কণ্ঠস্বরকে তাৎক্ষণিকভাবে লেখায় রূপান্তরিত করতে সক্ষম নতুন একটি কৃত্রিম বুদ্ধিমত্তানির্ভর মডেল উন্মোচন করেছে প্রযুক্তি জায়ান্ট মেটা। মিউজ ভয়েস ট্রান্সক্রাইব নামের এই মডেলটি প্রশিক্ষিত হয়েছে সত্তরের বেশি ভাষার অডিও তথ্য দিয়ে, তবে প্রাথমিক পর্যায়ে এটি পঁচিশটি ভাষায় বলা কথা সরাসরি লেখায় রূপান্তর করতে সক্ষম বলে দাবি করেছে প্রতিষ্ঠানটি।
মডেলটির একটি উল্লেখযোগ্য সক্ষমতা হলো, এক ঘণ্টার বেশি দীর্ঘ অডিও শুনে তা লিখিত আকারে দেওয়ার পাশাপাশি কথোপকথনের মাঝে ভাষা পরিবর্তন হলেও তা শনাক্ত করতে পারা। এটিই মেটার তৈরি প্রথম রিয়েল-টাইম অডিও বিশ্লেষণ মডেল, যা আপাতত ম্যাক কম্পিউটারের জন্য তৈরি একটি এআই অ্যাপ, মিউজ কোড এবং ডেভেলপারদের ব্যবহারের জন্য মেটার মডেল এপিআইয়ে যুক্ত করা হয়েছে।
মেটার সুপারইন্টেলিজেন্স গবেষণা বিভাগের তথ্যমতে, মডেলটি কেউ কথা বলার সময়েই সেই অডিওকে লেখায় রূপান্তর করতে সক্ষম। এর পাশাপাশি এটি একাধিক ব্যক্তির কণ্ঠস্বর আলাদাভাবে শনাক্ত করতে পারে এবং কেউ কথা বলা শেষ করেছেন কি না, তাও বুঝতে সক্ষম। সর্বোচ্চ ২০ জন ভিন্ন বক্তার কণ্ঠ একসঙ্গে শনাক্ত করার ক্ষমতা থাকায় যেকোনো সভা বা বৈঠকের অডিও থেকে প্রতিটি বক্তার বক্তব্য পৃথকভাবে লিখিত রূপে উপস্থাপন করতে পারে মডেলটি। এর ফলে অডিও রেকর্ড করার পর আলাদাভাবে সেটি প্রক্রিয়াজাত করার প্রয়োজনীয়তা অনেকাংশে কমে আসবে।
মডেলটির আরেকটি চমকপ্রদ বৈশিষ্ট্য হলো এটি প্রতিটি শব্দ লেখার আগে পরিস্থিতি বুঝে নিজে থেকেই সিদ্ধান্ত নেয় যে কতক্ষণ অডিও শোনা প্রয়োজন। মেটা এই কৌশলের নাম দিয়েছে অ্যাডাপটিভ ডিলে। কোম্পানিটির ব্যাখ্যা অনুযায়ী, সহজবোধ্য কথা হলে মডেলটি দ্রুতই তা লেখায় রূপান্তর করে ফেলবে, কিন্তু কোনো শব্দ বুঝতে জটিলতা দেখা দিলে মডেলটি সামান্য বেশি সময় নিয়ে প্রাসঙ্গিক প্রেক্ষাপট বোঝার চেষ্টা করবে। এভাবেই দ্রুততা ও নির্ভুলতার মধ্যে একটি ভারসাম্য রক্ষা করার চেষ্টা করা হয়েছে প্রযুক্তিটিতে।
খরচের দিক থেকে মেটা জানিয়েছে, তাদের মডেল এপিআই ব্যবহার করে প্রতি হাজার মিনিট অডিও প্রক্রিয়াজাত করতে খরচ পড়বে ৩ ডলার, অর্থাৎ এক ঘণ্টার অডিও প্রক্রিয়াকরণে খরচ দাঁড়াবে প্রায় ১৮ সেন্টের মতো। ম্যাক কম্পিউটারে এই ফিচার ব্যবহার করে সরাসরি কথা বলে লেখা তৈরি করতে হলে ব্যবহারকারীকে কি-বোর্ডের নির্দিষ্ট একটি বোতাম চেপে ধরে কথা বলতে হবে।
প্রযুক্তিবিশ্লেষকদের মতে, বৈঠক ও আলোচনার ধারণকৃত অডিও থেকে দ্রুত ও নির্ভুল লিখিত রূপ তৈরির এই সক্ষমতা কর্মক্ষেত্রে যোগাযোগ ও নথিপত্র সংরক্ষণের প্রচলিত ধারায় উল্লেখযোগ্য পরিবর্তন আনতে পারে।