ডিপফেক কণ্ঠ ও টেক্সট টু স্পিচ

কৃত্রিম বুদ্ধিমত্তা (AI) ও ডিপ লার্নিং-এর অগ্রগতির ফলে এখন খুবই উচ্চমানের, বাস্তবের মতো সিনথেটিক মিডিয়া বানানো সম্ভব। এই প্রযুক্তি নানা শিল্পক্ষেত্রে সৃজনশীল কাজের নতুন দুয়ার খুলে দিয়েছে। এর মধ্যেই একটি হলো ডিপফেক, যাকে সিনথেটিক কণ্ঠ বা ভয়েস ক্লোনিং বলা হয়।

ডিপফেক কণ্ঠ কী?

ডিপফেক হলো কৃত্রিমভাবে বানানো মিডিয়া, যাকে ভয়েস ক্লোনিং-ও বলা হয়। AI ব্যবহার করে আপনি কারো চেহারা বা কণ্ঠ বদলে এমন ভিডিও ডিপফেক বানাতে পারেন, যাকে ভয়েস ক্লোনিং নামে ডাকা হয়। ধরুন, চাইলে আপনি আরনল্ড শোয়ার্জনেগারের গলায় আপনার কথাই বলিয়ে নিতে পারবেন।

এর জন্য লাগে বিশেষ সফটওয়্যার, যা মুখের বিশ্লেষণ করে, টেক্সট থেকে কণ্ঠ তৈরি করে, আর থ্রিডি স্পেসে ঠোঁটের নড়াচড়া মডেল করে।

এই প্রযুক্তির নানা ব্যবহার আছে, তার মধ্যে ভয়েস ক্লোনিং খুবই আলোচিত। প্রায় সবাই কোনো না কোনোভাবে ডিপফেক স্ক্যান্ডেলের গল্প শুনেছে। টনি বোর্দেনকে নিয়ে বানানো সাম্প্রতিক এক ডকুমেন্টারিতেও ডিপফেক কণ্ঠ ব্যবহার দর্শকদের চমকে দিয়েছিলো।

আইটি স্টার্টআপগুলো নির্মাতাদের বোর্দেনের কণ্ঠ নতুনভাবে তৈরি করতে সহায়তা করেছে। এটি নিঃসন্দেহে বড় অর্জন, কিন্তু একই সঙ্গে নৈতিকতা নিয়েও প্রশ্ন তোলে। কারণ, ইচ্ছা করলে শুধু সঠিক সফটওয়্যার ও কম্পিউটার দিয়েই অন্য কারো হুবহু নকল ভিডিও বা কণ্ঠ বানানো যায়।

ডিপফেক কীভাবে তৈরি হয়?

শুরুতে, কারো কণ্ঠের পর্যাপ্ত নমুনা জোগাড় করতে হয়। সোশ্যাল মিডিয়া, ফোন কল, টিভি—সব জায়গা থেকেই সেই কণ্ঠ ব্যবহার করা যায়। তারপর AI সফটওয়্যার সেই নমুনাগুলো বিশ্লেষণ করে মিশিয়ে কৃত্রিম কণ্ঠ তৈরি করে।

প্রক্রিয়াটা জটিল, কিন্তু শেষে AI টুল সেই ডেটা দিয়ে প্রকৃতির কাছাকাছি শোনায় এমন কণ্ঠ বানায়, যেটা দিয়ে ডিজিটাল টেক্সট পড়ানো যায়। তাই ডিপফেকের সঙ্গে খুব ঘনিষ্ঠভাবে জড়িত আছে টেক্সট টু স্পিচ (TTS) প্রযুক্তি।

টেক্সট-টু-স্পিচে ডিপফেক কণ্ঠের ব্যবহার

ব্যবহারকারীরা ডিপফেক কণ্ঠের সাহায্যে টেক্সট-টু-স্পিচ সিস্টেমে স্বর, বয়স, টোন, উচ্চারণ, স্টাইল—সবই নিজের মতো ঠিক করে নিতে পারেন। বিশেষ করে যাদের কণ্ঠে সমস্যা বা স্বর প্রতিবন্ধকতা আছে, তারা নিজের পছন্দের কণ্ঠ তৈরি করে সহজে কথা বলার নতুন উপায় পাচ্ছেন, যা তাদের দৈনন্দিন জীবন অনেক স্বচ্ছন্দ করে দেয়।

ডিপফেক কণ্ঠে বানানো অডিও কনটেন্ট আরও টানটান ও বাস্তব লাগে; উপস্থাপক বা সেলিব্রিটির মতো শোনালে শ্রোতার আগ্রহও বাড়ে। বিশেষত অডিওবুক, পডকাস্টে এটি বেশ কার্যকর, শ্রোতাদের অনুভূতিতে দাগ কাটে।

তবে, টিটিএসে ডিপফেক কণ্ঠ ব্যবহার নিয়ে কিছু নৈতিক সমস্যাও আছে। এতে অনুকরণ আর প্রতারণা দুটোই সহজ হয়ে যায়, আর যাকে নকল করা হচ্ছে তিনি প্রায়ই এতে স্বেচ্ছায় সম্মতি দেন না। তাই সঠিক নিয়ন্ত্রণ জরুরি, আর ন্যায্য ব্যবহারের জন্য স্পষ্ট নীতিমালা খুব গুরুত্বপূর্ণ।

সব মিলিয়ে, ডিপফেক কণ্ঠ টিটিএসে যুক্ত হলে খুব ব্যক্তিগত ও আলাদা ধরনের কণ্ঠ বানানোর সুযোগ তৈরি হয়। এই প্রযুক্তি আমাদের ডিজিটাল ভাষা ব্যবহারের অভ্যাসই বদলে দিতে পারে, তবে নৈতিক দিকগুলো সবসময় মাথায় রাখতে হবে।

সুবিধা

ডিপফেকের কিছু ইতিবাচক ব্যবহারের দিকও আছে। ২০২১ সালের “This Is Not Morgan Freeman” ডিপফেক ভিডিও দেখিয়েছে, উন্নত প্রযুক্তি কত চমৎকারভাবে কাজে লাগানো যায়।

তারা এআই প্রশিক্ষণ দিয়ে রেকর্ডিং ও ফিল্ম ক্লিপ ব্যবহার করে অভিনেতার ভাবভঙ্গি, চেহারা ও কণ্ঠের অনুকরণ বানায়। নৈতিক চ্যালেঞ্জ থাকলেও, অভিনেতা ভ্যাল কিলমারের মতো কারো জন্য এটি সত্যিই অমূল্য।

কিলমার গলায় ক্যান্সার হওয়ায় কণ্ঠ হারিয়েছিলেন, অনেকে ভেবেছিলেন তার ক্যারিয়ার শেষ। কিন্তু অ্যামাজন প্রাইমের ডকুমেন্টারিতে দেখা যায়, নতুন চরিত্রে অভিনয়ের সময় তার ছেলে তার হয়ে ভয়েস-ওভার করতেন।

পরে কিলমার যখন Sonantic-এর সঙ্গে কাজ করেন, ডিপফেক প্রযুক্তি দিয়ে তার কণ্ঠ আবার ফিরিয়ে আনা হয়। তার কণ্ঠের সেই নতুন রূপ টপ গান: ম্যাভেরিক-এ দারুণভাবে ব্যবহার করা হয়েছে।

অসুবিধা

নিউ ইয়র্কের মতো প্রযুক্তিবান্ধব জায়গায়, মেশিন লার্নিং দিয়ে অনায়াসেই কারো কণ্ঠ নকল করা যায়। এতে ব্যক্তিগত তথ্য ফাঁস, ভুয়া কল করে প্রতারণা—এসব ঝুঁকি অনেক বেড়ে যায়।

ডিপফেক প্রযুক্তির নৈতিক উদ্বেগ

ডিপফেক আর টেক্সট টু স্পিচ ব্যবহারের পেছনে কিছু গুরুতর নৈতিক প্রশ্ন আছে। অনেক উন্নতির পাশাপাশি বড় ঝুঁকিও আছে। যেমন, আরনল্ড শোয়ার্জনেগারের এআই কণ্ঠ যদি একদম স্বাভাবিক শোনায়, মানুষ সহজেই বিভ্রান্ত হতে পারে। ফলে যা শোনা হয়, তা নিয়ে সন্দেহ আর অবিশ্বাস তৈরি হওয়ার আশঙ্কা থাকে।

নতুন প্রযুক্তি গ্রহণের ক্ষেত্রে সমাজকে তাই সতর্ক থাকতে হবে। ডিপফেক কণ্ঠ দিয়ে মানুষকে ভুল পথে চালিত করা, প্রতারণা করা বা মতামত প্রভাবিত করাও সম্ভব। তাই জনসাধারণের আস্থা আর গোপনীয়তার অধিকার ক্ষুন্ন হওয়া নিয়ে উদ্বেগ একেবারেই স্বাভাবিক।

ডিপফেক ব্যবহারের বড় সমস্যা হলো প্রযুক্তি দিয়ে সরাসরি প্রতারণা করা। এর চেয়েও ভয়ংকর হলো ফোন স্ক্যাম আর বিভ্রান্তিকর প্রচারণায় সিনথেটিক কণ্ঠের ব্যবহার। ভাবুন, অপরিচিত নম্বর থেকে কল এলো, কিন্তু ভীষণ চেনা কণ্ঠে কথা বলছে—মনে হলো বন্ধু, আত্মীয় বা খুব ঘনিষ্ঠ কেউ। পরে বোঝা গেল, সেটা আসল কণ্ঠই ছিল না—পুরোটাই এআই দিয়ে বানানো। এমন প্রতারণা ব্যক্তিগত সম্পর্ক থেকে শুরু করে সমাজ, এমনকি রাষ্ট্র পর্যায়েও মারাত্মক প্রভাব ফেলতে পারে।

ভুল ডিপফেক কণ্ঠ ব্যবহার কমানোর উপায়

এ ধরনের ঝুঁকি ঠেকাতে শক্ত নিয়ন্ত্রণ আর ব্যবহারকারী-শিক্ষা খুবই জরুরি। ডিপফেক কণ্ঠ যেন ভেবেচিন্তে, দায়িত্ব নিয়ে ব্যবহার হয়—এ জন্য সরকার ও প্রযুক্তি প্রতিষ্ঠানকে একসঙ্গে নীতিমালা বানাতে হবে। অবৈধ সিনথেটিক কণ্ঠ শনাক্ত ও প্রতিরোধে কার্যকর ব্যবস্থা নেওয়া আর ব্যবহারকারীর সচেতনতা বাড়ানো সমান গুরুত্বপূর্ণ।

তার পাশাপাশি, ডিপফেক কণ্ঠ ও টেক্সট-টু-স্পিচ ব্যবহারে সততার সীমা না ছাড়িয়ে উদ্ভাবনী হতে হবে। প্রযুক্তির অগ্রগতি আশাব্যঞ্জক, তবে দায়িত্ব ও স্বচ্ছতা নিশ্চিত করাও ততটাই দরকার। ব্যবহারকারীদের জানিয়ে দেওয়া উচিত, কোনটা আসল আর কোনটা এআই-জেনারেটেড—এতে তারা নিজের সুবিধা-অসুবিধা ভেবে সিদ্ধান্ত নিতে পারবেন।

ডিপফেক কণ্ঠের আইনি ও গোপনীয়তা বিষয়ক প্রশ্ন

ডিপফেক কণ্ঠের সঙ্গে আইনি আর গোপনীয়তার প্রশ্নও জড়িত। কণ্ঠের মালিকানা কার, অনুমতি ছাড়া ব্যবহার করা যাবে কি না—এ সব বিষয়ের স্পষ্ট উত্তর দরকার। সবার অধিকার রক্ষা আর প্রযুক্তির দায়িত্বশীল ব্যবহার নিশ্চিত করতে সুস্পষ্ট নিয়ম থাকতেই হবে।

ডিপফেক কণ্ঠের নৈতিক দিক নিয়ে খোলামেলা আলোচনায় সবার অংশ নেওয়া জরুরি। নীতিবিদ, নীতিনির্ধারক, প্রযুক্তিবিদ আর সাধারণ মানুষের একসঙ্গে কাজ করলেই এই প্রযুক্তি সমাজের জন্য ইতিবাচক দিকে এগোবে।

ধরুন, আপনি এমন একটা ফোন পেলেন, যেটা শুনে মনে হচ্ছে বন্ধু বা ঘনিষ্ঠজনই কথা বলছে—কিন্তু আসলে সেটা ফেক কণ্ঠ। এতে ব্যক্তি, সমাজ এমনকি পুরো দেশও ক্ষতিগ্রস্ত হতে পারে। মজার অ্যাপে যেমন সেলিব্রিটির কণ্ঠে আলেক্সা কথা বলে, আবার সেই একই ধরনের কণ্ঠ বিভ্রান্তিকর ব্যবহারেও কাজে লাগতে পারে।

ডিপফেক কণ্ঠ নৈতিকভাবে ব্যবহারে নিয়ন্ত্রণের দরকার

মানুষের নিরাপত্তার জন্য শক্ত নিয়মকানুন আর ব্যবহারকারীদের নিয়মিত শিক্ষা খুব দরকার। সরকার ও প্রযুক্তি প্রতিষ্ঠান মিলে সঠিক ব্যবহারের নীতি বানাতে হবে এবং ক্ষতিকর ফেক কণ্ঠ শনাক্ত ও বন্ধে বাস্তব পদক্ষেপ নিতে হবে।

ডিপফেক কণ্ঠ ব্যবহারে সাবধানতা আর সততার মানসিকতা জরুরি। এই নতুন ধরনের ভয়েস টুল যতই আকর্ষণীয় হোক, ব্যবহার হওয়া উচিত দায়িত্ব নিয়ে। মানুষ যেন স্পষ্ট বুঝতে পারে কোন কণ্ঠ এআই দ্বারা তৈরি—তবেই তারা সত্যি মনে হলে বিশ্বাস করে সিদ্ধান্ত নিতে পারবে।

ডিপফেক কণ্ঠের সমস্যা নিয়ে খোলাখুলি কথা বলা খুব প্রয়োজন। বিশেষজ্ঞ থেকে সাধারণ মানুষ—সবাই মিলে আলোচনা করলে, প্রযুক্তি শেষ পর্যন্ত সবারই উপকারে আসবে।

ভাগ্য ভালো, ভয়েস মেকিং সফটওয়্যার যত উন্নত হচ্ছে, ফেক কণ্ঠ শনাক্ত করার ক্ষমতাও তত বাড়ছে। নতুন টুল দিয়ে ব্যাংক, কল সেন্টারসহ নানা সেবা সহজেই বুঝতে পারবে তারা আসল মানুষের সঙ্গে কথা বলছে, নাকি সিনথেটিক কণ্ঠের সঙ্গে।

ডিপফেক কণ্ঠ সফটওয়্যার নিজেই পরীক্ষা করে দেখুন

মেশিন লার্নিং টুল বহু মানুষের জীবন বদলে দিতে পারে; চাইলে কেউ নিজেই অডিও ডিপফেক বানাতে পারেন। খুব উচ্চমানের কণ্ঠ চাইলে উন্নত হার্ডওয়্যার আর সফটওয়্যার লাগবে, তবে এই ধরনের সফটওয়্যার দিয়েই প্রকৃতির মতো শোনায় এমন কণ্ঠ বানানো যায়। এখানে ৫টি ডিপফেক ভয়েস জেনারেটর রয়েছে—আপনি চাইলে একবার ঘেঁটে দেখতে পারেন:

রিসেম্বল

রিসেম্বল AI একটি টেক্সট টু স্পিচ ও ডিপফেক টুল, যা অল্প কিছু অডিও রেকর্ডিং দিয়েই মানব কণ্ঠের মতো ভয়েস তৈরি করতে পারে। মাত্র ৫ মিনিটের অডিও ক্লিপেই প্রথম ডিপফেক কণ্ঠ বানিয়ে ফেলা যায়।

আপনি রিসেম্বলের স্যাম্পল ফিচার ব্যবহার করে নিজের ক্লিপ আপলোড করলে কয়েক মিনিটের মধ্যেই চেনা কণ্ঠ শুনতে পাবেন। সবার কাছে এর সহজ ইন্টারফেস জনপ্রিয়, আর অডিওর স্বর-টোনও ইচ্ছেমতো বদলানো যায়।

ডিসক্রিপ্ট

এই দারুণ স্পিচ সিন্থেসাইজারে শক্তিশালী এডিটিং ফিচার আছে। এটি অডিও, ভিডিও, আর ট্রান্সক্রিপ্ট বিশ্লেষণ করে এআই কণ্ঠ তৈরি করে। ইনপুট রেকর্ডিং পছন্দ না হলে সরাসরি অ্যাপ থেকেই এডিট করতে পারবেন—নতুন করে রেকর্ড করার ঝামেলা নেই।

ডিসক্রিপ্ট মূলত কন্টেন্ট ক্রিয়েটরদের জন্য, পডকাস্ট আর ভিডিওতে উচ্চমানের ভয়েসওভার তৈরিতে দারুণ সহায়ক। এতে আগেই বানানো অসংখ্য কণ্ঠ আছে, সেখান থেকে বেছে নিয়েই ব্যবহার শুরু করা যায়।

রিস্পিচার

রিস্পিচার একটি নির্ভরযোগ্য ডিপফেক টুল, যা The Mandalorian-এ লুক স্কাইওয়াকারের কণ্ঠ তৈরি করতে সাহায্য করেছে। মুভি-টিভি সিরিজের পাশাপাশি বিজ্ঞাপন, অ্যানিমেশন, গেম, পডকাস্ট আর অন্যান্য মিডিয়াতেও এতে খুব শক্তপোক্ত ভয়েসওভার বানানো যায়।

আইস্পিচ

আইস্পিচের ডেস্কটপ আর ওয়েব-ভিত্তিক দুই ধরনের ভার্সনই আছে। এতে কণ্ঠ সিন্থেসিসের পাশাপাশি টেক্সট টু স্পিচ, ওয়েব রিডার আর স্পিচ রিকগনিশন ফিচারও আছে। Barack Obama, Arnold Schwarzenegger, বা Scarlett Johansson-এর কণ্ঠে ডেমো শুনে দেখতে পারেন।

রিয়েল-টাইম ভয়েস ক্লোনিং

এই ওপেন সোর্স প্রকল্পটি GitHub-এ একেবারে বিনামূল্যে পাওয়া যায়। মাত্র ৫ সেকেন্ডের অডিও দিয়েই কারো কণ্ঠের মতো ভয়েস তৈরি করা যায়। তবে, এটি ঠিকমতো ব্যবহার করতে মাঝারি থেকে কিছুটা উন্নত টেকনিক্যাল দক্ষতা লাগবে।

স্পিচিফাই – ডিপফেক কণ্ঠের সহজ ও নিরাপদ টিটিএস বিকল্প

টেক্সট টু স্পিচ (TTS) অ্যাপ, যেমন স্পিচিফাই ও ডিপফেক জেনারেটর একই ধরনের প্রযুক্তি ব্যবহার করলেও উদ্দেশ্য আলাদা। স্পিচিফাই একটি TTS বা পড়ে শোনার টুল, যেটি প্রিন্ট বা ডিজিটাল টেক্সট আপনাকে শুনিয়ে দেয়। মাইক্রোসফট ওয়ার্ড ফাইল, আর্টিকেল, বা ট্রান্সক্রিপ্ট এপে দিলেই আর পছন্দের উপস্থাপক কণ্ঠ বেছে নিলেই, স্পিচিফাই তা আপনাকে শুনিয়ে দেবে।

অ্যাপে উচ্চমানের পুরুষ ও মহিলা কণ্ঠসহ ২০+ ভাষা সাপোর্ট করে, যেমন ইংরেজি, স্প্যানিশ, ফরাসি, ইতালিয়ান, পর্তুগিজ। যদি প্রোডাক্টিভিটি বাড়াতে আর সেলিব্রিটির কণ্ঠ শুনতে চান, তাহলে Gwyneth Paltrow-এর কণ্ঠও একবার চেষ্টা করে দেখতে পারেন।

কম্পিউটারে iPhone বা Android ডিভাইসে ডাউনলোড করুন এবং বিনামূল্যে স্পিচিফাই ট্রাই করুন।

প্রশ্নোত্তর

ফেকইউ কি বিনামূল্যে?

ফেকইউ একটি সহজ আর ফ্রি সফটওয়্যার, যেটা দিয়ে প্রকৃতির মতো শোনায় এমন কণ্ঠ তৈরি করা যায়।

কীভাবে বোঝা যায় কণ্ঠটি ডিপফেক?

সাধারণ সফটওয়্যার দিয়ে ডিপফেক ধরা বেশ কঠিন। সাইবার সিকিউরিটি কোম্পানিগুলো ডিপফেক ঠেকাতে ভয়েস-বায়োমেট্রিক সিস্টেম ব্যবহার করছে।

ডিপফেক কণ্ঠের ঝুঁকি কী?

ডিপফেক অনেক সময় সরাসরি ক্ষতিকর কাজে ব্যবহার হয়—গুজব ছড়ানো, কারো সুনাম নষ্ট করা, বা সরকার আর গুরুত্বপূর্ণ প্রতিষ্ঠানের ওপর অবিশ্বাস তৈরি করার মতো কাজে।