সব AI টুল
এআই স্পিচ রিকগনিশন
এখানে এআই স্পিচ রিকগনিশনের জনপ্রিয় পণ্যগুলো একত্রিত করা হয়েছে; সৃজন, প্রক্রিয়াকরণ ও দক্ষতা বৃদ্ধির মতো সাধারণ ব্যবহারক্ষেত্র অন্তর্ভুক্ত।
Spark-ASR-2.0এআই স্পিচ রিকগনিশনSpark-ASR-2.0 হলো iFlytek-এর Spark-Audio স্পিচ ফাউন্ডেশন মডেলের ওপর ভিত্তি করে তৈরি সর্বশেষ প্রজন্মের স্পিচ রিকগনিশন বড় মডেল। মডেলটি 'নন-অটোরিগ্রেসিভ + LLM-সমৃদ্ধ অটোরিগ্রেসিভ' সমন্বিত আর্কিটেকচার ব্যবহার করে চীনা-ইংরেজি মিশ্র ভাষা, উপভাষা, পেশাগত...00
Xiaomi-CocktailASR-1এআই স্পিচ রিকগনিশনXiaomi-CocktailASR-1 হলো Xiaomi-এর ওপেন-সোর্স করা টার্গেট স্পিকার স্পিচ রিকগনিশনের একটি বড় মডেল। LLM এন্ড-টু-এন্ড আর্কিটেকচারের ওপর ভিত্তি করে এটি রেফারেন্স স্পিচকে স্পিকার-ভয়েসপ্রিন্ট প্রম্পট হিসেবে ব্যবহার করে। স্পিচ সেপারেশন ছাড়াই একাধিক ব্যক্তির মিশ্রিত অডিও থেকে নির্দিষ্ট বক্তার কথা নির্ভুলভাবে ট্রান্সক্রাইব করতে পারে...00
MAI-Transcribe-2এআই স্পিচ রিকগনিশনMAI-Transcribe-2 হলো মাইক্রোসফটের তৈরি সবচেয়ে শক্তিশালী AI স্পিচ-টু-টেক্সট মডেল, যা নির্ভুলতা, গতি ও খরচে সামগ্রিকভাবে এগিয়ে। মডেলটি 60টি ভাষা সমর্থন করে এবং FLEURS টেস্ট সেটে গড় শব্দ ত্রুটির হার মাত্র 5.2%。00
SmartSub – ওপেন সোর্স অল-ইন-ওয়ান অডিও-ভিডিও সাবটাইটেল প্রসেসিং ডেস্কটপ টুলএআই স্পিচ রিকগনিশনSmartSub (妙幕) একটি ওপেন সোর্স অল-ইন-ওয়ান অডিও-ভিডিও সাবটাইটেল প্রসেসিং ডেস্কটপ টুল। টুলটি পুরো প্রক্রিয়াকে একটি অ্যাপ্লিকেশনে একীভূত করেছে। Whisper, FunASR, Qwen3-ASR-সহ স্থানীয় মডেলের মাধ্যমে অফলাইনে কথাকে লেখায় রূপান্তর করা যায়। ২০টিরও বেশি অনুবাদ পরিষেবা এবং একাধিক চরিত্রের AI ডাবিং সমর্থন করে। এতে বিল্ট-ইন অনলাইন ভিডিও ডাউনলোডার রয়েছে, যা B站, YouTube-সহ বিভিন্ন প্ল্যাটফর্মের সঙ্গে সামঞ্জস্যপূর্ণ। NVIDIA CUDA, Apple Core ML-সহ হার্ডওয়্যার অ্যাক্সিলারেশন সমর্থন করে এবং Windows, macOS, Linux তিন প্ল্যাটফর্মেই স্থানীয়ভাবে চলে।00
Hy ASR 3.0 preview – টেনসেন্ট হুনইয়ানের推出 করা নতুন প্রজন্মের স্পিচ রিকগনিশন মডেলএআই স্পিচ রিকগনিশনHy ASR 3.0 preview – টেনসেন্ট হুনইয়ানের推出 করা নতুন প্রজন্মের স্পিচ রিকগনিশন মডেল হলো Hy3 বৃহৎ ভাষা মডেলের ওপর ভিত্তি করে তৈরি নতুন প্রজন্মের স্পিচ রিকগনিশন সিস্টেম, যা উচ্চ-নির্ভুলতার স্পিচ রিকগনিশন ও গভীর সেমান্টিক বোধগম্যতাকে একীভূত করে। এটি চীনা, ইংরেজি, ক্যান্টনিজ এবং 10টি প্রধান উপভাষা অঞ্চলের ভাষা সমর্থন করে। পাশাপাশি এতে রয়েছে প্রসঙ্গভিত্তিক বুদ্ধিমান সংশোধন, হট-ওয়ার্ড ইনজেকশন এবং উচ্চ শব্দ, ফিসফিসসহ জটিল পরিস্থিতিতে স্থিতিশীলভাবে কাজ করার সক্ষমতা। ওপেন-সোর্স মূল্যায়ন সেটে WER প্রায় 3%-এর মধ্যে থাকে এবং নিজস্ব মূল্যায়ন সেটে এটি প্রতিযোগী মডেলগুলোর তুলনায় সামগ্রিকভাবে এগিয়ে। মডেলটি বুদ্ধিমান客服, কনটেন্ট তৈরি, ভয়েস সার্চ, অফিস সহযোগিতা এবং বুদ্ধিমান টার্মিনালসহ বিভিন্ন ক্ষেত্রে ব্যবহার করা যায়। এটি টেনসেন্ট ক্লাউড API-এর মাধ্যমে সংযুক্ত করা যায় অথবা টেনসেন্ট ইউয়ানবাও-তে বিনামূল্যে ব্যবহার করে দেখা যায়।00এই শ্রেণির সব টুল দেখানো হয়েছে।