কৃত্রিম বুদ্ধিমত্তা বা (AI) আমাদের প্রতিটি ক্ষেত্রেই প্রায় বিশাল বিপ্লব আন্তে চলেছে। সমগ্র বিশ্ব যখন আমেরিকা চীনের মতো দেশের দিকে তাকিয়ে আছে। সেখানে ভারতীয় নিয়ে এসেছেন Vāgdhenu AI। আধুনিক TTS Model গুলো প্রাচীন সংস্কৃত ভাষার সঠিক উচ্চারণের ক্ষেত্রে প্রায়ই ব্যর্থ হয়। এই সমস্যার একটি স্থায়ী সমাধানেই তৈরি করেছেন IISC Bangalore এর অধ্যাপক প্রত্যুষ অনন্ত পদ্মানন্দ প্রসাদ।
Vāgdhenu AI, যা সংস্কৃত মন্ত্রোচ্চারণের জন্য একটি যুগান্তকারী উদ্ভাবন। এটি সাধারণ টেক্সট-টু-স্পিচ মডেলের মতো নয়।এই আর্টিকেলে আমরা জানব কীভাবে এই অসাধারণ এআই মডেলটি কাজ করে। এছাড়া কেন এটি ডেভেলপার ও সংস্কৃত অনুরাগী উভয়ের কাছেই এত জনপ্রিয় হয়ে উঠছে, তা নিয়েও আমরা বিস্তারিত আলোচনা করব।
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।
