টেক্সট টু স্পিচ ও ভয়েস সিন্থেসিসের ইতিহাস কী?

টেক্সট টু স্পিচ (TTS) ও ভয়েস সিন্থেসিস শুনতে নতুন মনে হতে পারে, কিন্তু এদের ইতিহাস সমৃদ্ধ এবং কয়েক শতাব্দীজুড়ে বিস্তৃত।

মানব কণ্ঠ অনুকরণের প্রাথমিক যান্ত্রিক প্রচেষ্টা থেকে শুরু করে আধুনিক কৃত্রিম বুদ্ধিমত্তা ও ডিপ লার্নিং পর্যন্ত—TTS প্রযুক্তির বিকাশ সত্যিই এক অসাধারণ যাত্রা।

এই লেখায় আমরা টেক্সট টু স্পিচ ও ভয়েস সিন্থেসিসের ইতিহাস বিস্তারিতভাবে দেখব এবং ভবিষ্যতের সম্ভাবনাও জানব।

প্রাথমিক উদ্ভাবন থেকে আধুনিক ব্যবহার: টেক্সট টু স্পিচ ও ভয়েস সিন্থেসিস

১৮ ও ১৯ শতাব্দী

টেক্সট টু স্পিচ ও ভয়েস সিন্থেসিসের ইতিহাস শুরু হয় ১৮ ও ১৯ শতাব্দীতে। তখন শব্দ উৎপাদনের নানা যান্ত্রিক প্রচেষ্টা চলছিল। ১৭৭০-এর দশকে হাঙ্গেরীয় উদ্ভাবক ভলফগ্যাং ফন ক্যাম্পেলেন 'অ্যাকুস্টিক-মেকানিক্যাল স্পিচ মেশিন' তৈরি করেন, যা মানুষের স্বরযন্ত্রের অনুকরণে নকশা করা হয়েছিল। বেলো, রিড ও পাইপের সাহায্যে এটি স্বরধ্বনি ও ব্যঞ্জনধ্বনি তৈরি করত।

১৮ শতকের শেষ দিকে ইংরেজ পদার্থবিদ চার্লস হুইটস্টোন ক্যাম্পেলেনের যন্ত্রের আরও উন্নত যান্ত্রিক সংস্করণ তৈরি করেন, যার নাম দেন 'স্পিকিং মেশিন'। এটি বিভিন্ন বাদ্যযন্ত্রের শব্দও পুনরুৎপাদন করতে পারত। যদিও এটি সরাসরি স্পিচ সিন্থেসিসের জন্য তৈরি হয়নি, তবু যন্ত্রের মাধ্যমে শব্দ তৈরির ধারণাটিকে আরও দৃঢ় করে।

১৯ শতকে আরও নানা যন্ত্র তৈরি হয়; এর মধ্যে ছিল ফাবারের 'আর্টিফিশিয়াল স্পিচ' মেশিন। এসব যন্ত্র যান্ত্রিক ও বায়ুচালিত প্রযুক্তি মিলিয়ে কৃত্রিম কণ্ঠ তৈরি করত।

২০ শতকের শুরু ও প্রথম বৈদ্যুতিক স্পিচ সিন্থেসিস

২০ শতকের শুরুতে স্পিচ সিন্থেসিস আরও এগিয়ে যায়, যখন হোমার ডাডলি প্রথম বৈদ্যুতিক স্পিচ সিন্থেসিস সিস্টেম—ভোকোডার—উদ্ভাবন করেন। এই প্রযুক্তি নিউ জার্সির বেল ল্যাবরেটরিজে তৈরি হয়।

ডাডলির ভোকোডারে একাধিক রেজোনেটর ও ফিল্টার ছিল, যা সিন্থেটিক স্পিচ তৈরি করত। ১৯৩৯-১৯৪০ সালের নিউইয়র্ক ওয়ার্ল্ড’স ফেয়ারে ভোডার নামে এ প্রযুক্তি প্রদর্শন করা হয়। কিবোর্ড ও ফুট প্যাডেলের মাধ্যমে অপারেটররা যন্ত্রটি চালাতেন।

১৯৫০ থেকে ১৯৭০-এর দশক: সিন্থেসাইজারের উত্থান

১৯৫১ সালে ডাডলির কাজ থেকে অনুপ্রাণিত হয়ে ড. ফ্র্যাঙ্কলিন এস. কুপার 'প্যাটার্ন প্লেব্যাক' তৈরি করেন। এটি রেকর্ড করা শব্দ বিশ্লেষণ করে, বাক্যের প্রতিটি শব্দতরঙ্গ আলাদাভাবে শনাক্ত করত এবং সেগুলোর 'স্পেকট্রোগ্রাফিক প্যাটার্ন' সংরক্ষণ করত। পরে সেগুলো ম্যাগনেটিক টেপে রাখা হতো এবং সিন্থেটিক শব্দ তৈরিতে কাজে লাগত।

১৯৭৬ সালে Kurzweil Reading Machine প্রথম বাণিজ্যিকভাবে সফল টেক্সট টু স্পিচ সিস্টেম চালু করে। এতে কনকাটেনেটিভ সিন্থেসিস যুক্ত ছিল—অর্থাৎ আগে থেকে রেকর্ড করা ফোনিম ও শব্দ মিলিয়ে কণ্ঠ তৈরি করা হতো। এটি শুরুতে প্রতিবন্ধী ব্যক্তিদের সহায়তার জন্য তৈরি হলেও পরে পাঠ-সহায়ক প্রযুক্তি হিসেবে জনপ্রিয়তা পায়।

১৯৭৮ সাল থেকে টেক্সাস ইনস্ট্রুমেন্টস কম্পিউটার গেম ও অন্যান্য কম্পিউটারভিত্তিক অ্যাপ্লিকেশনে ব্যবহারের জন্য স্পিচ সিন্থেসিস চিপ তৈরি শুরু করে। এই চিপ কনকাটেনেটিভ সিন্থেসিস ব্যবহার করত, অর্থাৎ বিভিন্ন ডিফোন একত্র করে মানবকণ্ঠের মতো শব্দ তৈরি করত। পরে এই প্রযুক্তি DECtalk-এ ব্যবহৃত হয়, যা প্রতিবন্ধী ব্যক্তিদের জন্য উন্নত মানের সিন্থেটিক স্পিচ সরবরাহ করত।

আধুনিক টেক্সট টু স্পিচ সিস্টেম

সাম্প্রতিক সময়ে সবচেয়ে গুরুত্বপূর্ণ উদ্ভাবনগুলোর একটি হলো নিউরাল নেটওয়ার্ক ব্যবহার করে সিন্থেটিক কণ্ঠ তৈরি। Google ও Microsoft-এর মতো প্রতিষ্ঠান ডিপ লার্নিং অ্যালগরিদম দিয়ে বিশাল ভয়েস ডেটাসেট বিশ্লেষণ করে অত্যন্ত স্বাভাবিক শোনায় এমন কণ্ঠ তৈরি করছে।

সহায়ক প্রযুক্তি হিসেবে TTS-এ আরেকটি বড় উন্নয়ন হলো ইউনিট সিলেকশন ও কনকাটেনেটিভ সিন্থেসিস। এতে ছোট ছোট রেকর্ড করা অংশ, যেমন ডিফোন বা সম্পূর্ণ শব্দ, মিলিয়ে নতুন বাক্য তৈরি করা হয়। Speechify, Apple-এর Siri, Amazon-এর Alexa ও IBM ViaVoice-এর মতো জনপ্রিয় টেক্সট টু স্পিচ অ্যাপে এসব পদ্ধতি ব্যবহার করা হয়েছে।

গত কয়েক বছরে স্পিচ রিকগনিশনও অনেক উন্নত হয়েছে, ফলে আরও পরিশীলিত TTS সিস্টেম তৈরি করা সম্ভব হচ্ছে। স্পিচ রিকগনিশন অ্যালগরিদম মানুষের বক্তব্যকে টেক্সটে রূপান্তর করে, যা পরে আরও স্বাভাবিক ট্রানজিশন তৈরিতে সাহায্য করে।

সাম্প্রতিক সময়ে প্রোসোডি (কণ্ঠের ওঠানামা) ও ইনটোনেশনও যুক্ত হয়েছে। এর ফলে আরও স্বাভাবিক, উপযুক্ত বিরতি, জোর ও টোনসহ কণ্ঠ তৈরি করা সম্ভব হচ্ছে। ইংরেজির মতো ভাষায় প্রোসোডি খুবই গুরুত্বপূর্ণ, কারণ উচ্চারণ ও টোন বাক্যের অর্থ বদলে দিতে পারে।

ডিপ লার্নিং এবং তার পর: ভবিষ্যতের প্রযুক্তি

TTS প্রযুক্তির ভবিষ্যৎ অত্যন্ত আশাব্যঞ্জক। কৃত্রিম বুদ্ধিমত্তা ও ডিপ লার্নিংয়ের কারণে ভবিষ্যতে মানুষের কণ্ঠের সূক্ষ্মতম বৈশিষ্ট্যও সহজে অনুকরণ করা যাবে।

এটি বিশেষ করে ভার্চুয়াল অ্যাসিস্ট্যান্ট ও চ্যাটবট তৈরিতে কার্যকর হবে। এগুলো আরও সহজবোধ্য ও আলাপচারিতামূলক হবে, ফলে ব্যবহারকারীরা আরও স্বাভাবিক কথোপকথনের অভিজ্ঞতা পাবেন।

এ ছাড়া ফোনেটিক ট্রান্সক্রিপশন বা টেক্সট-টু-ফোনিম কনভার্সনেও বড় উন্নতি হবে। যন্ত্র যখন মানব ভাষা আরও ভালোভাবে বুঝতে পারবে, তখন স্পিচ-টু-টেক্সট সিস্টেমও আরও নির্ভরযোগ্য ও দ্রুত হবে।

সবশেষে, টেক্সট টু স্পিচ আরও সহজলভ্য হবে এবং দৈনন্দিন জীবনের সঙ্গে আরও গভীরভাবে যুক্ত হবে। ইন্টারনেট অব থিংস-এর সঙ্গে আরও ডিভাইস সংযুক্ত হলে আমরা বাস্তব সময়েই কণ্ঠের মাধ্যমে সেগুলো নিয়ন্ত্রণ করতে পারব, ফলে জীবন আরও সহজ ও কার্যকর হবে।

Speechify -এর সঙ্গে টেক্সট টু স্পিচ বিপ্লবে যোগ দিন

আপনি যদি টেক্সট টু স্পিচ পরিষেবায় স্বাভাবিক শোনায় এমন, উন্নত মানের কণ্ঠ চান, তাহলে Speechify ব্যবহার করে দেখতে পারেন।

Speechify-এর উন্নত ফর্ম্যান্ট সিন্থেসিস প্রযুক্তি কণ্ঠকে আরও স্বাভাবিক ও প্রাণবন্ত করে তোলে, যা আগের রোবোটিক ভয়েসের মতো নয়। বিখ্যাত লেখক Stephen Hawking—যিনি একসময় টেক্সট টু স্পিচ প্রযুক্তি ব্যবহার করেছিলেন—তিনিও Speechify-এর সক্ষমতায় মুগ্ধ হতেন।

Speechify ব্যবহার করা খুবই সহজ—অফিসিয়াল ওয়েবসাইট-এ যান অথবা মোবাইল অ্যাপ ডাউনলোড করে আপনার প্রয়োজনমতো টেক্সট লিখুন। তারপর পছন্দের ভয়েস বেছে নিয়ে গতি ও টোন ঠিক করুন—ব্যস! Speechify e-learning, ব্যাখ্যামূলক ভিডিও, পডকাস্ট ও প্রেজেন্টেশন-এর জন্য স্বাভাবিক ও মানসম্মত কণ্ঠ তৈরি করবে। এ ছাড়া YouTube ও সোশ্যাল মিডিয়ার জন্যও অনেক AI ভয়েস রয়েছে।

কমমানের TTS এড়িয়ে চলুন—আজই Speechify ব্যবহার করুন এবং টেক্সট টু স্পিচ প্রযুক্তির ভবিষ্যৎ উপভোগ করুন।

প্রায়শই জিজ্ঞাসিত প্রশ্ন

বিশ্বের প্রথম স্পিচ সিন্থেসাইজার কে তৈরি করেন?

হোমার ডাডলি ১৯৩০-এর দশকে নিউইয়র্কের বেল ল্যাবরেটরিতে বিশ্বের প্রথম স্পিচ সিন্থেসাইজার নকশা করেছিলেন।

স্পিচ সিন্থেসিসের উদ্দেশ্য কী?

স্পিচ সিন্থেসিসের লক্ষ্য হলো পাঠ্য ইনপুট থেকে কৃত্রিম কণ্ঠ তৈরি করতে ভাষা প্রক্রিয়াকরণ ও মৌলিক ফ্রিকোয়েন্সি বিশ্লেষণ ব্যবহার করা।

TTS কোন চারটি উপায়ে ব্যবহার করা যায়?

TTS ব্যবহার করা যায় অ্যাক্সেসিবিলিটি, বিনোদন, ভাষা শিক্ষা এবং কণ্ঠভিত্তিক সেবার স্বয়ংক্রিয়করণে।

টেক্সট টু স্পিচের কিছু সুবিধা কী?

টেক্সট টু স্পিচ অ্যাক্সেসিবিলিটি বাড়ায়, শেখায় সহায়তা করে এবং শুনে পড়ার মাধ্যমে উৎপাদনশীলতা বাড়ায়।

টেক্সট টু স্পিচ সিন্থেসিসের সবচেয়ে চমকপ্রদ মুহূর্ত কোনটি?

টেক্সট টু স্পিচ সিন্থেসিসের বিকাশে সবচেয়ে চমকপ্রদ মাইলফলকগুলোর একটি ছিল চার্লস হুইটস্টোনের যান্ত্রিক স্পিচ সিন্থেসাইজারের উদ্ভাবন।