্নবোধক এগুলোও ঠিকমতো বসাতে পারছে।

জেমিনি ৩.৫ ট্রান্সক্রাইব (Gemini 3.5 Transcribe)

নতুন মডেলটা এমনভাবে ডিজাইন করা হয়েছে যেন এটি ব্যবহারকারীদের স্বাভাবিক কথা বলার ধরন ও নিজস্ব শব্দগুলো সহজেই বুঝতে পারে। এর ফলে এখন শুধুমাত্র ভয়েস কমান্ডের মাধ্যমেই বিভিন্ন কাজ করতে পারবেন।

গুগলের আগের ট্রান্সক্রিপশন মডেল ‘চার্প ৩’ (Chirp 3)-এর তুলনায় জেমিনি ৩.৫ ট্রান্সক্রাইব অনেক দ্রুতগতির। ‘আর্টিফিশিয়াল অ্যানালাইসিস’-এর তথ্য অনুযায়ী, অডিও থেকে চূড়ান্ত ট্রান্সক্রিপশন বা ফাইনাল টেক্সট পেতে আগের চেয়ে ৭০% কম সময় লাগে। ‘ফ্লুরস’ (FLEURS) বেঞ্চমার্কে দেখা গেছে, বিভিন্ন ভাষায় এটি আগের মডেলের চেয়ে অনেক নিখুঁতভাবে কাজ করে এবং লাইভ স্ট্রিমিংয়ে এর ভুলের হার মাত্র ৫.৫০% এবং নন-স্ট্রিমিং বা অফলাইন ব্যবহারের ক্ষেত্রে ৫.০৪%।

নতুন এই মডেলের মূল ফিচারগুলো

• স্মার্ট ট্রান্সক্রিপশন: কথা বলার সময় মত বদলালে বা ভুল শুধরে নিলে (যেমন: “মঙ্গলবার দেখা করি, নাহ, বুধবার”) এটি স্বয়ংক্রিয়ভাবেই সেটি ঠিক করে নিবে। কথার মাঝখানের “উমম” বা “আহহ” এর মতো ফিলার ওয়ার্ড বা অপ্রয়োজনীয় শব্দগুলো বাদ দিয়ে এটি টেক্সটকে সুন্দর করে সাজিয়ে দিবে।
• ফাংশন কলিং: এই মডেলটি নিজে থেকেই ছবি জেনারেট করা বা ফাইল বিশ্লেষণের মতো জটিল কাজগুলো অন্য জেমিনি মডেলকে দিয়ে করিয়ে নিতে পারে।
• আরও নিখুঁত ট্রান্সক্রিপশন: চারপাশে কোলাহল বা নয়েজ থাকলেও এটি দারুণ পারফরম্যান্স দেয়। পোস্টাল কোড বা অর্ডার আইডির মতো নম্বর ও অক্ষরগুলো এটি একদম নির্ভুলভাবে লিখতে পারে। ‘আর্টিফিশিয়াল অ্যানালাইসিস’-এর পরিমাপ অনুযায়ী, এর ভুলের হার (Word Error Rate বা WER) লাইভ স্ট্রিমিংয়ের সময় গড়ে মাত্র ৪.০% এবং আগে থেকে রেকর্ড করা অডিওর ক্ষেত্রে ২.৬%।
• কাস্টম ডিকশনারি: ব্যবহারকারীর নিজস্ব কোনো বিশেষ শব্দ, ভিন্ন বানানের শব্দগুলোও এটি প্রদত্ত তালিকা অনুযায়ী চিনে নিতে পারে এবং সে অনুযায়ী ট্রান্সক্রিপশন প্রদান করে।
• গ্লোবাল ল্যাঙ্গুয়েজ সাপোর্ট: এটি স্বয়ংক্রিয়ভাবে ৮৫টিরও বেশি ভাষা শনাক্ত করে ট্রান্সক্রাইব করতে পারে। বিভিন্ন অঞ্চলের ভাষার টান বা ডায়ালেক্ট এটি সহজেই বুঝতে পারে এবং কথা বলার সময় এক ভাষা থেকে অন্য ভাষায় (লাইভ ল্যাঙ্গুয়েজ সুইচ) চলে গেলেও নির্বিঘ্নে কাজ করে।
• মাল্টি-স্পিকার আইডেন্টিফিকেশন: আগে থেকে রেকর্ড করা অডিওতে কে কখন কথা বলছেন, তা টাইমস্ট্যাম্পসহ আলাদা করে নির্দেশ করতে পারে। এটি ৩ জন পর্যন্ত স্পিকারের কথা আলাদা করতে সক্ষম।

বিস্তারিত পড়ুন গুগলের ব্লগপোস্টে ↗