অনেকে প্রতিদিন টেক্সট-টু-স্পিচ পরিষেবা আর ভার্চুয়াল অ্যাসিস্ট্যান্ট ব্যবহার করেন। কিন্তু তারা জানেন না, দুটোই ভেতরে ভেতরে প্রায় একইভাবে কাজ করে। প্রযুক্তি যত এগোচ্ছে, আমাদের দৈনন্দিন অ্যাপগুলোর মানও তত বাড়ছে।
একই কথা প্রযোজ্য TTS অ্যাপ আর ভার্চুয়াল অ্যাসিস্ট্যান্টের ক্ষেত্রেও। কিছু কোম্পানি এই খেলায় দুর্দান্ত ফল দেখিয়েছে, তাদের মধ্যে গুগলের WaveNet অন্যতম।
Google WaveNet কী?
WaveNet এক ধরনের কৃত্রিম নিউরাল নেটওয়ার্ক, যা কাঁচা অডিও জেনারেট করতে পারে। এর পেছনে রয়েছে লন্ডনভিত্তিক DeepMind, যারা কৃত্রিম বুদ্ধিমত্তা নিয়ে কাজ করে। এই প্রযুক্তি গুগল ক্লাউড প্ল্যাটফর্মে বড় পরিবর্তন এনে দিয়েছে।
আগের টেক্সট-টু-স্পিচ প্রযুক্তির তুলনায় Google-এর DeepMind অনেক বেশি স্বাভাবিক শব্দ তৈরি করতে পারে। ২০১৬ সালে যখন TTS চালু হয়, তখন এতটা প্রাকৃতিক কণ্ঠ বের করা সম্ভব ছিল না।
WaveNet টেক্সট-টু-স্পিচ, আগের সব প্রযুক্তিকে পিছনে ফেলেছে। ধারণাটা সহজ—সফটওয়্যারটি WAV ফাইল ব্যবহার করতে পারে এবং Google API ও API key-এর সাথে যুক্ত হতে পারে।
এখন নানা উপায়ে এই প্রযুক্তি ব্যবহার করা যায়, কারণ আমরা জটিল অ্যালগরিদম কাজে লাগাতে পারছি। একাধিক কোম্পানি সেরা পণ্য দিতে হাড়ে হাড়ে লড়াই করছে। এতে ব্যবহারকারীরই লাভ—নিজের চাহিদা অনুযায়ী অ্যাপ বেছে নেয়া অনেক সহজ হচ্ছে।
WaveNet কীভাবে কাজ করে
WaveNet হচ্ছে FNN বা ফিডফরওয়ার্ড নিউরাল নেটওয়ার্কের একটি ধরন, যাকে গভীর কনভোলিউশনাল নিউরাল নেটওয়ার্কও বলা হয়। CNN ইনপুট থেকে কাঁচা সিগন্যাল নিয়ে, একের পর এক নমুনা ধরে আউটপুট বানায়।
মেশিন লার্নিং, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, ডিপ লার্নিং—এসবই WaveNet-এ ব্যবহার হয়। আগের টেক্সট-টু-স্পিচে ফোনিমের ডেটাবেস তৈরি করে, অ্যাপটি সেখান থেকে সেরা মিলটা খুঁজে বের করত।
কিন্তু এই ধরনের ধাঁধার সমাধান মোটেই সহজ নয়। সফটওয়্যারকে ভাষার ছন্দ, গতি, ওঠানামা—সব বুঝতে হয়, নইলে কণ্ঠ শুনতে কৃত্রিম আর অস্বাভাবিক শোনায়।
বেশিরভাগ টেক্সট-টু-স্পিচ প্রোগ্রামের মতো WaveNet-ও বাস্তব অডিও ওয়েভফর্ম ব্যবহার করে—যেমন প্যারামেট্রিক বা কনক্যাটেনেটিভ পদ্ধতি। এতে সফটওয়্যার ভাষার নিয়ম-কানুন ভালোভাবে বিশ্লেষণ করতে পারে।
এভাবে প্রোগ্রামটি এমন প্যাটার্ন বানাতে পারে, যা মানুষের কথার মতো শোনায়। সফটওয়্যারে দেয়া তথ্যের ভিত্তিতেই এটি আউটপুট তৈরি করে—এটাই এর আসল শক্তি।
বাস্তবে এর মানে হল—ধরা যাক, আপনি ইতালিয়ান বলেন, তাহলে প্রোগ্রামটি ইতালিয়ান উচ্চারণেই কথা বলতে সাহায্য করতে পারে। তখন এটি একধরনের বড় পরিবর্তন আনে এবং আরও নতুন টেক্সট-টু-স্পিচ API’র পথ খুলে দেয়।
WaveNet ব্যবহারিক দৃষ্টান্ত
গুগল যখন সফটওয়্যারটি প্রথম চালু করে, তখন প্রচণ্ড প্রসেসিং পাওয়ার লাগত। পরে এই সীমাবদ্ধতা অনেকটাই কেটে গেছে। প্রথমেই API গুগল অ্যাসিস্ট্যান্টের কণ্ঠ তৈরিতে ব্যবহার হয়।
WaveNet দারুণ কার্যকর টেক্সট-টু-স্পিচ টুল হিসেবেও। কণ্ঠ এতটাই বাস্তব, ব্যবহার করাই আলাদা মজা। খবর, পডকাস্ট, আরও নানান ধরনের কনটেন্ট এতে স্বচ্ছন্দে শুনতে পারবেন।
এটাই শুধু শুরু। পুরো প্রক্রিয়ার মূল লক্ষ্য—ভাষা-প্রতিবন্ধী মানুষকে যেন নিজের কণ্ঠে কথা বলার সুযোগ দেয়া যায়। কণ্ঠ অনুকরণে এটি ব্যবহার হয়, আর এই দিকের সম্ভাবনা সত্যিই অসাধারণ। নিজের কণ্ঠের নমুনা আর টেক্সট-টু-স্পিচ টুল মিলিয়ে সেই কণ্ঠই আবার ফিরিয়ে আনা সম্ভব।
ভবিষ্যতে TTS প্রোগ্রামের সব দিক এখনো পরিষ্কার নয়, কিন্তু সম্ভাবনা বেশ আশাব্যঞ্জক। এই ক্ষেত্রে অনেক কোম্পানি কাজ করছে—এটিই বড় শক্তি।
সবাই যদি একসাথে একই লক্ষ্য ঠিক করে এগোয়, দারুণ সব ফল পাওয়ার সম্ভাবনাও ততই বাড়ে।
Speechify - কণ্ঠ অনুকরণ
হাতের কাছে পেয়ে দ্রুত চেখে দেখার মতো প্রোগ্রামের মধ্যে আছে Speechify। এটি একটি টেক্সট-টু-স্পিচ অ্যাপ, প্রায় সব ডিভাইসেই চলে। iOS, Android, Mac আর Google Chrome এক্সটেনশনেও পাওয়া যায়।
Speechify প্রায় যেকোনো ধরনের কনটেন্ট পড়তে পারে। এটি আপনাকে PDF, ডক, ইমেইল বা ডিভাইসে থাকা প্রায় সব ফাইলই শুনিয়ে দিতে পারে। অন্যতম বড় সুবিধা—অ্যাপটি বেশ ভালোভাবে কাস্টমাইজ করা যায়।
রিডিং স্পিড, কণ্ঠ, পিচ সবই ইচ্ছেমতো বদলাতে পারবেন। Speechify-এ OCR সুবিধাও আছে—মানে, আপনি বইয়ের একটা ছবি তুলে দিলেই, অ্যাপটি সেই লেখা পড়ে শোনাবে।
অ্যাপটি বিশেষভাবে বানানো হয়েছে ডাইসলেক্সিয়া, ADD, ভাষা-শিক্ষার্থী বা যারা পড়তে পড়তে আরও কার্যকর হতে চান—তাদের কথা ভেবে। এটি একধরনের অল-ইন-ওয়ান অ্যাপ, আপনার পড়ার অভিজ্ঞতাই বদলে দেবে।
Speechify ব্যবহার একেবারেই সহজ, আলাদা করে ভারী কোনো টিউটোরিয়াল ছাড়াই চালাতে পারবেন।
FAQ
WaveNet কী কাজে লাগে?
এটি এক ধরনের গভীর নিউরাল নেটওয়ার্ক, যা কাঁচা অডিও তৈরি করতে পারে। এটি এমন টেক্সট-টু-স্পিচ সিনথেসিস, যেখানে WaveNet-কণ্ঠ খুব বাস্তব শোনায়, আর বাস্তব রেকর্ড দিয়ে ট্রেন করা হয়। ফলে, অনেক ক্ষেত্রে এটি Google Cloud টেক্সট-টু-স্পিচেরও ওপরে চলে গেছে।
এখন এই সফটওয়্যার গুগল অ্যাসিস্ট্যান্টের কণ্ঠ তৈরিতেও ব্যবহার হচ্ছে।
WaveNet মডেল কী?
মডেলটি PixelCNN আর্কিটেকচারের ওপর ভিত্তি করে বানানো। কাঁচা আউটপুট তৈরির জন্য দরকারি দীর্ঘ-পরিসরের নির্ভরতা সামলাতে এটি dilated causal convolution ব্যবহার করে।
dilated CNNs যুক্ত হওয়ায় ট্রেনিং অনেক সহজ ও দ্রুত হয়, আর এটি হাজার হাজার লেয়ার পর্যন্ত যেতে পারে। বাস্তব সময়ের চেয়ে প্রায় ২০ গুণ দ্রুত কাজ করতে পারে।
WaveNet ও Convolutional Neural Networks-এর পার্থক্য কী?
এটি গভীর কনভোলিউশনাল নিউরাল নেটওয়ার্ক বা CNN এর ওপর দাঁড়ানো, তাই WaveNet আসলে CNN-এরই এক ধরনের ব্যবহার। Microsoft বা Amazon (SSML সহ) একই ধাঁচের প্রযুক্তি ব্যবহার করে, ফলে মান, নিয়ন্ত্রণ আর ফলাফল—সবই উন্নত হয়।
সেরা টেক্সট-টু-স্পিচ অ্যাপ খুঁজলে Speechify ব্যবহার করে দেখুন। অন্য প্ল্যাটফর্মেও কিছু সুবিধা থাকলেও, Speechify সহজ, ফ্রি আর যেকোনো ব্যবহারকারীর জন্য টেক্সট পড়ে শোনাতে ভীষণ সুবিধাজনক।
