Spark-Audio-1.0-Preview চালু আছে

Spark-Audio-1.0-Preview হলো iFLYTEK-এর তৈরি সম্পূর্ণ দেশীয় প্রযুক্তিনির্ভর স্পিচ ফাউন্ডেশন মডেল। এতে 0.65B অডিও এনকোডার ও 30B-A3B MoE ভাষা মডেল আর্কিটেকচার ব্যবহৃত হয়েছে এবং 1300万 ঘণ্টা অডিও ও বিপুল পরিমাণ টেক্সট ডেটা দিয়ে সম্পূর্ণ দেশীয় কম্পিউটিং শক্তিতে প্রশিক্ষিত। মডেলটি কথ্য ভাষার অর্থ, আবেগ ও প্রেক্ষাপট সরাসরি বুঝতে পারে। এটি 99টি ভাষা ও 202টি উপভাষা শনাক্তকরণ, স্পিচ-টু-টেক্সট, অনুবাদ, বক্তা শনাক্তকরণ, আবেগ বিশ্লেষণ, অডিও প্রশ্নোত্তরসহ বিভিন্ন কাজ সমর্থন করে। উচ্চ শব্দ ও কম ভলিউমের মতো জটিল পরিস্থিতিতেও এর কার্যকারিতা অগ্রগণ্য এবং এটি গ্রাহকসেবা, যানবাহন, চিকিৎসাসহ বিভিন্ন ক্ষেত্রে ব্যাপকভাবে ব্যবহার করা যায়।

স্পিচ ট্রান্সক্রিপশন: কথ্য ভাষাকে সরাসরি টেক্সটে রূপান্তর করে এবং 99টি ভাষা ও 202টি উপভাষা শনাক্ত করতে পারে।
বহুভাষিক অনুবাদ: স্পিচ-টু-স্পিচ বা স্পিচ-টু-টেক্সট আন্তভাষিক অনুবাদ সম্পন্ন করে এবং স্বরভঙ্গি ও টোনের মতো প্রসডিক তথ্য সংরক্ষণ করে।
বহু উপভাষা শনাক্তকরণ: 202টি উপভাষা সমর্থন করে; ক্যান্টনিজ ও ওয়েনঝো উপভাষাও বুঝতে পারে।
পরিবেশের শব্দ শনাক্তকরণ: একই সঙ্গে মানুষের কথা ও পটভূমির পরিবেশগত শব্দ বুঝতে পারে এবং শব্দের প্রেক্ষাপট অনুধাবন করে।
বক্তা শনাক্তকরণ: কে কথা বলছে তা স্বয়ংক্রিয়ভাবে আলাদা করে শনাক্ত করে; সভার ট্রান্সক্রিপশন ও কার্যবিবরণী তৈরিতে উপযোগী।
আবেগ বিশ্লেষণ: কথার স্বর ও আবেগ শনাক্ত করে, ফলে মিথস্ক্রিয়া আরও আন্তরিক হয়।
অডিও প্রশ্নোত্তর: জটিল অডিও বিষয়বস্তু বুঝে প্রশ্নের উত্তর দেয়, “শোনা” থেকে “বোঝার” দিকে এগিয়ে যায়।

এন্ড-টু-এন্ড স্পিচ আন্ডারস্ট্যান্ডিং আর্কিটেকচার: প্রচলিত “আগে টেক্সটে রূপান্তর, পরে বড় মডেলে প্রেরণ” ক্যাসকেড পদ্ধতির পরিবর্তে, মডেলটি 0.65B অডিও এনকোডারের সঙ্গে 30B-A3B বড় ভাষা মডেল ব্যবহার করে। টেক্সট ও স্পিচ—দুই মোডালিটির ইনপুট একই মডেলে সরাসরি দেওয়া হয়, ফলে এটি এক ধাপেই মানুষের কথা, পরিবেশের শব্দ, সংগীত এবং সেগুলোর অর্থ, আবেগ ও প্রেক্ষাপট বুঝতে পারে। এতে ক্যাসকেড প্রক্রিয়ায় তথ্য হারানো ও ভুল জমে যাওয়ার সমস্যা এড়ানো যায়।
অডিও এনকোডার প্রি-ট্রেনিং: অডিও এনকোডার প্রি-ট্রেনিংয়ের মাধ্যমে ধাপে ধাপে এর উপস্থাপন ক্ষমতা বাড়ানো হয়। এরপর প্রি-ট্রেনিং ও পোস্ট-ট্রেনিংয়ের মাধ্যমে মডেলের মৌলিক সক্ষমতা, জটিল পরিস্থিতিতে সাধারণীকরণ ক্ষমতা এবং বহুকাজের কার্যকারিতা উন্নত করা হয়। ফলে উচ্চ শব্দ ও কম ভলিউমের মতো বাস্তব জটিল পরিস্থিতিতেও এটি চমৎকার ফল অর্জন করে।
সম্পূর্ণ দেশীয় কম্পিউটিং শক্তিতে প্রশিক্ষণ: মডেলটি সম্পূর্ণ দেশীয় কম্পিউটিং শক্তির ক্লাস্টারে 1300万 ঘণ্টা অডিও ও বিপুল পরিমাণ টেক্সট ডেটা দিয়ে প্রশিক্ষিত। এটি শিল্পক্ষেত্রে সম্পূর্ণ দেশীয় কম্পিউটিং শক্তিতে প্রশিক্ষিত প্রথম স্পিচ ফাউন্ডেশন মডেল, যা প্রমাণ করে যে দেশীয় কম্পিউটিং শক্তি ব্যবহার করেও শিল্পের শীর্ষস্থানীয় মানের স্পিচ মডেল প্রশিক্ষণ দেওয়া সম্ভব।
ফাইন-টিউনযোগ্য ফাউন্ডেশন ব্যবস্থা: iFLYTEK Spark বড় মডেলের 1+N ব্যবস্থার মতো, Spark-Audio স্পিচ ফাউন্ডেশন হিসেবে আরও ফাইন-টিউন করা যায়। এর মাধ্যমে স্পিচ রিকগনিশন, স্পিচ ইন্টারপ্রিটিং, স্পিচ ইন্টারঅ্যাকশনসহ বিভিন্ন নির্দিষ্ট মডেল বা সিস্টেম তৈরি করা যায় এবং নানা ধরনের স্পিচ ব্যবসায় সহজে প্রয়োগ করা যায়।

অফিশিয়াল অভিজ্ঞতা পৃষ্ঠা খুলুন: মডেল ব্যবহারের ঠিকানায় যান https://iflytekresearch.iflytek.com/experience/spark-audio ।
অনলাইনে মডেলের সক্ষমতা পরীক্ষা করুন: পৃষ্ঠায় টেক্সট বা স্পিচ ইনপুট দিয়ে স্পিচ ট্রান্সক্রিপশন, অনুবাদ, উপভাষা শনাক্তকরণ, অডিও প্রশ্নোত্তরসহ বিভিন্ন ফিচার ব্যবহার করুন।

সম্পূর্ণ দেশীয় কম্পিউটিং শক্তিতে প্রশিক্ষণ: শিল্পক্ষেত্রে সম্পূর্ণ দেশীয় কম্পিউটিং শক্তির ক্লাস্টারে প্রশিক্ষিত প্রথম স্পিচ ফাউন্ডেশন মডেল; এটি প্রমাণ করে যে দেশীয় কম্পিউটিং শক্তিতে শিল্পের শীর্ষস্থানীয় মানের মডেল প্রশিক্ষণ দেওয়া যায়।
স্পিচ সরাসরি এন্ড-টু-এন্ড বোঝা: “আগে টেক্সটে রূপান্তর, পরে বোঝা” ক্যাসকেড পদ্ধতির প্রয়োজন নেই; স্বরভঙ্গি, আবেগ ও পরিবেশের শব্দের মতো গুরুত্বপূর্ণ তথ্য হারায় না এবং প্রক্রিয়ার বিচ্ছিন্নতা ও বিলম্ব দূর করে।
বহু ভাষা ও উপভাষার বিস্তৃত সমর্থন: 99টি ভাষা ও 202টি উপভাষা শনাক্ত করতে পারে এবং একই আকারের মডেলের তুলনায় বহুভাষিক ও বহু-উপভাষিক শনাক্তকরণে এগিয়ে।
জটিল পরিস্থিতিতে অগ্রগণ্য কার্যকারিতা: উচ্চ শব্দ ও কম ভলিউমের মতো বাস্তব প্রয়োগভিত্তিক কাজে স্পষ্ট অগ্রগতি রয়েছে এবং শব্দ-প্রতিরোধ ক্ষমতা উল্লেখযোগ্য।
বড় মডেলের সঙ্গে তুলনায় পিছিয়ে নেই: আকারে এক মাত্রা বড় Qwen3.5-omni-plus-এর কাছাকাছি ফল দেয়, Fleurs-এর চীনা টেস্ট সেটে SOTA অর্জন করেছে এবং একাধিক মূল্যায়নে Gemini-3.1 Pro-কে ছাড়িয়ে গেছে।
টেক্সট সক্ষমতা অক্ষুণ্ণ: সাধারণ জ্ঞান, গণিত ও কোডসহ টেক্সটভিত্তিক কাজে উল্লেখযোগ্য বুদ্ধিমত্তা হ্রাস দেখা যায়নি; স্পিচ ফাউন্ডেশন মডেলের প্রচলিত সমস্যাগুলো অতিক্রম করেছে।
দক্ষ আর্কিটেকচার: 0.65B অডিও এনকোডার ও 30B-A3B MoE আর্কিটেকচার ব্যবহার করে ছোট আকারে আরও বড় ক্লোজড-সোর্স মডেলের কাছাকাছি কার্যকারিতা অর্জন করে।

স্মার্ট গ্রাহকসেবা: ব্যবহারকারীর আবেগ ও প্রকাশভঙ্গি শনাক্ত করে সংলাপকে আরও ধারাবাহিক ও আন্তরিক করে এবং সেবার অভিজ্ঞতা উন্নত করে।
গাড়ির কেবিন: যানবাহনের কোলাহলপূর্ণ পরিবেশেও চালকের নির্দেশনা নির্ভুলভাবে শনাক্ত করে, উপভাষাভিত্তিক মিথস্ক্রিয়া সমর্থন করে এবং আরও স্বাভাবিক গাড়ির ভেতরের ভয়েস ইন্টারঅ্যাকশন তৈরি করে।
রিয়েল-টাইম অনুবাদ ও আন্তভাষিক সভা: স্পিচ ইন্টারপ্রিটিং ও বহুভাষিক অনুবাদ সম্পন্ন করে এবং স্বরভঙ্গি ও টোনের মতো প্রসডিক তথ্য সংরক্ষণ করে, ফলে আরও স্বাভাবিক আন্তভাষিক যোগাযোগ সম্ভব হয়।
সভা ট্রান্সক্রিপশন ও কার্যবিবরণী তৈরি: বক্তাদের স্বয়ংক্রিয়ভাবে আলাদা করে, গুরুত্বপূর্ণ সিদ্ধান্তের বিষয়গুলো বের করে এবং কাঠামোবদ্ধ কার্যবিবরণী তৈরি করে; কর্মীদের পুনরাবৃত্তিমূলক整理 কাজ কমাতে সহায়তা করে।
চিকিৎসা ইলেকট্রনিক মেডিকেল রেকর্ড ও কনটেন্ট পর্যালোচনা: স্পিচের মাধ্যমে মেডিকেল রেকর্ড তৈরি ও বিষয়বস্তু পর্যালোচনা সম্পন্ন করে, ফলে চিকিৎসাসহ পেশাগত ক্ষেত্রে ম্যানুয়াল ইনপুটের চাপ কমে এবং দক্ষতা বাড়ে।