ElevenLabs-এর Eleven v4 স্পিচ মডেল আরও প্রকাশক্ষম ও কণ্ঠসামঞ্জস্যপূর্ণ

ElevenLabs প্রকাশক্ষম AI কণ্ঠস্বরের মানদণ্ড আরও উঁচুতে তুলল

ElevenLabs Eleven v4 চালু করছে, একটি নতুন স্পিচ মডেল যা কোম্পানির দাবি অনুযায়ী তার পূর্বসূরির চেয়ে নির্দেশনামূলক সংকেত আরও নিখুঁতভাবে অনুসরণ করে এবং দীর্ঘমেয়াদি প্রযোজনায় একজন বর্ণনাকারী বা চরিত্রের কণ্ঠস্বর স্থিতিশীল রাখে। এর পাশাপাশি কোম্পানিটি একটি দ্রুততর সংস্করণও প্রকাশ করছে, যা সরাসরি রিয়েল-টাইম অ্যাপ্লিকেশনকে লক্ষ্য করে, যেখানে প্রতিক্রিয়াশীল ভয়েস এজেন্টদের ঐতিহাসিকভাবে প্রকাশক্ষমতার সঙ্গে আপস করতে হয়েছে।

এই প্রকাশ প্রায় এক বছর পর এলো Eleven v3-এর, যা ইতিমধ্যে অডিও ট্যাগের সমর্থন চালু করেছিল কিন্তু সেই নির্দেশনাগুলো কম নিখুঁতভাবে অনুসরণ করত। v4-এর মাধ্যমে ElevenLabs এই ভরসা করছে যে একটি ব্যবহারযোগ্য সিন্থেটিক কণ্ঠস্বর আর সত্যিকারের পরিবেশনমূলক কণ্ঠস্বরের মধ্যে পার্থক্য নির্ভর করে একটি মডেল লেখক বা প্রযোজকের দেওয়া নির্দেশনাগুলো কতটা বিশ্বস্তভাবে ব্যাখ্যা করে — এবং একটি অডিওবুক, ডাবিং প্রকল্প বা দীর্ঘ ইন্টারঅ্যাকটিভ সেশনের পুরো সময়কালে সেই পরিবেশনা কতটা কম বিচ্যুত হয় তার উপর।

নির্দেশনামূলক সংকেত অনেক বেশি নির্ভরযোগ্য হলো

Eleven v4-এর মূল প্রতিশ্রুতি হলো নিয়ন্ত্রণ। ব্যবহারকারীরা একটি স্ক্রিপ্টে ট্যাগ দিয়ে লাইন-বাই-লাইন ভিত্তিতে আবেগ, বিরতি ও শব্দ-প্রভাব উল্লেখ করতে পারেন, অথবা সহজ বাক্যে শুধু বর্ণনা করতে পারেন তারা কী চান। ElevenLabs-এর মতে, নতুন সংস্করণটি v3-এর চেয়ে অনেক ভালোভাবে এই নির্দেশনাগুলো সামলায়।

বাস্তবে এর অর্থ হলো, অ-মৌখিক শব্দ — হাসি, ফিসফিস, দরজা জোরে বন্ধ হওয়ার শব্দ — আরও নির্ভরযোগ্যভাবে এবং সঠিক স্থানে তৈরি হয়। এগুলোই ঠিক সেই ধরনের বিবরণ যা একটি নীরস সিন্থেটিক পাঠকে টেক্সচারযুক্ত পরিবেশনা থেকে আলাদা করে। একটি স্ক্রিপ্টেড হাসি যদি ভুল সিলেবলে পড়ে, বা একটি ফিসফিস যদি ভুল তীব্রতায় আসে, তাৎক্ষণিকভাবে ভ্রম ভেঙে যায়; ElevenLabs v4-কে সেই সংস্করণ হিসেবে উপস্থাপন করছে যা এই ফাঁকের অনেকটাই পূরণ করে।

উচ্চারণ নিয়ন্ত্রণও আরও কঠোর করা হয়েছে। লেখকেরা ফোনেটিক বানান ব্যবহার করে নাম, ব্র্যান্ডের পরিভাষা ও কারিগরি শব্দভাণ্ডার কীভাবে উচ্চারিত হবে তা নির্ধারণ করতে পারেন, এবং কোম্পানির দাবি এই নিয়ন্ত্রণগুলো এখন আগের চেয়ে আরও সামঞ্জস্যপূর্ণভাবে কাজ করে। যারা সংক্ষিপ্ত রূপ, রাসায়নিক নাম বা অ-ইংরেজি নামবাচক বিশেষ্য দিয়ে ভরা কনটেন্ট তৈরি করেন, তাদের জন্য এই নির্ভরযোগ্যতা আবেগের পরিসরের মতোই মূল্যবান।

একটি কণ্ঠস্বর স্থির রাখার জন্য ডিজাইন করা আর্কিটেকচার

ElevenLabs এই উন্নতির কারণ হিসেবে একটি নতুন মডেল আর্কিটেকচারের কথা বলে, যা প্রতিটি লাইনকে বিচ্ছিন্ন টেক্সট একক হিসেবে না দেখে একটি স্ক্রিপ্টের সুর, গতি ও প্রসঙ্গ বিশ্লেষণ করে। এই প্রাসঙ্গিক সচেতনতা সবচেয়ে বেশি গুরুত্বপূর্ণ যখন একটি প্রযোজনা দীর্ঘ চলে।

বর্ণনাকারী ও চরিত্রদের একটি প্রকল্প জুড়ে সামঞ্জস্যপূর্ণ শোনানোর প্রত্যাশা করা হয়, এমনকি সেই ওয়ার্কফ্লোতেও যেখানে সম্পাদনার সময় আলাদা লাইন একাধিকবার পুনরুত্পাদন করা হয়। যিনি ডজনখানেক আলাদা টেক থেকে একটি ভয়েস-ওভার জোড়া লাগিয়েছেন তিনি ব্যর্থতার ধরনটি জানেন: এখানে-ওখানে একটি বাক্যাংশ যার টিমব্রে, শক্তি বা উচ্চারণ সূক্ষ্মভাবে বদলে যায়, ফলে একটি শ্রবণযোগ্য সীম seam থেকে যায়। ElevenLabs-এর দাবি v4 এই বিচ্যুতি প্রতিরোধের জন্য তৈরি।

প্রতিটি অনুরোধে সর্বোচ্চ ১০,০০০ অক্ষর প্রক্রিয়া করা যায়, যা মোটামুটি দশ মিনিটের চূড়ান্ত অডিও। অডিওবুকের মতো দীর্ঘ কাজ একাধিক সেগমেন্ট থেকে একত্র করা হয়, এবং কোম্পানির প্রত্যাশা এই পরিবর্তনগুলোর মধ্যেও গতি ও পরিবেশনা স্থিতিশীল থাকবে। সংলাপে, মডেলটি প্রতিটি বক্তার লাইন আলাদাভাবে পরিবেশন করার বদলে একটি সম্পূর্ণ দৃশ্যের প্রসঙ্গে সাড়া দেয় বলে জানানো হয়েছে — এই পরিবর্তনটি পালাক্রমে সংলাপগুলোকে একের পর এক একক বক্তৃতার মতো না রেখে আরও বেশি কথোপকথনের মতো অনুভব করাবে।

বিস্তৃত ভাষা কভারেজ ও পুনরুজ্জীবিত ক্লোন সরঞ্জাম

Eleven v4 ৯০টিরও বেশি ভাষা সমর্থন করে, যা v3-এর প্রায় ৭০টি থেকে বৃদ্ধি। এই বিস্তার ক্লোন করা কণ্ঠস্বর সম্পর্কে একটি নির্দিষ্ট দাবির সঙ্গে যুক্ত: তারা মূল রেকর্ডিংয়ের উচ্চারণে ধীরে ধীরে ফিরে না গিয়ে স্থানীয় শোনানো উচ্চারণে অন্য ভাষায় কথা বলতে সক্ষম হবে। এই ধরনের বিচ্যুতি বহুভাষিক ডাবিংয়ে দীর্ঘদিনের অভিযোগ, যেখানে ইংরেজি উৎস উপাদান থেকে তৈরি একটি কণ্ঠস্বর স্প্যানিশ বা জাপানি বলতে গেলে তার উৎস প্রকাশ করে ফেলে।

ElevenLabs আরও জানায়, v3-এ অসমর্থিত থাকার পর Professional Voice Clones আবার v4-এ কাজ করে, যা উচ্চমানের প্রযোজনা ওয়ার্কফ্লোগুলোর হারানো একটি সক্ষমতা ফিরিয়ে আনে। অন্যদিকে, একটি Instant Voice Clone-এর জন্য মাত্র দশ সেকেন্ডের অডিও প্রয়োজন, যা স্টুডিও-মানের রেকর্ডিং হাতে না থাকা ব্যবহারকারীদের জন্য দ্রুত প্রোটোটাইপিং সহজলভ্য রাখে।

Turbo রিয়েল-টাইম ভয়েস এজেন্টের দিকে এগোয়

ঘোষণার দ্বিতীয় অংশটি গতির বিষয়ে। Eleven v4 Turbo গ্রাহকসেবা কল ও গেম চরিত্রের মতো রিয়েল-টাইম ব্যবহারের জন্য তৈরি, যেখানে এক সেকেন্ডের ভগ্নাংশের বেশি বিরতি একটি ইন্টারঅ্যাকশনকে কৃত্রিম মনে করায়।

ElevenLabs-এর পরীক্ষা অনুযায়ী, Turbo প্রায় ১৫০ মিলিসেকেন্ডে শ্রবণযোগ্য কথা বলা শুরু করে। কোম্পানি এটিকে দীর্ঘদিনের একটি আপস সমাধান হিসেবে উপস্থাপন করছে: ভয়েস এজেন্ট ডেভেলপারদের আগে দ্রুত প্রতিক্রিয়া আর প্রকাশক্ষম প্রতিক্রিয়ার মধ্যে একটি বেছে নিতে হতো। Turbo উভয়ই দেওয়ার উদ্দেশ্যে তৈরি, যা কথোপকথনমূলক এজেন্টদের স্ক্রিপ্টেড ফোন ট্রির মতো না শুনিয়ে একটি সরাসরি কথোপকথনের অংশগ্রহণকারীর মতো শোনাতে পারে।

এক নজরে Eleven v4

• আবেগ, বিরতি ও শব্দ-প্রভাবের জন্য নির্দেশনা ট্যাগ এবং সহজ ভাষার নির্দেশাবলী আরও নিখুঁতভাবে অনুসরণ
• হাসি, ফিসফিস এবং দরজা জোরে বন্ধ হওয়ার মতো প্রভাব v3-এর চেয়ে আরও নির্ভরযোগ্যভাবে তৈরি
• দীর্ঘ প্রযোজনায় সামঞ্জস্যপূর্ণ বর্ণনাকারী ও চরিত্রের কণ্ঠস্বর, এমনকি আলাদা লাইন পুনরুত্পাদন করলেও
• প্রতি অনুরোধে সর্বোচ্চ ১০,০০০ অক্ষর, প্রায় দশ মিনিটের অডিও
• v3-এর প্রায় ৭০টি থেকে বেড়ে ৯০টিরও বেশি ভাষার সমর্থন
• ক্লোন করা কণ্ঠস্বর অন্য ভাষায় স্থানীয় উচ্চারণ ধরে রাখবে বলে প্রত্যাশা, ফিরে যাবে না
• v3-এ অসমর্থিত থাকার পর Professional Voice Clones পুনরুদ্ধার; Instant Voice Clone-এর জন্য দশ সেকেন্ডের অডিও প্রয়োজন
• Eleven v4 Turbo প্রায় ১৫০ মিলিসেকেন্ডে কথা বলা শুরু করে, যা ElevenLabs-এর দাবি অনুযায়ী প্রতিযোগী মডেলগুলোকে ছাড়িয়ে যায়

কেন শিরোনামের চেয়ে বিবরণ বেশি গুরুত্বপূর্ণ

স্পিচ সিন্থেসিসে প্রতিযোগিতার সীমান্ত বদলে গেছে। সাবলীল, মানুষের মতো শোনানো অডিও এখন সাধারণ ন্যূনতম শর্ত; প্ল্যাটফর্মগুলোকে আলাদা করে নিয়ন্ত্রণযোগ্যতা — একজন পরিচালক একটি নির্দিষ্ট পরিবেশনা চাইতে পারেন কি না এবং বারবার টেকে সেটি অপরিবর্তিত ফিরে পান কি না। Eleven v4-এর প্রস্তাব মূলত বড় পরিসরে পূর্বানুমেয়তার বিষয়ে, দশ মিনিটের একটি অধ্যায় ডাউনলোড থেকে শুরু করে পাঁচ ভাগের এক সেকেন্ডে একজন গ্রাহককে উত্তর দেওয়া একটি লাইভ এজেন্ট পর্যন্ত।

অডিওবুক, ডাব করা ভিডিও ও ইন্টারঅ্যাকটিভ চরিত্রের প্রযোজকদের জন্য বাস্তব প্রশ্ন হবে Turbo-এর গতি সত্যিকারের কথোপকথনের পরিস্থিতিতে কতটা টিকে থাকে এবং সেগমেন্ট-বাই-সেগমেন্ট একত্রীকরণ সত্যিই একটি পূর্ণদৈর্ঘ্য শিরোনাম জুড়ে তার স্বরগত ভিত্তি ধরে রাখে কি না। এগুলো এখন ElevenLabs-এর দাবি; আগামী মাসগুলোর প্রযোজনা কাজ নির্ধারণ করবে এগুলো কতটা টিকে থাকে।

এই নিবন্ধটি The Decoder-এর প্রতিবেদনের উপর ভিত্তি করে। মূল নিবন্ধ পড়ুন।