Hy ASR 3.0 preview – টেনসেন্ট হুনইয়ানের推出 করা নতুন প্রজন্মের স্পিচ রিকগনিশন মডেল চালু আছে

Hy ASR 3.0 preview হলো টেনসেন্ট হুনইয়ানের推出 করা নতুন প্রজন্মের স্পিচ রিকগনিশন মডেল, যা Hy3 বৃহৎ ভাষা মডেলের ওপর ভিত্তি করে তৈরি এবং উচ্চ-নির্ভুলতার স্পিচ রিকগনিশন ও গভীর সেমান্টিক বোধগম্যতাকে একীভূত করে। মডেলটি চীনা, ইংরেজি, ক্যান্টনিজ এবং 10টি প্রধান উপভাষা অঞ্চলের ভাষা সমর্থন করে। এতে প্রসঙ্গভিত্তিক বুদ্ধিমান সংশোধন, হট-ওয়ার্ড ইনজেকশন এবং উচ্চ শব্দ, ফিসফিসসহ জটিল পরিস্থিতিতে স্থিতিশীলভাবে কাজ করার সক্ষমতা রয়েছে। ওপেন-সোর্স মূল্যায়ন সেটে WER প্রায় 3%-এর মধ্যে থাকে এবং নিজস্ব মূল্যায়ন সেটে এটি প্রতিযোগী মডেলগুলোর তুলনায় সামগ্রিকভাবে এগিয়ে।

সাধারণ ও নির্ভুল শনাক্তকরণ: চীনা মান্দারিন, ইংরেজি, ক্যান্টনিজ এবং চীনা-ইংরেজি মিশ্রিত কথন সমর্থন করে, ভুল অক্ষর, বাদ পড়া অক্ষর এবং দীর্ঘ অডিওতে ভুল জমে যাওয়া কমায়।

প্রসঙ্গভিত্তিক সেমান্টিক বোধগম্যতা: Context-এর সঙ্গে মিলিয়ে ব্যবহারকারীর প্রেক্ষাপট নির্ভুলভাবে ধরতে পারে, সমোচ্চারিত শব্দ বুদ্ধিমত্তার সঙ্গে সংশোধন করে এবং অর্থের অস্পষ্টতা দূর করে।

হট-ওয়ার্ড ইনজেকশন সুবিধা: ব্র্যান্ডের নাম, ব্যক্তির নাম, শিল্প-সংশ্লিষ্ট পরিভাষাসহ বিভিন্ন হট-ওয়ার্ড উন্নতভাবে সমর্থন করে, ফলে ব্যবসায়িক সংযোগ ও রক্ষণাবেক্ষণের খরচ কমে।

জটিল পরিবেশে স্থিতিশীলতা: উচ্চ শব্দ, ফিসফিস, নিচু স্বরে কথা বলাসহ বিভিন্ন ধ্বনিগত পরিস্থিতির জন্য বিশেষভাবে অপ্টিমাইজ করা হয়েছে, যাতে স্থিতিশীল শনাক্তকরণ বজায় থাকে।

বিস্তৃত উপভাষা কভারেজ: 10টি প্রধান উপভাষা অঞ্চল এবং 20টিরও বেশি উপ-অঞ্চল সমর্থন করে, যার মধ্যে উত্তর-পূর্ব মান্দারিন, ক্যান্টনিজ, উ-ভাষা, মিননান ভাষা ইত্যাদি রয়েছে।

আর্কিটেকচার আপগ্রেড: MoE আর্কিটেকচার ব্যবহার করে বেস মডেল Hy3-এ উন্নীত করা হয়েছে। নিজস্ব আনসুপারভাইজড স্পিচ Encoder তৈরি করা হয়েছে, যা কয়েক কোটি ঘণ্টার স্পিচ ডেটার ওপর প্রশিক্ষিত এবং উচ্চমানের ধ্বনিগত উপস্থাপনা বের করে।

প্রি-ট্রেনিং Scaling: Encoder ও LLM যৌথভাবে প্রশিক্ষিত হয়েছে। এতে কয়েক কোটি ঘণ্টার বিভিন্ন উৎসের স্পিচ ডেটা, যেমন অডিওবুক, কথোপকথন, ভিডিও/রেডিও সম্প্রচার ইত্যাদি, যুক্ত করা হয়েছে। বহু-পর্যায়ের সক্ষমতা ইনজেকশনের মাধ্যমে উপভাষা বোঝা ও প্রসঙ্গ মডেলিংয়ের ক্ষমতা অর্জন করা হয়েছে।

পরবর্তী প্রশিক্ষণ উন্নতি: জটিল অডিও, Any Context প্রসঙ্গ এবং সাধারণ সক্ষমতা কভার করে এমন উচ্চমানের SFT Recipe তৈরি করা হয়েছে। বহু-পর্যায়ের রিইনফোর্সমেন্ট লার্নিংয়ের মাধ্যমে সাধারণ ট্রান্সক্রিপশনের নির্ভুলতা, প্রসঙ্গের দীর্ঘমেয়াদি নির্ভরতা এবং জটিল দীর্ঘ-লেজ পরিস্থিতিতে কার্যকারিতা পৃথকভাবে অপ্টিমাইজ করা হয়েছে।

টেনসেন্ট ক্লাউড API-এর মাধ্যমে সংযুক্ত করুন অথবা টেনসেন্ট ইউয়ানবাও খুলে কথা বলার বোতাম চেপে ধরে বিনামূল্যে ব্যবহার করে দেখুন।

সেমান্টিক বোধগম্যতার উন্নতি: Hy3 বৃহৎ ভাষা মডেলের ওপর ভিত্তি করে উচ্চ-নির্ভুলতার স্পিচ রিকগনিশন ও গভীর সেমান্টিক বোধগম্যতাকে একীভূত করেছে। ফলে এটি শুধু শব্দে-শব্দে ট্রান্সক্রিপশনের পরিবর্তে প্রসঙ্গ বুঝে এক ক্লিকেই সরাসরি ফলাফল দিতে পারে।

মূল্যায়নে সামগ্রিকভাবে এগিয়ে: ওপেন-সোর্স মূল্যায়ন সেটে WER প্রায় 3%-এর মধ্যে থাকে। নিজস্ব মূল্যায়ন সেটে সাধারণ ভাষা, উপভাষা, প্রসঙ্গ এবং জটিল ধ্বনিগত পরিস্থিতি সব ক্ষেত্রেই এটি প্রতিযোগী মডেলগুলোর চেয়ে ভালো ফল দেয়।

প্রসঙ্গভিত্তিক বুদ্ধিমান সংশোধন: Context-এর সঙ্গে মিলিয়ে প্রেক্ষাপট নির্ভুলভাবে ধরতে পারে, সমোচ্চারিত শব্দ বুদ্ধিমত্তার সঙ্গে সংশোধন করে, অর্থের অস্পষ্টতা দূর করে এবং দীর্ঘমেয়াদি নির্ভরতা মডেলিং সমর্থন করে।

হট-ওয়ার্ডে দ্রুত অভিযোজন: ব্র্যান্ডের নাম, ব্যক্তির নাম, শিল্প-সংশ্লিষ্ট পরিভাষাসহ বিভিন্ন হট-ওয়ার্ড ইনজেকশন সমর্থন করে, ফলে পেশাদার পরিস্থিতিতে ব্যবসায়িক সংযোগ ও রক্ষণাবেক্ষণের খরচ কমে।

উপভাষা ও জটিল পরিবেশ কভারেজ: 10টি প্রধান উপভাষা অঞ্চল এবং 20টিরও বেশি উপ-অঞ্চল সমর্থন করে। উচ্চ শব্দ, ফিসফিসসহ জটিল ধ্বনিগত পরিবেশেও স্থিতিশীল কার্যকারিতা বজায় রাখে।

বুদ্ধিমান客服: ফোন ও অনলাইন客服 পরিস্থিতিতে Hy ASR 3.0 preview হট-ওয়ার্ড ইনজেকশনের মাধ্যমে ব্র্যান্ডের নাম ও ব্যবসায়িক পরিভাষা নির্ভুলভাবে শনাক্ত করে এবং রিয়েল-টাইম ভয়েস ট্রান্সক্রিপশন প্রদান করে, ফলে সেবা দেওয়ার প্রতিক্রিয়ার দক্ষতা উল্লেখযোগ্যভাবে বাড়ে।

কনটেন্ট তৈরি: পডকাস্ট, সভা, সাক্ষাৎকারসহ দীর্ঘ অডিও কনটেন্ট তৈরির ক্ষেত্রে মডেলটি প্রসঙ্গভিত্তিক সেমান্টিক বোধগম্যতার মাধ্যমে বুদ্ধিমত্তার সঙ্গে অস্পষ্টতা দূর করে এবং এক ক্লিকেই সুসংগত, পাঠযোগ্য ও উচ্চমানের টেক্সট তৈরি করে। এতে পরবর্তী সম্পাদনার খরচ কমে।

ভয়েস সার্চ: ব্যবহারকারীরা উপভাষায় কথা বলে অনুসন্ধান করতে পারেন। কোলাহলপূর্ণ পরিবেশেও এটি ভয়েস কমান্ড নির্ভুলভাবে শনাক্ত করে, ফলে বহুভাষিক ও বিভিন্ন উচ্চারণের ব্যবহারকারীদের ইনপুট দেওয়ার বাধা কমে।

অফিস সহযোগিতা: সভার নোট রিয়েল-টাইমে ট্রান্সক্রাইব করার সময় ফিসফিস বা নিচু স্বরে বলা কথার মতো কম-ভলিউমের ইনপুট থাকলেও মডেলটি স্থিতিশীল শনাক্তকরণ বজায় রাখে। এটি দলকে দক্ষ যোগাযোগ ও তথ্য সংরক্ষণে সহায়তা করে।

বুদ্ধিমান টার্মিনাল: গাড়ির নেভিগেশন, স্মার্ট হোমসহ বিভিন্ন IoT ডিভাইসের মিথস্ক্রিয়ায় মডেলটি উচ্চ-শব্দযুক্ত ধ্বনিগত পরিবেশের জন্য বিশেষভাবে অপ্টিমাইজ করা হয়েছে, যা জটিল পরিস্থিতিতে স্পিচ রিকগনিশনের স্থিতিশীলতা ও ব্যবহারকারীর অভিজ্ঞতা নিশ্চিত করে।