মাইক্রোসফট এআই একটি নতুন রিয়েল-টাইম ট্রান্সক্রিপশন ইঞ্জিনের সঙ্গে দুটি টেক্সট-টু-স্পিচ মডেল উন্মোচন করেছে — এটি এমন একটি প্যাকেজ, যা কথোপকথনমূলক ভয়েস এজেন্ট তৈরি করা ডেভেলপারদের জন্য তৈরি। ২০২৬ সালের ২ অক্টোবর The Decoder-এর প্রতিবেদন অনুযায়ী, এই রিলিজটি কোম্পানির MAI মডেল লাইনে স্ট্রিমিং স্পিচ রিকগনিশন ও বহুভাষিক সিন্থেসিস যোগ করেছে, যা নির্মাতাদের একক সরবরাহকারীর কাছ থেকে প্রায় সম্পূর্ণ শোনা-ও-বলা স্ট্যাক দিচ্ছে।
লেটেন্সি হয়ে উঠছে বিভাজনরেখা
শিরোনামে থাকা মডেল MAI-Transcribe-2-Streaming এমনভাবে ডিজাইন করা হয়েছে যাতে এটি একটি বাক্য সম্পূর্ণ হওয়ার পরে নয়, বরং কথা বলার সঙ্গে সঙ্গেই বক্তব্যকে টেক্সটে রূপান্তর করে। মাইক্রোসফট বলছে, এটি ১০০ মিলিসেকেন্ডের একটু বেশি সময়ে তার প্রথম আংশিক আউটপুট তৈরি করে — ভয়েস ইন্টারফেস তৈরি করা যে কারও জন্য এই সংখ্যাটি কাঁচা নির্ভুলতার চেয়েও বেশি গুরুত্বপূর্ণ।
কোম্পানিটি আরও দাবি করেছে যে মডেলটি তৃতীয় পক্ষের মূল্যায়ন সাইট Artificial Analysis-এর ট্র্যাক করা নির্ভুলতা র্যাঙ্কিংয়ে শীর্ষে রয়েছে। স্বাধীন পরীক্ষায় যদি এটি টিকে থাকে, তাহলে এটি মাইক্রোসফটকে গতি ও নির্ভুলতার একটি বিরল সমন্বয় দেবে — দুটি বৈশিষ্ট্য, যা সাধারণত পরস্পরের সঙ্গে টানাপোড়েনে থাকে, কারণ স্পিচ রিকগনাইজারকে বক্তা একটি চিন্তা শেষ করার আগেই একটি ব্যাখ্যায় পৌঁছাতে হয়।
কেন বাক্যের মাঝখানে সাড়া দেওয়া মিথস্ক্রিয়া বদলে দেয়
শব্দভাণ্ডারের পরিধি ৬০টি ভাষা জুড়ে বিস্তৃত। তবে আরও তাৎপর্যপূর্ণ ডিজাইন সিদ্ধান্ত হলো স্ট্রিমিং আর্কিটেকচার নিজেই: যেহেতু আংশিক ফলাফল প্রায় সঙ্গে সঙ্গেই আসে, একটি এজেন্ট ব্যবহারকারী তখনও কথা বলছেন — এমন সময়েই উত্তর তৈরি করতে শুরু করতে পারে। এটাই হলো ওয়াকি-টকির মতো অনুভূত হওয়া একটি সিস্টেম এবং এমন একজন ব্যক্তির মতো আচরণ করা সিস্টেমের মধ্যে পার্থক্য, যিনি অনুমান করতে পারেন একটি বাক্য কোন দিকে এগোচ্ছে।
বছরের শেষ পর্যন্ত মাইক্রোসফট এই পরিষেবার মূল্য প্রক্রিয়াকৃত প্রতি ঘণ্টা অডিওর জন্য introductory $০.৫৪ নির্ধারণ করেছে। উচ্চ-পরিমাণ কল সেন্টার বা সবসময় চালু থাকা অ্যাসিস্ট্যান্টের জন্য, এই হারটিই সেই সংখ্যা, যা নির্ধারণ করবে গতির সুবিধা আসলে বাস্তব ব্যবহারে রূপান্তরিত হয় কি না।
২৩টি ভাষায় একই কণ্ঠস্বর
সিন্থেসিসের দিকে, MAI-Voice-2.1 ২৩টি ভাষায় কথা বলার জন্য তৈরি, একই কণ্ঠস্বরের পরিচয় ধরে রেখে প্রতিটিতে স্থানীয় উচ্চারণ গ্রহণ করে। প্রতিটি লোকেলের জন্য ভিন্ন শোনা একজন স্পিকার বদলে দেওয়ার বদলে, মডেলটি একটি ধারাবাহিক ব্যক্তিসত্তা সংরক্ষণের লক্ষ্য রাখে — এমন একটি বৈশিষ্ট্য, যা ব্র্যান্ড ও পণ্য দলগুলো সাধারণত গুরুত্ব দেয় যখন একটি অ্যাসিস্ট্যান্ট কোনো পরিষেবার চেনা অংশ হয়ে ওঠে।
দ্বিতীয় একটি ভ্যারিয়েন্ট, MAI-Voice-2.1-Flash, সেই সমৃদ্ধির কিছুটা গতির বিনিময়ে ত্যাগ করে। মাইক্রোসফট ১৫০ মিলিসেকেন্ড লেটেন্সি এবং প্রতি মিলিয়ন অক্ষরে $১৫ মূল্য জানিয়েছে, যা স্ট্যান্ডার্ড মডেলের $২২ থেকে কম।
ভয়েস এজেন্টের জন্য মূল্যের হিসাব
খরচের কাঠামোই প্রায়শই নির্ধারণ করে একটি স্টার্টআপ কোন মডেলের উপর তৈরি করবে, এবং মাইক্রোসফট ডেভেলপারদের জন্য একটি স্পষ্ট সিঁড়ি দিয়েছে:
- ট্রান্সক্রিপশন: introductory হারে প্রতি ঘণ্টা অডিওর জন্য $০.৫৪, যা বছরের শেষ পর্যন্ত বৈধ।
- সিন্থেসিস (স্ট্যান্ডার্ড): MAI-Voice-2.1, সম্পূর্ণ বহুভাষিক ভয়েস আচরণ বহন করে।
- সিন্থেসিস (দ্রুত): MAI-Voice-2.1-Flash, ১৫০ মিলিসেকেন্ড লেটেন্সি এবং প্রতি মিলিয়ন অক্ষরে $১৫, বনাম স্ট্যান্ডার্ড টিয়ারের $২২।
এই সংখ্যাগুলো কোম্পানিটিকে স্পিচ সরবরাহকারীদের একটি ভিড়ভাট্টা ক্ষেত্রে সরাসরি প্রতিযোগিতায় ফেলে, যেখানে প্রতি-অক্ষর ও প্রতি-মিনিটের হার বেঞ্চমার্ক স্কোরের মতোই নিবিড়ভাবে যাচাই করা হয়।
কণ্ঠস্বর ক্লোনিং — সঙ্গে সুরক্ষা ব্যবস্থা
উভয় ভয়েস মডেল মাত্র কয়েক সেকেন্ডের রেফারেন্স অডিও থেকে একজন স্পিকারের কণ্ঠস্বর পুনরুৎপাদন করতে পারে। এই সক্ষমতা অ্যাক্সেসিবিলিটি টুল, লোকালাইজেশন এবং ব্যক্তিগতকৃত অ্যাসিস্ট্যান্টের জন্য শক্তিশালী, এবং ছদ্মবেশের একটি মাধ্যম হিসেবেও সমানভাবে শক্তিশালী। মাইক্রোসফট বলছে, অন্তর্নির্মিত সুরক্ষা ব্যবস্থাগুলো অপব্যবহার প্রতিরোধের উদ্দেশ্যে তৈরি, যদিও সেই গার্ডরেলগুলোর কার্যপ্রণালী প্রকাশ্যে বিস্তারিতভাবে বলা হয়নি।
ডেভেলপাররা মডেলগুলো কোথায় পাবেন
মডেলগুলো Microsoft Foundry এবং MAI Playground-সহ অন্যান্য বিতরণ চ্যানেলের মাধ্যমে পাওয়া যায়। দুটি ভয়েস মডেল OpenRouter-এও দেখা যায়, যা ডেভেলপারদের একটি সরবরাহকারীর প্রতি প্রতিশ্রুতিবদ্ধ না হয়ে প্রতিযোগী মডেলের পাশাপাশি অনুরোধ রাউট করার একটি উপায় দেয়।
আনক্যানি ভ্যালি, পরিমাপ করা
মাইক্রোসফট একটি পরীক্ষা চালিয়েছিল, যেখানে প্রায় ৪,০০০ অংশগ্রহণকারী সিন্থেসাইজড কণ্ঠস্বর শুনেছিলেন। তাদের মধ্যে প্রায় অর্ধেক বিশ্বাস করেছিলেন যে তারা একজন প্রকৃত ব্যক্তির কথা শুনছেন। এই ফলাফল দুই দিকেই কাটে: এটি ইঙ্গিত দেয় যে মডেলগুলো একটি অর্থবহ বাস্তবতার সীমা অতিক্রম করেছে, এবং এটি ইঙ্গিত দেয় যে শ্রোতারা নির্ভরযোগ্যভাবে সিন্থেটিক বক্তব্যকে মানব হিসেবে গ্রহণ করার আগে কতটা পথ বাকি আছে।
পণ্য ডিজাইনারদের জন্য মূল কথা হলো, অবশিষ্ট সন্দেহ সমানভাবে বিতরণ করা নয়। একটি সংক্ষিপ্ত পরীক্ষায় যারা প্রতারিত হয়েছেন, তারা এখনও ভিন্নভাবে প্রতিক্রিয়া জানাতে পারেন যখন একটি ক্লোন করা কণ্ঠস্বর অ্যাকাউন্টের বিবরণ বা ডেলিভারি নির্দেশনা চায় — এমন প্রেক্ষাপট, যেখানে সত্যতার প্রত্যাশা বেশি থাকে।
যা এখনও যাচাই হয়নি
ঘোষণার কয়েকটি প্রধান দাবি মাইক্রোসফটের নিজের কাছ থেকেই এসেছে। ট্রান্সক্রিপশন নির্ভুলতা র্যাঙ্কিংয়ের স্বাধীন মূল্যায়ন, প্রকৃত নেটওয়ার্ক পরিস্থিতিতে লেটেন্সির সংখ্যা এবং ক্লোনিং সুরক্ষার দৃঢ়তা — সবই খোলা প্রশ্ন হিসেবে রয়ে গেছে:
- Artificial Analysis নির্ভুলতা র্যাঙ্কিং মাইক্রোসফট দাবি করেছে এবং বাইরের পরীক্ষায় এখনও নিশ্চিত হয়নি।
- লেটেন্সির সংখ্যাগুলো মডেলের আচরণ বর্ণনা করে এবং উৎপাদনে এন্ড-টু-এন্ড পারফরম্যান্স প্রতিফলিত নাও করতে পারে।
- ভয়েস-ক্লোনিং অপব্যবহারের বিরুদ্ধে সুরক্ষা ব্যবস্থাগুলো শুধু সাধারণ পরিভাষায় বর্ণনা করা হয়েছে।
স্ট্যাকটি মূল্যায়ন করা ডেভেলপাররা প্রকাশিত সংখ্যাগুলোকে ভিত্তি হিসেবে ধরে নেওয়ার আগে নিজেদের অডিও — উচ্চারণযুক্ত বক্তব্য, কোলাহলপূর্ণ পরিবেশ, একইসঙ্গে কথা বলা একাধিক স্পিকার — দিয়ে এটি পরীক্ষা করতে চাইবেন।
কেন এটি গুরুত্বপূর্ণ
ভয়েস এজেন্টগুলো ভাষা বোঝার চেয়ে বরং পালা নেওয়ার কার্যপ্রণালী দ্বারা বেশি বাধাগ্রস্ত হয়েছে। যে সিস্টেম নীরবতার জন্য অপেক্ষা করে, তা কথোপকথনের মতো অনুভূত হতে পারে না। মানব প্রতিক্রিয়ার সীমার নিচে আংশিক ট্রান্সক্রিপশন নামিয়ে এবং এক সেকেন্ডের ভগ্নাংশে চলা সিন্থেসিসের সঙ্গে এটি জুড়ে দিয়ে, মাইক্রোসফট বাজি ধরছে যে পরবর্তী প্রজন্মের অ্যাসিস্ট্যান্টগুলো বুদ্ধিমত্তার মতোই ছন্দ দিয়েও বিচার করা হবে। মূল্য ও সুরক্ষা ব্যবস্থাগুলো বাস্তব-বিশ্বের চাপে টিকে থাকে কি না — সেটাই পরবর্তী পরীক্ষা।
এই নিবন্ধটি The Decoder-এর প্রতিবেদনের উপর ভিত্তি করে। মূল নিবন্ধ পড়ুন।
Originally published on the-decoder.com
