আমি নিশ্চিত, আপনার সাথেও এমনটা হয়েছে: আপনার কাছে কোনো সাক্ষাৎকার বা ক্লাসের একটি দীর্ঘ রেকর্ডিং আছে, এবং পুরোটা প্রতিলিপি করার কথা ভাবতেই এক বিশাল কাজ বলে মনে হয়। সত্যি বলতে, হাতে লেখা প্রতিলিপি করা একটি চরম বিরক্তিকর এবং বিরাট সময় নষ্টের কাজ, বিশেষ করে যখন প্রচলিত বিনামূল্যের টুলগুলো শব্দ নিয়ে বিভ্রান্ত হয়ে পড়ে অথবা এমন ডেটা তৈরি করে যার কোনো অস্তিত্বই নেই।
এইখানেই আসে হুইস্পার, ওপেনএআই দ্বারা নির্মিত একটি শক্তিশালী এআই যা পুরো পরিস্থিতিটাই পাল্টে দিতে এসেছে। এটি শুধু আরেকটি প্রোগ্রাম নয়, বরং একটি স্বয়ংক্রিয় স্পিচ রিকগনিশন (ASR) মডেল যা অবিশ্বাস্য নির্ভুলতার সাথে শব্দ বিশ্লেষণ করে, যার ফলে আমরা কোনো ঝামেলা ছাড়াই মাত্র কয়েক মিনিটের মধ্যে সম্পাদনাযোগ্য টেক্সট পেতে পারি।
হুইস্পার আসলে কী এবং এটি অভ্যন্তরীণভাবে কীভাবে কাজ করে?
সহজ কথায় বলতে গেলে, হুইস্পার হলো একটি এআই সিস্টেম যা বিশেষভাবে কথাকে লেখায় রূপান্তর করার জন্য ডিজাইন করা হয়েছে। অন্যান্য সফটওয়্যারের মতো নয়, যেগুলো প্রায়শই ব্যর্থ হয়, এই মডেলটি একটি পেশাদার ফলাফল দেওয়ার জন্য অডিও প্যাটার্ন, প্রেক্ষাপট এবং বক্তার বৈশিষ্ট্য বিশ্লেষণ করে । এর v3 সংস্করণটি দশ লক্ষ ঘণ্টারও বেশি অডিওর উপর প্রশিক্ষিত হয়েছে, যা পূর্ববর্তী সংস্করণের ৬ লক্ষ ৮০ হাজার ঘণ্টাকে অনেক ছাড়িয়ে গেছে, যার ফলে ভুলের হার ১০% থেকে ২০% কমে এসেছে ।
এর সবচেয়ে আশ্চর্যজনক বিষয়গুলোর মধ্যে একটি হলো স্প্যানিশ ভাষা সামলানোর ক্ষমতা, যেখানে এর ভুলের হার ৫%-এরও কম । শুধু তাই নয়, এটি অন্যান্য ভাষার ক্ষেত্রেও পিছিয়ে নেই; এটি কাতালান, বাস্ক, গ্যালিসিয়ান, জার্মান, আরবি এবং জাপানি সহ ১০০টিরও বেশি ভাষা প্রতিলিপি করতে পারে এবং এমনকি বক্তা যখন বাক্যের মাঝখানে ভাষা পরিবর্তন করেন, সেটাও শনাক্ত করতে পারে।
প্রযুক্তিগত বৈশিষ্ট্য এবং বহুমুখিতা
হুইসপার কোনো ক্লোজড অ্যাপ্লিকেশন নয়, বরং এটি একটি ল্যাঙ্গুয়েজ মডেল যা অন্যান্য কোম্পানিকে একটি এপিআই (API) ব্যবহার করে তাদের নিজস্ব টুল তৈরি করার জন্য ভিত্তি হিসেবে কাজ করে। যেকোনো হার্ডওয়্যারের সাথে খাপ খাইয়ে নেওয়ার জন্য, ওপেনএআই (OpenAI) মেশিনের সক্ষমতার ওপর নির্ভর করে এটিকে বিভিন্ন আকারে প্রকাশ করেছে । এর লাইটওয়েট সংস্করণ রয়েছে যেগুলোর জন্য ১ জিবিরও কম ভিআরএএম (VRAM) প্রয়োজন হয় এবং যেগুলোতে ৩৯ মিলিয়ন প্যারামিটার থাকে; আবার এর বিশাল মডেলগুলোতেও ১.৫৫ বিলিয়ন প্যারামিটার রয়েছে, যা পূর্ণ ক্ষমতায় চালানোর জন্য প্রায় ১০ জিবি ভিআরএএম প্রয়োজন হয়।
এর আরেকটি বড় সুবিধা হলো কথোপকথনের স্বাভাবিক বিরতিগুলো বুঝতে পারার ক্ষমতা । এর মানে হলো, বক্তার নীরবতার ওপর ভিত্তি করে কোথায় কমা বা দাঁড়ি বসাতে হবে, তা এআই জেনে যায়, যা পরবর্তীতে আমাদের প্রচুর সম্পাদনার কাজ বাঁচিয়ে দেয়। একাধিক অংশগ্রহণকারীসহ মিটিং, পডকাস্ট বা সাক্ষাৎকার পরিচালনার জন্য এটি আদর্শ , কারণ এটি স্বয়ংক্রিয়ভাবে বক্তাদের শনাক্ত করে এবং আলাদা করে দেয়।
কীভাবে এটি চালু করবেন: প্রযুক্তিগত দিক থেকে সহজ পর্যন্ত
আপনি যদি কম্পিউটারে দক্ষ হন, তবে সরাসরি তাদের গিটহাব পেজে গিয়ে ওপেন-সোর্স কোডটি ডাউনলোড করতে পারেন এবং প্রযুক্তিগত নির্দেশাবলী অনুসরণ করে আপনার মেশিনে তা চালাতে পারেন । এটি অনেকটা একটি এআই প্রোগ্রামিং অ্যাসিস্ট্যান্ট সেট আপ করার মতোই , কারণ এর জন্য উন্নত জ্ঞানের প্রয়োজন এবং যিনি প্রোগ্রামিং জানেন না, তার জন্য এটি মোটেও সহজ কাজ নয়।
আপনি যদি বিষয়টিকে জটিল করতে না চান, তবে আরও অনেক সহজ বিকল্প রয়েছে। উদাহরণস্বরূপ, আপনি রেপ্লিকেট প্ল্যাটফর্ম (replicate.com/openai/whisper) ব্যবহার করতে পারেন , যা আপনার কম্পিউটারে কিছু ইনস্টল করার প্রয়োজন ছাড়াই ফাইল আপলোড করতে এবং মডেলের কোন সংস্করণটি (যেমন v3) ব্যবহার করতে চান তা বেছে নিতে দেয়। এইভাবে, যে কেউ রেকর্ড সময়ে একটি সম্পাদনাযোগ্য খসড়া পেতে এআই-এর শক্তিকে কাজে লাগাতে পারে ।
এরকম একটি টুল হাতের কাছে থাকাটা স্বস্তিদায়ক, বিশেষ করে সাংবাদিক বা শিক্ষার্থীদের জন্য, যাদের আগে একই অডিও ক্লিপ শুনতে ঘণ্টার পর ঘণ্টা সময় ব্যয় করতে হতো। এখন, রিয়েল টাইমে এবং প্রায় নিখুঁত নির্ভুলতার সাথে ভয়েস প্রসেস করার ক্ষমতার ফলে , ট্রান্সক্রিপশন একটি ক্লান্তিকর কাজ থেকে একটি স্বয়ংক্রিয় ও কার্যকর প্রক্রিয়ায় পরিণত হয়েছে, যা আমাদের গুরুত্বপূর্ণ বিষয়টিতে মনোযোগ দিতে সাহায্য করে: অর্থাৎ, বিষয়বস্তু বিশ্লেষণ করা।