MOSS-Live চালু আছে

MOSS-Live হলো মোসি ইন্টেলিজেন্টের推出 করা ফুল-ডুপ্লেক্স রিয়েল-টাইম ইন্টার‌্যাকশন সিস্টেম। MOSS-Live AI-কে মানুষের মতো একই সঙ্গে শুনতে ও কথা বলতে দেয়; সেমান্টিক স্তরে কখন উত্তর দিতে, অপেক্ষা করতে বা বাধা গ্রহণ করতে হবে তা নির্ধারণ করে, সম্মতিসূচক শব্দ ও পরিবেশের আওয়াজে ভুলভাবে সক্রিয় হয় না; ভিডিও কল, স্ক্রিন শেয়ারিং এবং পরিবেশের শব্দ বোঝা সমর্থন করে; ফ্রন্ট-এন্ড ও ব্যাক-এন্ড সমন্বিত আর্কিটেকচার ব্যবহার করে, কথোপকথন থামানো ছাড়াই তথ্য অনুসন্ধান, পরিকল্পনা তৈরির মতো জটিল কাজ অ্যাসিঙ্ক্রোনাসভাবে সম্পন্ন করে এবং কাজ শেষ হলে সক্রিয়ভাবে ফলাফল জানায়। MOSS-Live-এর বেঞ্চমার্কের একাধিক সূচকে GPT Realtime-এর মতো প্রতিদ্বন্দ্বী পণ্যকে ছাড়িয়ে গেছে; API সীমিত সময়ের জন্য বিনামূল্যে উন্মুক্ত।

ফুল-ডুপ্লেক্স কথোপকথন: একই সঙ্গে শোনা ও কথা বলা; সেমান্টিক স্তরে কখন উত্তর দিতে, অপেক্ষা করতে, বাধা গ্রহণ করতে বা নীরব থাকতে হবে তা নির্ধারণ।
সেমান্টিক বাধা শনাক্তকরণ: সম্মতিসূচক শব্দ ও সক্রিয় বাধার পার্থক্য বোঝে; ”হুম”-এর মতো সংক্ষিপ্ত উত্তরে কথোপকথন থামায় না, স্পষ্ট বাধা পেলে দ্রুত সাড়া দেয়।
সেমান্টিক সমাপ্তি শনাক্তকরণ: সেমান্টিক বোঝাপড়ার ভিত্তিতে ব্যবহারকারী কথা শেষ করেছেন কি না নির্ধারণ করে; বাক্যের মাঝের বিরতি বা চিন্তা করার সময় অপেক্ষা করে, কথা কেড়ে নেয় না।
অপ্রাসঙ্গিক শব্দ প্রত্যাখ্যান: কোন কথা তাকে উদ্দেশ করে বলা হয়েছে তা শনাক্ত করতে পারে; আশপাশের মানুষের আলাপ, নিজের সঙ্গে কথা বলা বা ডিভাইসের শব্দে ভুলভাবে সক্রিয় হয় না।
স্বাভাবিক সম্মতি: কথোপকথনের বিষয় ও গতি অনুযায়ী উপযুক্ত সময়ে সংক্ষিপ্ত সাড়া দেয়।
বিরতির স্থান থেকে কথা চালানো ও স্মৃতি: একাধিক বাধা বা বিষয় পরিবর্তনের পরও বাধাপ্রাপ্ত স্থান ও প্রসঙ্গ মনে রাখে এবং স্বাভাবিকভাবে কথা চালিয়ে যায়।
সক্রিয় ইন্টার‌্যাকশন: ব্যবহারকারীর পূর্বনির্ধারিত শর্ত অনুযায়ী কথোপকথনে নজর রাখে এবং শর্ত পূরণ হলে সক্রিয়ভাবে অংশ নেয়।
কথা বলতে বলতে কাজ: টুল ব্যবহার করে অনুসন্ধান, পরিকল্পনার মতো কাজ অ্যাসিঙ্ক্রোনাসভাবে সম্পন্ন করে; কথোপকথন থামে না এবং কাজ শেষ হলে সক্রিয়ভাবে ফলাফল জানায়।
শুনতে শুনতে অনুবাদ: স্ট্রিমিং সিমালটেনিয়াস ইন্টারপ্রিটেশন, মানুষের অনুবাদের কাছাকাছি কম লেটেন্সিতে ধারাবাহিকভাবে অনূদিত ফলাফল দেয়।
মাল্টিমোডাল উপলব্ধি: ভিডিও কল ও স্ক্রিন শেয়ারিং সমর্থন করে; পরিবেশের শব্দ ও বক্তার কণ্ঠস্বর বুঝতে পারে এবং দৃষ্টি, কণ্ঠ ও পরিবেশগত তথ্য একত্র করে ইন্টার‌্যাকশন সম্পন্ন করে।

ফ্রন্ট-এন্ড ও ব্যাক-এন্ড সমন্বিত আর্কিটেকচার: MOSS-Live রিয়েল-টাইম ইন্টার‌্যাকশনকে জটিল কাজ থেকে আলাদা করে এবং বিভিন্ন মডেলকে আলাদা দায়িত্ব দেয়: ফ্রন্ট-এন্ড ইন্টার‌্যাকশন মডেল অবিরত কণ্ঠ, ছবি ও পরিবেশের শব্দ গ্রহণ করে, কথোপকথনের অবস্থা বোঝে এবং কখন শুনবে, উত্তর দেবে বা অপেক্ষা করবে তা নির্ধারণ করে; ব্যাক-এন্ড মডেল গভীর বিশ্লেষণ ও দীর্ঘমেয়াদি সম্পাদন প্রয়োজন এমন কাজ গ্রহণ করে। উভয় মডেল শেয়ার করা স্মৃতি, প্রসঙ্গ ও কাজের অবস্থার মাধ্যমে সমন্বিত থাকে। ফ্রন্ট-এন্ড ব্যাক-এন্ডের কাজের অগ্রগতি জানে এবং কাজ শেষ হলে উপযুক্ত সময়ে ফলাফল কথোপকথনে ফিরিয়ে আনে, ফলে ব্যবহারকারীকে অপেক্ষা না করেই আলাপ চালিয়ে যেতে পারেন।
সেমান্টিক-স্তরের ফুল-ডুপ্লেক্স নিয়ন্ত্রণ: অবিরত শোনার সময় MOSS-Live রিয়েল-টাইমে সেমান্টিক অর্থ, কথার উদ্দেশ্য ও কথোপকথনের অবস্থা বোঝে; কখন উত্তর দেবে, কখন অপেক্ষা করবে, কখন বাধা গ্রহণ করবে এবং কখন নীরব থাকবে তা গতিশীলভাবে নির্ধারণ করে। এর ফলে সত্যিকারের স্বাভাবিক সমান্তরাল শোনা ও কথা বলা সম্ভব হয়।
অবিরত মাল্টিমোডাল উপলব্ধি: সিস্টেম তিনটি তথ্যসূত্র একত্র করে: কণ্ঠপ্রবাহ, ভিডিও দৃশ্য ও অ্যাকোস্টিক পরিবেশ। ইন্টার‌্যাকশন সিদ্ধান্ত মাল্টিমোডাল তথ্যের সম্মিলিত বোঝাপড়ার ওপর ভিত্তি করে নেওয়া হয়, যেমন রিয়েল-টাইম দৃশ্য দেখে ব্যবহারকারী কোন বস্তুর দিকে ইঙ্গিত করছেন তা শনাক্ত করা, অথবা নেভিগেশন নির্দেশনার মতো অপ্রাসঙ্গিক শব্দ শনাক্ত করে সাড়া না দেওয়া।

অফিশিয়াল ওয়েবসাইটে অনলাইন অভিজ্ঞতা: মোসি ইন্টেলিজেন্টের অফিসিয়াল ওয়েবসাইট https://www.moss.cn-এ যান, ”体验 MOSS Live” প্রবেশপথে ক্লিক করুন, নিবন্ধন ও লগইন করে মাইক্রোফোন/ক্যামেরার অনুমতি দিন এবং কণ্ঠ নির্বাচন করে ফুল-ডুপ্লেক্স ভয়েস কথোপকথন শুরু করুন।
API সংযুক্তি: https://platform.moss.cn-এ গিয়ে ডেভেলপার অ্যাকাউন্ট নিবন্ধন করুন, অ্যাপ্লিকেশন তৈরি করে কী সংগ্রহ করুন এবং অফিসিয়াল ডকুমেন্টেশন অনুযায়ী ফুল-ডুপ্লেক্স ইন্টারফেস সংযুক্ত করুন। এভাবে MOSS-Live নিজের পণ্যে যুক্ত করা যাবে।

কথোপকথনের গতি নিয়ন্ত্রণে শিল্পসেরা: বিরতিতে কথা কেড়ে নেওয়ার হার মাত্র 1.44%, যা GPT Realtime-এর 2.1 এবং Doubao SeedDuplex-এর তুলনায় অনেক কম; অপেক্ষা ও কথা চালিয়ে যাওয়ার সময় সবচেয়ে স্বাভাবিক।
অপ্রাসঙ্গিক শব্দ প্রত্যাখ্যানে অত্যন্ত শক্তিশালী: অপ্রাসঙ্গিক কণ্ঠে ভুলভাবে সাড়া দেওয়ার হার মাত্র 2%, যেখানে মূল্যায়িত প্রতিদ্বন্দ্বী পণ্যগুলোর হার 68%–88%; আশপাশের আলাপ বা ডিভাইসের শব্দে ভুলভাবে সক্রিয় হয় না।
বাধা পরিচালনার মান সর্বোচ্চ: FDB v1-এ বাধার পর উত্তরের মান 4.88/5; সম্মতিসূচক শব্দে বাধাপ্রাপ্ত হয় না, ব্যবহারকারী সত্যিই বাধা দিলে দ্রুত সাড়া দেয় এবং প্রসঙ্গ অনুযায়ী কথা চালিয়ে যায়।
কথোপকথন ও কাজ সমান্তরালে: ফ্রন্ট-এন্ড ও ব্যাক-এন্ড সমন্বিত আর্কিটেকচার জটিল কাজ ব্যাকগ্রাউন্ডে অ্যাসিঙ্ক্রোনাসভাবে সম্পন্ন করে; কথোপকথন আটকে থাকে না এবং কাজ শেষ হলে সক্রিয়ভাবে ফলাফল জানায়।
মাল্টিমোডাল রিয়েল-টাইম উপলব্ধি: কণ্ঠ, ভিডিও দৃশ্য, স্ক্রিন শেয়ারিং ও পরিবেশের শব্দ একসঙ্গে একত্র করে ”দেখতে, শুনতে ও কথা বলতে বলতে” পূর্ণ-মোড ইন্টার‌্যাকশন সম্ভব করে।
বিরতির স্থান থেকে কথা চালানোর ক্ষমতা শক্তিশালী: একাধিক বাধা ও ঘন ঘন বিষয় পরিবর্তনের পরও কথার স্থান ও প্রসঙ্গ মনে রাখে এবং আগের বিষয় স্বাভাবিকভাবে চালিয়ে যায়।
স্ট্রিমিং সিমালটেনিয়াস ইন্টারপ্রিটেশন সমর্থন: শুনতে শুনতে অনুবাদ করে এবং মানুষের সিমালটেনিয়াস ইন্টারপ্রিটেশনের কাছাকাছি কম লেটেন্সিতে ধারাবাহিকভাবে অনুবাদ দেয়; বহু ভাষার যোগাযোগের জন্য উপযোগী।

প্রকল্পের অফিসিয়াল ওয়েবসাইট: https://www.moss.cn/products/moss-live

AI সভায় অংশগ্রহণ: ভার্চুয়াল অংশগ্রহণকারী হিসেবে আলোচনার অগ্রগতি রিয়েল-টাইমে অনুসরণ করে, বাধার পর প্রসঙ্গ অনুযায়ী কথা চালিয়ে যায় এবং সভা শেষে স্বয়ংক্রিয়ভাবে সিদ্ধান্ত ও করণীয়整理 করে।
গাড়ির ভয়েস অ্যাসিস্ট্যান্ট: গাড়ি চালানোর সময় ভ্রমণ পরিকল্পনা, জাহাজের টিকিট ও হোটেল খোঁজা; নেভিগেশন ঘোষণার বাধা সামলে একাধিক বাধার পরও বিরতির স্থান থেকে পথের বর্ণনা চালিয়ে যায়।
ব্যক্তিগত ভ্রমণ নির্দেশক: ভিডিওর মাধ্যমে সামনে থাকা স্থাপনা শনাক্ত করে তার ইতিহাস ব্যাখ্যা করে; হোটেলের দাম বা রেস্তোরাঁ সম্পর্কে জানতে যেকোনো সময় বাধা দেওয়া যায়, পর্যটকের আগ্রহ অনুযায়ী ব্যাখ্যা স্বাভাবিকভাবে এগিয়ে যায়।
বহু ভাষায় সিমালটেনিয়াস ইন্টারপ্রিটেশন: আন্তর্জাতিক সভা বা বহু ভাষার যোগাযোগে শুনতে শুনতে অনুবাদ করে এবং মানুষের সিমালটেনিয়াস ইন্টারপ্রিটেশনের কাছাকাছি কম লেটেন্সিতে ধারাবাহিকভাবে অনুবাদ দেয়।
শেখার অনুশীলন ও স্মরণ করানো: মুখস্থ করার সময় রিয়েল-টাইমে ভুল সংশোধন করে, সভায় গুরুত্বপূর্ণ বিষয় নজরে রাখে এবং পূর্বনির্ধারিত শর্ত পূরণ হলে সক্রিয়ভাবে হস্তক্ষেপ করে মনে করিয়ে দেয়।