৪০ ভাষায় কথা থেকে লেখা বানাবে এনভিডিয়ার উন্মুক্ত মডেল
নেমোট্রন ৩.৫ ট্রান্সক্রাইব বিনা মূল্যে বাণিজ্যিক কাজেও ব্যবহার করা যাবে; আলাদা করতে পারে আটজন পর্যন্ত বক্তাকে। সঙ্গে এল ৪৮ ভাষার কণ্ঠের উন্মুক্ত ডেটাসেট।
চিপ নির্মাতা এনভিডিয়া বুধবার (২৮ অক্টোবর) নেমোট্রন ৩.৫ ট্রান্সক্রাইব নামের একটি উন্মুক্ত (ওপেন-ওয়েট) কণ্ঠ-থেকে-লেখা মডেল প্রকাশ করেছে। এটি ৪০টি ভাষার রেকর্ড করা কথা লিখিত রূপে আনতে পারে এবং এর মধ্যে ৩১টি ভাষা ইংরেজিতে বা ইংরেজি থেকে অনুবাদ করতে পারে।
মডেলটি বিনা মূল্যে পাওয়া যাচ্ছে, লাইসেন্সে বাণিজ্যিক ব্যবহারের অনুমতিও আছে।
যা পারে
- এক ঘণ্টা পর্যন্ত দৈর্ঘ্যের রেকর্ডিং লিখিত রূপে আনা
- আটজন পর্যন্ত বক্তাকে আলাদা করে চিহ্নিত করা
- রেকর্ডিং নিয়ে প্রশ্নের উত্তর দেওয়া
- সাধারণ ভাষায় নির্দেশ দিয়ে আউটপুট বদলানো—যেমন হুবহু না পরিচ্ছন্ন লেখা চাই, কিংবা চিকিৎসা বা পণ্যের বিশেষ শব্দ আগে থেকে জানিয়ে দেওয়া
তবে সরাসরি (লাইভ) কথা লেখায় রূপান্তরের জন্য এটি বানানো হয়নি, শুধু রেকর্ড করা অডিওর জন্য। এনভিডিয়ার দাবি, ইংরেজি কথা শনাক্তকরণে Hugging Face-এর তালিকায় উন্মুক্ত মডেলগুলোর মধ্যে এটি শীর্ষে, গড় শব্দ-ভুলের হার ৫.৩৩ শতাংশ।
মডেলটির মোট প্যারামিটার নিয়ে বিভিন্ন সূত্রে ভিন্ন তথ্য এসেছে (৩০ বা ৩৪ বিলিয়ন); প্রতিটি ধাপে সক্রিয় থাকে প্রায় ৪ বিলিয়ন। একটি এনভিডিয়া চিপেই এটি চালানো যায়।
নতুন ডেটাসেট
সঙ্গে "গ্র্যানারি" কণ্ঠ-ডেটাসেটের দ্বিতীয় সংস্করণও উন্মুক্ত করেছে এনভিডিয়া। এতে ৪৮টি ভাষায় ৪ লাখ ৬৩ হাজারের বেশি ঘণ্টার কথা রয়েছে; প্রথম সংস্করণে ভাষা ছিল ২৫টি। এনভিডিয়ার উদাহরণে, ভারতীয় চিকিৎসকদের কথার ডেটা দিয়ে মডেলটিকে বাড়তি প্রশিক্ষণ দিলে ভুল ৪৫.৮ শতাংশ কমেছে।