প্রযুক্তি গণমাধ্যম TestingCatalog ২ আগস্ট প্রকাশিত এক ব্লগ পোস্টে জানিয়েছে, মাইক্রোসফট তাদের প্রথম নেটিভ রিয়েল-টাইম ভয়েস মডেল MAI Realtime পরীক্ষা করছে। এটি ১৬টি ভাষা ও ২টি ভয়েস সমর্থন করে, কথোপকথনে একই সঙ্গে শোনা ও কথা বলা সম্ভব করে এবং স্বয়ংক্রিয় ভাষা শনাক্তকরণ ও কথোপকথনের মাঝপথে ভাষা পরিবর্তন সমর্থন করে।
পরীক্ষার বিষয়ে জানা গেছে, মাইক্রোসফট ইতিমধ্যে কয়েকজন অংশীদারকে MAI Playground প্ল্যাটফর্মে এই মডেল পরীক্ষা করার আমন্ত্রণ জানিয়েছে। এটি কখন Microsoft Foundry-তে চালু হবে এবং Copilot-এর ভয়েস ফিচারে সম্প্রসারিত হবে, তা এখনও স্পষ্ট নয়।
কার্যপ্রণালির দিক থেকে MAI Realtime দ্বিমুখী, ফুল-ডুপ্লেক্স ইন্টারঅ্যাকশন পদ্ধতি ব্যবহার করে। এখানে “ব্যবহারকারী কথা শেষ করবেন, তারপর মডেল উত্তর দেবে”—এমন কঠোর পালাবদলের প্রয়োজন নেই; একই সঙ্গে শোনা ও উত্তর দেওয়া সম্ভব।
সমর্থিত ভাষার দিক থেকে MAI Realtime মডেলটি চীনা সহ ১৬টি ভাষা সমর্থন করে। IT之家 ব্লগ পোস্টটি উদ্ধৃত করে সংশ্লিষ্ট ভাষাগুলোর তালিকা দিয়েছে:
ইংরেজি
জার্মান
স্প্যানিশ
ফরাসি
ইতালীয়
পর্তুগিজ
জাপানি
কোরিয়ান
চীনা
ডাচ
হিন্দি
ইন্দোনেশীয়
আরবি
রুশ
তুর্কি
ভিয়েতনামি
থাই
ভয়েস স্টাইলের ক্ষেত্রে জানা গেছে, মডেলটির পরীক্ষামূলক সংস্করণে Victoria এবং Grant—এই ২টি ভয়েস রয়েছে, যা Copilot-এর বর্তমান ভয়েস মোডের তুলনায় বেশি স্বাভাবিক। ব্যবহারকারী নিজে ভাষা নির্দিষ্ট করে দিতে পারেন, আবার স্বয়ংক্রিয় শনাক্তকরণও চালু করতে পারেন।
এই মডেল গান গাওয়া বা অ-ভয়েস সাউন্ড ইফেক্ট তৈরি সমর্থন করে না; এর অবস্থান এখনও কথোপকথন ব্যবস্থা হিসেবেই। ডিবাগিং প্যানেলে রিয়েল-টাইম বিলম্ব, মডেলের চিন্তার বিষয়বস্তু ও প্রক্রিয়াকরণ ধাপ দেখানো যায়। পরীক্ষার অনুমতি বাড়ানোর পর নমুনা শেয়ারিং ফিচারটি প্ল্যাটফর্ম ব্যবহারকারীদের জন্য উন্মুক্ত করা হতে পারে।
নোট: ফুল-ডুপ্লেক্স ভয়েস (Full-duplex voice) বলতে এমন একটি ব্যবস্থা বোঝায়, যা একই সময়ে ব্যবহারকারীর কণ্ঠ গ্রহণ করে এবং উত্তর输出 করে; কোনো পক্ষের সম্পূর্ণ কথা শেষ হওয়ার জন্য অপেক্ষা করতে হয় না। এটি এন্ডপয়েন্ট শনাক্তকরণের মাধ্যমে কথা বলা শুরু, বিরতি ও শেষ হওয়া শনাক্ত করে এবং ব্যবহারকারী মাঝখানে কথা বললে আউটপুটও সামঞ্জস্য করতে হয়।
মাইক্রোসফটের আগে প্রকাশিত MAI ভয়েস মডেলগুলো সবই একমুখী মডেল। এর মধ্যে রয়েছে ভয়েস সংশ্লেষণের জন্য MAI-Voice-2 ও এর Flash সংস্করণ এবং ভয়েস শনাক্তকরণের জন্য MAI-Transcribe-1.5।