Vāgdhenu AI: সংস্কৃত শ্লোক উচ্চারণের ৫টি দুর্দান্ত এআই প্রযুক্তি।

আমাদের সংস্কৃতিতে গৌরভ করার অনেক কিছু আছে। কৃত্রিম বুদ্ধিমত্তা বা AI এর উদ্ভাবন এর দিক থেকেও আমরা আর নিষ্ক্রিয় নই। AI আমাদের প্রতিটি ক্ষেত্রেই প্রায় বিশাল বিপ্লব এনে চলেছে। এই সময় সমগ্র বিশ্ব যখন আমেরিকা, রাশিয়া, বা চীনের মতো দেশের দিকে তাকিয়ে আছে। সেখানে আমাদের ভারতেও AI দিয়ে তৈরি হয়েছে দেশীয় কৃত্রিম বুদ্ধিমত্তা ‘Vāgdhenu AI’ নিজেস্ব সংস্কৃত ভাষার সঠিক উচ্চারণের একটি আলাদা TTS Model নিয়ে এসেছে।

আধুনিক TTS Model গুলো ইংরেজি, চাইনিজ, হিন্দুি, বাংলা ভাষায় কথা বলে, সেখানে প্রাচীন সংস্কৃত ভাষার সঠিক উচ্চারণের ক্ষেত্রে প্রায়ই ব্যর্থ হয়। মূলত বৈদিক শ্লোক বা মন্ত্রের নিখুদ উচ্চারণ। এই সমস্যার একটি স্থায়ী সমাধানেই তৈরি করতে IISC Bangalore এর অধ্যাপক প্রত্যুষ অনন্ত পদ্মানন্দ প্রসাদ এগিয়ে এসেছেন। তিনি তাঁর বাগধেনু এ. আই এর দ্বারা এমন একটি মডেল যা সংস্কৃত মন্ত্রোচ্চারণের জন্য একটি যুগান্তকারী উদ্ভাবন।

আমরা জানব কীভাবে এ. আই মডেল গুলো কাজ করে। এছাড়া কেন এটি এত জনপ্রিয় হয়ে উঠছে, তা নিয়েও আমরা বিস্তারিত আলোচনা করব।

AI কিভাবে বুঝতে পারে?

না। AI বা কৃত্রিম বুদ্ধিমত্তা মানুষের মতো করে কোনো কিছু “বোঝে” না। মানুষের মতো এর কোনো নিজস্ব মন, চেতনা বা অনুভূতি নেই। এআই-এর বোঝার পদ্ধতি মূলত গণিত, পরিসংখ্যান এবং ডেটার প্যাটার্ন বা ধরন চেনার ওপর নির্ভরশীল। এআই-কে কোনো কিছু শেখানোর জন্য প্রথমে তাকে বিপুল পরিমাণ তথ্য বা ডেটা দেওয়া হয়। যেমন, এআই-কে যদি “Ball” চিনতে শেখাতে হয়, তবে তাকে ইন্টারনেট থেকে লাখ লাখ বলের ছবি দেখানো হয়। একইভাবে মানুষের ভাষা শেখার জন্য কোটি কোটি বই, প্রবন্ধ ও ওয়েবসাইটের লেখা এআই-এর সিস্টেমে যুক্ত করা হয়।

‘ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং’ (NLP) নামক প্রযুক্তির মাধ্যমে সে বাক্যের প্রতিটি শব্দকে সংখ্যায় (Numbers) রূপান্তর করে। মানুষের মস্তিষ্কে যেমন কোটি কোটি নিউরন একে অপরের সাথে যুক্ত থাকে, তেমনি এআই-তেও ‘আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক’ (Artificial Neural Network) থাকে। এই নেটওয়ার্কটি তার কাছে থাকা বিশাল ডেটাবেস বিশ্লেষণ করে প্যাটার্ন খোঁজে।

আমরা যেমন ছবি বা অক্ষর মনে রাখি AI কিন্তু সেভাবে কাজ করে না। AI প্রতিটি অক্ষার বা শব্দ বা ছবির পিক্সাল কে কিছু নির্দিষ্ট সাঙ্খক ভগ্নানংশ সংখ্যা দ্বারা চিহ্নিত করে। এই পদ্ধতিটিকে এআই-এর ভাষায় বলা হয় এম্বেডিং (Embedding)। যেমন ধরুন, আমাদের কাছে তিনটি শব্দ আছে— “বিড়াল“, “কুকুর” এবং “গাড়ি“। AI এই শব্দগুলোকে সরাসরি মনে না রেখে, নিচের মতো করে ভগ্নাংশ সংখ্যার ভেক্টরে সাজাবে:

• বিড়াল: [0.85, -0.12, 0.45, 0.90]
• কুকুর: [0.82, -0.10, 0.42, 0.88]
• গাড়ি: [-0.55, 0.78, -0.90, -0.10]

এই সংখ্যাগুলোর অর্থ কী? এই সংখ্যাগুলো প্রতিটি শব্দের বিভিন্ন বৈশিষ্ট্য (Features) প্রকাশ করে (যেমন: এটি কি প্রাণী? এটি কি পোষা যায়? এটি কি রাস্তায় চলে?)। খেয়াল করলে দেখবেন, “বিড়াল” এবং “কুকুর” উভয়েই প্রাণী, তাই তাদের সংখ্যার প্যাটার্ন বেশ কাছাকাছি। কিন্তু “গাড়ি” সম্পূর্ণ আলাদা একটি জড়বস্তু, তাই তার সংখ্যাগুলো একদম ভিন্ন! এভাবেই ভেক্টরের দূরত্বের ওপর ভিত্তি করে এআই বুঝতে পারে কোন শব্দের সাথে কোন শব্দের মিল বা সম্পর্ক আছে।

এই ভেক্টরগুলোর কারণে এআই শব্দের মধ্যে গাণিতিক হিসাবও করতে পারে। এআই গবেষণায় সবচেয়ে বিখ্যাত উদাহরণটি হলো:

অর্থাৎ, এআই যখন ‘রাজা’ শব্দের ভেক্টর থেকে ‘পুরুষ’ বৈশিষ্ট্য গাণিতিকভাবে বিয়োগ করে এবং ‘নারী’ বৈশিষ্ট্য যোগ করে, তখন প্রাপ্ত নতুন ভেক্টরটি ‘রানি‘ শব্দের ভেক্টরের সবচেয়ে কাছাকাছি অবস্থান করে! এটি এআই-এর মুখস্থ করা কোনো বিদ্যা নয়, বরং স্রেফ ভেক্টর বা সংখ্যার যোগ-বিয়োগ।

ট্রেনিংয়ের একদম শুরুতে, এআই প্রতিটি শব্দের জন্য সম্পূর্ণ এলোমেলো কিছু সংখ্যা (Random numbers) ধরে নেয়। তখন তার কাছে “চা” এবং “পাথর” শব্দের ভেক্টরের মধ্যে কোনো পার্থক্য থাকে না। এভাবে কোটি কোটি বাক্য পড়ার পর এবং কোটি কোটি বার নিজের ভুল শুধরে নেওয়ার পর, এআই-এর কাছে প্রতিটি শব্দের ভেক্টর একদম নিখুঁত হয়ে যায়। তখন সে নিজে থেকেই বুঝতে পারে যে, “বিড়াল” আর “কুকুর” যেহেতু প্রায় একই ধরনের বাক্যে বসে (যেমন: পোষা, লেজ, খাবার খাচ্ছে), তাই তাদের সংখ্যাগুলো কাছাকাছি হওয়া উচিত।

যে ভাবে ছোট শিশুদের ভুল শুধরে দিলে শুধরে নেয়। এআই সেভাবেই কাজ করে।

জবাব দেওয়ার সময় সে হিসাব করে দেখে যে, আপনি যে প্রশ্নটি করেছেন, তার উত্তরের প্রথম শব্দটি কী হওয়া উচিত, এরপরের শব্দটি কী বসার সম্ভাবনা (Probability) সবচেয়ে বেশি। একটির পর একটি শব্দ সাজিয়ে সে পুরো বাক্য তৈরি করে। ধরুন, একটি ছোট বাচ্চাকে আপনি বারবার একটি আপেল দেখিয়ে বলছেন “এটি আপেল“। কিছুদিন পর বাচ্চাটি যেকোনো আপেল দেখলেই চিনতে পারবে। এআই ঠিক এভাবেই কাজ করে, তবে সে একসাথে কোটি কোটি তথ্য সেকেন্ডের মধ্যে বিশ্লেষণ করতে পারে।

নিউরাল নেটওয়ার্ক কীভাবে কাজ করে ?

এআই-এর নিউরাল নেটওয়ার্ক (Artificial Neural Network) কীভাবে কাজ করে, তা বুঝতে হলে আমাদের নিজেদের মস্তিষ্কের কথা ভাবতে হবে। আমাদের মস্তিষ্কে যেমন কোটি কোটি ‘নিউরন’ (স্নায়ুকোষ) একে অপরের সাথে যুক্ত থেকে তথ্য আদান-প্রদান করে, এআই-তেও তেমনি ছোট ছোট গাণিতিক অংশ থাকে, যাদের ‘নোড’ (Node) বা কৃত্রিম নিউরন বলা হয়। এই নোডগুলো একে অপরের সাথে জালের মতো যুক্ত থাকে এবং কয়েকটি স্তরে (Layers) সাজানো থাকে। প্রথমবার যখন নিউরাল নেটওয়ার্ককে কোনো কুকুরের ছবি দেখানো হয়, সে হয়তো ভুল করে সেটাকে বিড়াল বলে ফেলতে পারে। তখন প্রোগ্রামাররা এআই-কে জানিয়ে দেয় যে উত্তরটি ভুল হয়েছে। এই ভুল ধরার পর AI একটি চমৎকার কাজ করে, যাকে বলা হয় ব্যাকপ্রোপাগেশন (Backpropagation)। সে উল্টো দিকে হেঁটে গিয়ে তার ভেতরের হিসাব-নিকাশ বা সমীকরণগুলোতে একটু পরিবর্তন আনে (যাকে ‘Weight’ বা গুরুত্ব বদলানো বলে)। সে নিজেকে বলে, “পরের বার এরকম গোলাকার কান দেখলে আমি বিড়াল বলার সম্ভাবনা কমিয়ে দেব। “এভাবে লাখ লাখ ছবি দেখতে দেখতে এবং বারবার নিজের ভুল সংশোধন করতে করতে নিউরাল নেটওয়ার্ক একসময় এত নিখুঁত হয়ে ওঠে যে, সে যেকোনো নতুন ছবি দেখলেই নিমেষের মধ্যে সঠিক উত্তর দিতে পারে।

নিউরাল নেটওয়ার্কেরই একটি আধুনিক এবং অনেক বেশি শক্তিশালী রূপ হলো ডিপ লার্নিং (Deep Learning)। প্রতিটি ডিপ লার্নিং-ই আসলে নিউরাল নেটওয়ার্ক, কিন্তু সব নিউরাল নেটওয়ার্ক ডিপ লার্নিং নয়। একটি সাধারণ নিউরাল নেটওয়ার্কে ৩টি প্রধান স্তর থাকে (ইনপুট, হিডেন এবং আউটপুট)। একটি সাধারণ বা বেসিক নিউরাল নেটওয়ার্কে সাধারণত ১টি বা ২টি হিডেন লেয়ার থাকে।

ধরুন, আপনি এআই-কে মানুষের চেহারা (Face recognition) চিনতে শেখাতে চান। একটি ডিপ লার্নিং মডেল ধাপে ধাপে এই কঠিন কাজটি কীভাবে করে দেখুন:

1. প্রথম লেয়ার (ইনপুট): এখানে ছবির পিক্সেলগুলো ঢোকে।
2. দ্বিতীয় লেয়ার: এটি শুধু ছবির সাধারণ দাগ বা রেখাগুলো (Edges/Lines) খোঁজে।
3. তৃতীয় লেয়ার: দাগগুলো মিলিয়ে এটি চোখ, নাক বা কানের মতো সাধারণ আকৃতিগুলো (Shapes) তৈরি করে।
4. চতুর্থ লেয়ার: এটি বিভিন্ন চোখ-নাক-মুখ একসাথে মিলিয়ে একটি পূর্ণাঙ্গ চেহারার কাঠামো তৈরি করে।
5. শেষ লেয়ার (আউটপুট): এই লেয়ারটি এর আগের সমস্ত লেয়ারের তথ্য বিশ্লেষণ করে নিশ্চিত করে যে এটি ঠিক কার চেহারা।

এখানে মজার ব্যাপার হলো, প্রোগ্রামাররা তাকে বলে দেয়নি যে “নাক দেখতে কেমন হয়”। ডিপ লার্নিং তার এই গভীর (Deep) স্তরগুলোর মাধ্যমে লাখ লাখ ছবি বিশ্লেষণ করে নিজে নিজেই নাকের আকৃতি কেমন হয় তা শিখে নিয়েছে!

সহজ কথায়, নিউরাল নেটওয়ার্ক হলো অনেকগুলো গাণিতিক ফিল্টারের একটি স্তর, যা বারবার ভুল করে এবং সেই ভুল থেকে শিখে ধীরে ধীরে নিখুঁত হয়ে ওঠে।

Vāgdhenu AI আসলে কী এবং কেন এটি এত স্পেশাল?

এটি একটি ওপেন সোর্স এআই অডিও মডেল। এটি মূলত সংস্কৃত ভাষার শ্লোক এবং ধর্মীয় মন্ত্রের নিখুঁত উচ্চারণের জন্য বিশেষভাবে ডিজাইন করা হয়েছে।সাধারণ এআই মডেলগুলো মানুষের দৈনন্দিন কথাবার্তা নকল করতে পারদর্শী। কিন্তু সেগুলো ট্র্যাডিশনাল চ্যান্টিং বা শ্লোক পাঠের গভীরতা ধরতে পারে না।গবেষক প্রতোষ এ. পি. এই সমস্যাটি উপলব্ধি করেন। তারই ফলস্বরূপ এই অত্যাধুনিক Vāgdhenu AI মডেলটির জন্ম হয়েছে।

Vāgdhenu AI এর ৫টি দুর্দান্ত বৈশিষ্ট্যএই মডেলটি সাধারণ টেক্সট-টু-স্পিচ (TTS) সিস্টেমের চেয়ে প্রযুক্তিগত দিক থেকে অনেক বেশি উন্নত। এর প্রধান ৫টি বৈশিষ্ট্য নিচে আলোচনা করা হলো:

• নিখুঁত সংস্কৃত উচ্চারণ: এটি সংস্কৃত ভাষার জটিল সন্ধি এবং দীর্ঘ স্বরবর্ণগুলো অত্যন্ত নিখুঁতভাবে প্রসেস করতে পারে।
• ​ইন্ডিক ভাষার সাপোর্ট: এটি AI4Bharat-এর তৈরি IndicF5/F5-TTS মডেলের ওপর ভিত্তি করে ডেভেলপ করা হয়েছে।
• ​স্ক্রিপ্ট রাউটিং প্রযুক্তি: এটি সরাসরি দেবনাগরী ব্যবহার করার বদলে, কন্নড় স্ক্রিপ্টের মাধ্যমে ডেটা প্রসেস করে। এর ফলে উচ্চারণের নির্ভুলতা বহুগুণ বৃদ্ধি পায়।
• ​উন্নত ভোকোডার: এতে NVIDIA-এর BigVGAN v2 ভোকোডার ব্যবহার করা হয়েছে। এটি শ্লোকের টানা সুর বা ছন্দ মাঝপথে কেটে যেতে বা নষ্ট হতে দেয় না।
• ​সম্পূর্ণ ওপেন সোর্স: এটি Hugging Face প্ল্যাটফর্মে সবার জন্য উন্মুক্ত রাখা হয়েছে। যে কেউ এটি বিনামূল্যে নিজেদের প্রজেক্টে ব্যবহার করতে পারবেন।

​সাধারণ ভয়েস এআই থেকে এটি কতটা আলাদা?

​সাধারণ ভয়েস এআই মডেলগুলো মূলত মানুষের স্বাভাবিক, ক্যাজুয়াল কথাবার্তা নকল করার জন্য তৈরি। কিন্তু সংস্কৃত শ্লোক পড়ার একটি নির্দিষ্ট ছন্দ, মাত্রা বা মিটার থাকে।

​সাধারণ এআই মডেল দীর্ঘ স্বরবর্ণ উচ্চারণ করতে গেলে প্রায়ই শব্দ বিকৃত করে ফেলে বা রোবোটিক শোনায়।

​অন্যদিকে, Vāgdhenu AI সেই নির্দিষ্ট ছন্দ এবং আদি সুরকে ধরে রাখতে পুরোপুরি সক্ষম। এটি শ্লোকের গভীরতা এবং আধ্যাত্মিক ভক্তিভাব একেবারে অটুট রাখে।

ডেটা এবং ট্রেনিং প্রক্রিয়াযেকোনো এআই মডেল কতটা ভালো কাজ করবে, তা নির্ভর করে তার ট্রেনিং ডেটার গুণগত মানের ওপর।এই মডেলটিকে প্রায় ৫ ঘণ্টার অত্যন্ত উচ্চমানের সংস্কৃত অডিও ডেটা দিয়ে ট্রেইন করা হয়েছে। এই অডিও ডেটাগুলো একজন একক স্পিকারের স্পষ্ট এবং শুদ্ধ উচ্চারণ থেকে সংগ্রহ করা হয়েছে।ফলে মডেলটি যখন নতুন কোনো অডিও তৈরি করে, তখন সেটি সেই স্পিকারের কণ্ঠের ভক্তিভাব এবং গাম্ভীর্য নিখুঁতভাবে অনুকরণ করতে পারে। এটি কোনো সাধারণ যান্ত্রিক আওয়াজ তৈরি করে না।

কোথায় এবং কীভাবে Vāgdhenu AI ব্যবহার করবেন?

সফটওয়্যার ডেভেলপাররা খুব সহজেই তাদের বিভিন্ন অ্যাপ্লিকেশনে এই মডেলটি এপিআই (API) বা লোকাল সার্ভারের মাধ্যমে যুক্ত করতে পারেন।

যেহেতু এটি একটি ওপেন সোর্স প্রজেক্ট অর্থাৎ আপনি চাইলেই একে নিয়ে কাজ করতে পারেন এবং অ্যাপাচি ২.০ (Apache 2.0) লাইসেন্সের অধীনে রয়েছে, তাই কমার্শিয়াল বা এডুকেশনাল টুলস তৈরিতে এটি দারুন কাজ করবে। নিচে এর কিছু বাস্তব ব্যবহারের উদাহরণ দেওয়া হলো:

• ধর্মীয় অ্যাপ্লিকেশন: ভগবদগীতা, বেদ বা উপনিষদের শ্লোক সঠিক উচ্চারণে শোনানোর জন্য দারুণ সব মোবাইল অ্যাপ তৈরি করা যেতে পারে।
• শিক্ষামূলক প্ল্যাটফর্ম: নতুন যারা সংস্কৃত ভাষা শিখছেন, তাদের সঠিক উচ্চারণ এবং গ্রামার শেখাতে ওয়েবসাইট বা পোর্টালে এটি কাজে লাগবে।
• অডিও বুক এবং পডকাস্ট: প্রাচীন সংস্কৃত গ্রন্থের হাই-কোয়ালিটি অডিও বুক তৈরি করতে এই প্রযুক্তি একটি যুগান্তকারী ভূমিকা পালন করবে। মডেলটির বর্তমান সীমাবদ্ধতাসব অত্যাধুনিক এআই মডেলেরই কিছু না কিছু সীমাবদ্ধতা থাকে। এই মডেলটিও তার ব্যতিক্রম নয়।

এটি বর্তমানে “রেফারেন্স-ড্রিভেন“, অর্থাৎ এটি নিজে থেকে সম্পূর্ণ নতুন কোনো সুর বা ছন্দ তৈরি করতে পারে না। অডিও জেনারেট করার সময় এটি একটি রেফারেন্স অডিওর ছন্দ নিখুঁতভাবে অনুসরণ করে। তবে ভবিষ্যতে আরও বেশি ডেটাসেট যুক্ত করে এই মডেলটিকে আরও স্বয়ংসম্পূর্ণ করার কাজ চলছে।

AI মডেল গুলো কাজ করে Data Matrix কে নির্দিষ্ট সংখ্যক ওয়েট দিয়ে এমডেডিং করে। এই ক্ষেত্রেও একই ভাবে প্রশিক্ষণ দেওয়া হয়েছে। এই কাজের জন্য অনেকগুলো স্লোককে বিভিন্ন ছন্দে অনেক বার চালানো হয়েছে। যার ফলে এই AI মডেলের নিজস্ব একটি স্মৃতি তৈরী হয়েছে। যা এলোমেলো ভাবেই থাকে। কিন্তু সম্ভাব্য সুরকে চিনতে পারে। এবং পর পর সেই সুরের প্যাটার্ন বুঝে মন্ত্রকে সঠিক ছন্দ দিয়ে Text To Speach (TTS) Model ব্যবহার করে শব্দ তৈরী করে।

উপসংহার

পরিশেষে বলা যায়, সংস্কৃত ভাষা এবং আধুনিক প্রযুক্তির এই মেলবন্ধনে একটি নতুন যুগের সূচনা হয়েছে। Vāgdhenu AI প্রমাণ করেছে যে, আর্টিফিশিয়াল ইন্টেলিজেন্স শুধু আধুনিক ভাষার জন্যই নয়, আমাদের প্রাচীন ঐতিহ্য সংরক্ষণেও সমানভাবে সাহায্য করতে পারে।আপনি যদি সংস্কৃত টেকনোলজি, ওয়েবসাইট ডেভেলপমেন্ট বা অ্যাপ তৈরি নিয়ে কাজ করেন, তবে আজই এই মডেলটি আপনার প্রজেক্টে ব্যবহার করে দেখতে পারেন। এটি আপনার অডিও জেনারেশনের অভিজ্ঞতাকে সম্পূর্ণ বদলে দেবে।