মানুষের মতো কথা বলতে পারে নতুন এআই মডেল ‘ডেসা’

মানুষের সঙ্গে আরও স্বাভাবিকভাবে কথোপকথন করতে সক্ষম কৃত্রিম বুদ্ধিমত্তা (এআই) মডেল তৈরি করেছে জ্যাক ডরসির প্রতিষ্ঠান ব্লক ইনকরপোরেশন। ‘ডেসা’ নামের এই মডেলটি মানুষের কণ্ঠস্বর শুনে সরাসরি উত্তর দিতে পারে। কথোপকথনের সময় হাসা, বিস্ময় প্রকাশ করা কিংবা ব্যবহারকারীর কথা বলার ফাঁকে সাড়া দেওয়ার মতো বৈশিষ্ট্যও দেখা গেছে এর প্রদর্শনীতে।

ব্লকের দাবি, ডেসা একটি পূর্ণাঙ্গ দ্বিমুখী কথোপকথনভিত্তিক স্পিচ মডেল। প্রচলিত অনেক ভয়েস এআই ব্যবস্থার মতো প্রথমে কথাকে লেখায় রূপান্তর করে পরে উত্তর তৈরি করার পরিবর্তে এটি সরাসরি অডিও গ্রহণ ও তৈরি করতে পারে। ফলে কথোপকথনের স্বাভাবিক ছন্দ, কণ্ঠস্বরের ওঠানামা এবং আবেগের প্রকাশ আরও ভালোভাবে ধরার সুযোগ তৈরি হয়। <Cite refs={["turn323416news19","turn323416search2"]}/>

একই সঙ্গে কথা শোনা ও বলতে পারে ডেসা

ডেসার অন্যতম বৈশিষ্ট্য হলো, এটি ব্যবহারকারীর কথা শোনার পাশাপাশি নিজের উত্তরও দিতে পারে। এ ধরনের প্রযুক্তিকে বলা হয় ‘ফুল-ডুপ্লেক্স স্পিচ মডেল’।

এর ফলে ব্যবহারকারী কথা বলার মাঝখানে থামলে, নতুন কিছু যোগ করলে কিংবা এআইয়ের বক্তব্যে বাধা দিলে কথোপকথন চালিয়ে যাওয়ার সুযোগ থাকে। ব্লকের প্রকাশিত অডিও নমুনায় মডেলটিকে হাসতে, বিস্ময় প্রকাশ করতে এবং পরিস্থিতি অনুযায়ী কণ্ঠস্বরের ভঙ্গি বদলাতে দেখা যায়। <Cite refs={["turn323416search1","turn323416search2"]}/>

লিখিত তথ্য ছাড়াই প্রশিক্ষণের দাবি

ব্লকের দাবি, ডেসাকে শুরু থেকেই মানুষের কথোপকথনের অডিও ব্যবহার করে প্রশিক্ষণ দেওয়া হয়েছে। অর্থাৎ প্রশিক্ষণের জন্য লিখিত কথোপকথন বা আগে থেকে প্রশিক্ষিত কোনো টেক্সটভিত্তিক ভাষা মডেলের ওপর নির্ভর করা হয়নি।

প্রচলিত এআই ব্যবস্থায় মানুষের কথা শনাক্ত করে সেটিকে লেখায় রূপান্তর করা হতে পারে। এরপর ভাষা মডেল উত্তর তৈরি করে এবং আরেকটি ব্যবস্থা সেই উত্তরকে কণ্ঠস্বরে রূপ দেয়। ডেসার ক্ষেত্রে সরাসরি অডিও থেকে অডিও তৈরির পদ্ধতি ব্যবহারের দাবি করা হয়েছে।

তবে মডেলটির প্রশিক্ষণপ্রক্রিয়া, সক্ষমতা ও সীমাবদ্ধতা সম্পর্কে স্বাধীনভাবে যাচাই করা বিস্তারিত গবেষণা বা তুলনামূলক পরীক্ষার তথ্য এখনো সীমিত। তাই ব্লকের দাবিগুলোকে প্রতিষ্ঠানটির প্রকাশিত তথ্য হিসেবেই বিবেচনা করা উচিত। <Cite refs={["turn323416search5","turn323416search6"]}/>

কথোপকথনে হাসি ও আবেগের প্রকাশ

ডেসার প্রকাশিত নমুনা কথোপকথনে দেখা যায়, মজার কোনো প্রসঙ্গ এলে মডেলটি হাসছে, বিস্ময় প্রকাশ করছে এবং ব্যবহারকারীর অনুভূতির সঙ্গে সামঞ্জস্য রেখে প্রতিক্রিয়া দেওয়ার চেষ্টা করছে।

ব্লকের গবেষকদের মতে, মানুষের কণ্ঠস্বরের গতি, বিরতি, স্বরভঙ্গি ও আবেগপূর্ণ সংকেত কথোপকথনের অর্থ বোঝার ক্ষেত্রে গুরুত্বপূর্ণ। এসব বৈশিষ্ট্য সরাসরি অডিও থেকে শেখার মাধ্যমে এআইয়ের প্রতিক্রিয়া আরও স্বাভাবিক হতে পারে।

তবে মানুষের মতো শোনানো মানেই এআই মানুষের অনুভূতি সত্যিকার অর্থে অনুভব করে—এমন নয়। কণ্ঠস্বরের মাধ্যমে আবেগ শনাক্ত করা এবং সেই অনুযায়ী প্রতিক্রিয়া তৈরি করা প্রযুক্তিগত সক্ষমতা; এর সঙ্গে মানুষের নিজস্ব অনুভূতির পার্থক্য রয়েছে।

ল্যাপটপেও চালানোর দাবি

ব্লকের তথ্য অনুযায়ী, ডেসা বাস্তব সময়ের চেয়ে দ্রুত অডিও প্রক্রিয়াকরণ করতে পারে এবং শক্তিশালী ব্যক্তিগত কম্পিউটারেও চালানো সম্ভব। প্রতিষ্ঠানটি বিশেষভাবে অ্যাপলের এম৪ ম্যাক্স চিপযুক্ত ম্যাকবুক প্রোতে মডেলটি চালানোর কথা জানিয়েছে।

এ ধরনের সক্ষমতা সত্য হলে ভয়েস এআই ব্যবহারের ক্ষেত্রে বড় সার্ভারের ওপর নির্ভরতা কমানোর সম্ভাবনা তৈরি হতে পারে। তবে সাধারণ ব্যবহারকারীর কম্পিউটারে মডেলটি চালানোর জন্য প্রয়োজনীয় হার্ডওয়্যার, মেমোরি এবং অন্যান্য শর্ত সম্পর্কে বিস্তারিত তথ্য সীমিত।

সাধারণ ব্যবহারকারীরা কি এখনই ব্যবহার করতে পারবেন?

প্রকাশিত তথ্য অনুযায়ী, ডেসা এখনো সবার জন্য উন্মুক্ত নয়। প্রাথমিক পর্যায়ে নির্দিষ্টসংখ্যক এআই নিরাপত্তা গবেষককে মডেলটি পরীক্ষা করার সুযোগ দেওয়ার পরিকল্পনা করেছে ব্লক। প্রতিষ্ঠানটি সম্ভাব্য ঝুঁকি ও নিরাপত্তাসংক্রান্ত বিষয়গুলো যাচাই করতেও আগ্রহী। <Cite refs={["turn323416search2","turn323416search5"]}/>

মানুষের মতো স্বাভাবিক কণ্ঠে কথা বলতে সক্ষম এআইয়ের ব্যবহার যেমন গ্রাহকসেবা, শিক্ষা ও ব্যক্তিগত সহকারীর ক্ষেত্রে নতুন সম্ভাবনা তৈরি করতে পারে, তেমনি কণ্ঠস্বর নকল, পরিচয় জালিয়াতি এবং মানুষের আবেগকে প্রভাবিত করার ঝুঁকিও রয়েছে।

ডেসার ভবিষ্যৎ সাফল্য তাই শুধু কতটা স্বাভাবিকভাবে কথা বলতে পারে, তার ওপর নির্ভর করবে না; বরং নিরাপত্তা, নির্ভরযোগ্যতা এবং সাধারণ মানুষের জন্য এর ব্যবহার কতটা সহজ ও নিরাপদ হয়, সেটিও গুরুত্বপূর্ণ হয়ে উঠবে।