Meta Muse Voice Transcribe রিয়েল-টাইম অডিও ট্রান্সক্রিপশনের জন্য চালু করা হয়েছে। Meta Superintelligence Labs-এর তৈরি এই মডেল ৭০টিরও বেশি ভাষা সমর্থন করে এবং হিন্দি, তামিল, তেলুগু, কন্নড় ও মালয়ালমসহ ৫টি ভারতীয় ভাষায় কাজ করে।
Muse Voice Transcribe রেকর্ডিং সম্পূর্ণ হওয়ার অপেক্ষা না করে কথোপকথনের সময়ই স্পিচকে টেক্সটে রূপান্তর করতে পারে। মডেলটি বিভিন্ন বক্তার কণ্ঠ শনাক্ত করার পাশাপাশি তাদের কথা বলা শুরু ও শেষ হওয়ার সময়ও নির্ধারণ করতে পারে।
Meta-এর মতে, Muse Voice Transcribe একই রেকর্ডিংয়ে ২০ জনেরও বেশি মানুষের কণ্ঠের মধ্যে পার্থক্য করতে পারে। এটি এক ঘণ্টারও বেশি দীর্ঘ অডিও প্রসেস করতে সক্ষম, ফলে দীর্ঘ কথোপকথনকে ছোট ক্লিপে ভাগ করার প্রয়োজন কমে।
মডেলটি প্রায় ৮০ মিলিসেকেন্ডের ছোট ছোট অংশে অডিও প্রসেস করে। এরপর কোনও শব্দ নির্ভুলভাবে ট্রান্সক্রাইব করার জন্য পর্যাপ্ত তথ্য পাওয়া গেছে কি না, তা নির্ধারণ করে। সহজ শব্দ দ্রুত প্রসেস করা যায়, অন্যদিকে অস্পষ্ট শব্দের ক্ষেত্রে মডেল অতিরিক্ত অডিওর জন্য অপেক্ষা করে।
Meta জানিয়েছে, এই প্রক্রিয়ায় Reinforcement Learning ব্যবহার করা হয়েছে। এর মাধ্যমে স্পিচ চলাকালীন ট্রান্সক্রিপশনের উপযুক্ত সময় নির্ধারণ এবং ভুল কমানোর লক্ষ্য রাখা হয়েছে।
Muse Voice Transcribe-কে ৭০টিরও বেশি ভাষার ওপর প্রশিক্ষণ দেওয়া হয়েছে। প্রাথমিকভাবে প্রকাশের আগে কোম্পানি ২৫টি ভাষায় মডেলটির পরীক্ষা চালিয়েছিল। এর মধ্যে হিন্দি ছাড়াও তামিল, তেলুগু, কন্নড় ও মালয়ালম রয়েছে।
মডেলটি কথোপকথনের সময় Language Switching বা ভাষা পরিবর্তনও পরিচালনা করতে পারে। একই বাক্যের মাঝেও ভাষা পরিবর্তন হলে ব্যবহারকারীকে ম্যানুয়ালি ভাষার সেটিং পরিবর্তন করতে হয় না।
এছাড়া সিস্টেমটি Language, Keyword এবং Context Biasing সমর্থন করে। এর মাধ্যমে কথোপকথনের প্রেক্ষাপট অনুযায়ী সঠিক শব্দ শনাক্ত করতে সহায়তা করে।
Meta Muse Voice Transcribe-কে Meta Model API-এর মাধ্যমে উপলব্ধ করেছে। ডেভেলপাররা নিজেদের অ্যাপ্লিকেশনে স্পিচ ট্রান্সক্রিপশনের মতো সুবিধা যুক্ত করতে এটি ব্যবহার করতে পারবেন। Mac-এর জন্য Meta AI এবং Muse Code-এও ডিক্টেশনের কাজে এটি ব্যবহার করা হচ্ছে।
API-এর মূল্য ১,০০০ অডিও মিনিটের জন্য $3 (প্রায় ₹300) নির্ধারণ করা হয়েছে। এই হিসাবে এক ঘণ্টার অডিওর খরচ প্রায় $0.18 (প্রায় ₹17)।
