Spark-ASR-2.0 চালু আছে

Spark-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 পরিভাষা, উচ্চ শব্দ ও কম ভলিউমের মতো জটিল পরিস্থিতিতে বক্তৃতা শনাক্ত করে। এর কার্যকারিতা শিল্পের সর্বোচ্চ মানকে ছাড়িয়ে গেছে, অথচ ইনফারেন্স খরচ মাত্র 10% বৃদ্ধি পেয়েছে। মডেলটি স্বয়ংক্রিয়ভাবে কথ্য ভঙ্গির অপ্রয়োজনীয় শব্দ বাদ দিতে, যতিচিহ্ন যোগ করতে এবং ভাষাকে প্রমিত করতে পারে। এটি ইতিমধ্যে iFlytek ইনপুট মেথডে চালু হয়েছে এবং API উন্মুক্ত করা হয়েছে; পরবর্তীতে AI চশমা, স্মার্ট অফিস নোটবুকসহ অন্যান্য টার্মিনালে যুক্ত হবে।

চীনা-ইংরেজি মিশ্র ভাষা শনাক্তকরণ: জটিল মিশ্র ভাষার পরিস্থিতিতে নির্ভুল শনাক্তকরণ, ভাষা পরিবর্তনের প্রয়োজন নেই।
উপভাষা পরিবর্তন ছাড়াই শনাক্তকরণ: সারা দেশের 202টি শহরের উপভাষা সমর্থন করে, স্বাভাবিকভাবে বললেই নির্ভুল রূপান্তর।
পেশাগত পরিভাষা শনাক্তকরণ: চিকিৎসা, রসায়ন, প্রযুক্তি ইত্যাদির কঠিন পরিভাষা শনাক্তকরণে উল্লেখযোগ্য উন্নতি।
জটিল অ্যাকুস্টিক পরিস্থিতিতে শনাক্তকরণ: উচ্চ শব্দ, কম ভলিউম, দ্রুত কথা বলা, শিশুদের কণ্ঠস্বরসহ বিভিন্ন পরিস্থিতিতে অসাধারণ পারফরম্যান্স, শিল্পের সর্বোচ্চ মানের চেয়েও উন্নত।
প্রসঙ্গ শনাক্তকরণ: শনাক্তকরণের ইতিহাস, সংশোধনের রেকর্ড ও হটওয়ার্ড একত্র করে সমোচ্চারিত শব্দ এবং অর্থগত দ্ব্যর্থতা দূর করে।
সাবলীল ও প্রমিত পাঠ্য: স্বয়ংক্রিয়ভাবে অপ্রয়োজনীয় অংশ সংক্ষিপ্ত করে, কথ্য ভঙ্গির শব্দ বাদ দেয়, যতিচিহ্ন পূরণ করে এবং সংখ্যা, প্রতীক ও একক প্রমিত করে—ফলে ”বললেই সুসংগঠিত লেখা” পাওয়া যায়।

পদ্ধতি এক: অনলাইনে ব্যবহার
পদ্ধতি দুই: iFlytek ইনপুট মেথড
পদ্ধতি তিন: API সংযুক্তি (ডেভেলপার)
অভিজ্ঞতার পেজ খুলুন: https://iflytekresearch.iflytek.com/experience/spark-asr ভিজিট করুন
ভয়েস ইনপুট বা রেকর্ড করুন: পেজে সরাসরি কথা বলুন বা অডিও আপলোড করুন, শনাক্তকরণের ফলাফল তাৎক্ষণিক দেখা যাবে।
iFlytek ইনপুট মেথড ডাউনলোড করুন: QR কোড স্ক্যান করে বা অ্যাপ স্টোর থেকে iFlytek ইনপুট মেথডের সর্বশেষ সংস্করণ ইনস্টল করুন।
ভয়েস ইনপুটে পরিবর্তন করুন: ইনপুট ইন্টারফেসে মাইক্রোফোন আইকনে ক্লিক করে কথা বলার সময় সেটি চেপে ধরুন; Spark-ASR-2.0 শনাক্তকরণ ব্যবহার করা যাবে।
ওপেন প্ল্যাটফর্মে প্রবেশ করুন: iFlytek ওপেন প্ল্যাটফর্মে লগইন করুন https://www.xfyun.cn/services/spark_asr_zh_en_v2.0
অ্যাপ্লিকেশন তৈরি করে কী সংগ্রহ করুন: অ্যাপ্লিকেশন নিবন্ধনের পর AppID, APIKeyসহ প্রমাণীকরণ তথ্য সংগ্রহ করুন।
API পরিষেবা কল করুন: API ডকুমেন্টেশন অনুযায়ী অডিও স্ট্রিম পাঠিয়ে নিজের অ্যাপ্লিকেশনে শনাক্তকরণ ক্ষমতা সংযুক্ত করুন।

শিল্পে অগ্রণী শনাক্তকরণ: উপভাষা, উচ্চ শব্দ, কম ভলিউমসহ বিভিন্ন পরিস্থিতিতে বর্তমান শিল্পের সেরা মানের চেয়ে উন্নত, WER উল্লেখযোগ্যভাবে কম।
অত্যন্ত কম ইনফারেন্স খরচ: কার্যকারিতা ব্যাপকভাবে বাড়লেও 1.0 সংস্করণের তুলনায় ইনফারেন্স খরচ মাত্র 10% বেড়েছে।
দক্ষ নন-অটোরিগ্রেসিভ আর্কিটেকচার: সমান্তরালভাবে একবারে পুরো পাঠ্যক্রম আউটপুট দেয়, উচ্চ নির্ভুলতা ও ইনফারেন্স দক্ষতার সমন্বয় ঘটায়।
জটিল পরিস্থিতির পূর্ণ সমর্থন: চীনা-ইংরেজি মিশ্র ভাষা, 202টি শহরের উপভাষা পরিবর্তন ছাড়াই শনাক্তকরণ, পেশাগত পরিভাষা, দ্রুত কথা বলা ও শিশুদের কণ্ঠস্বর নির্ভুলভাবে শনাক্ত করতে পারে।
শক্তিশালী প্রসঙ্গ বোঝাপড়া: শনাক্তকরণের ইতিহাস ও হটওয়ার্ড একত্র করে গতিশীলভাবে দ্ব্যর্থতা দূর করে, সমোচ্চারিত শব্দ ও সাদৃশ্যপূর্ণ নাম সঠিকভাবে প্রক্রিয়া করে।
সাবলীল লিখিত আউটপুট: স্বয়ংক্রিয়ভাবে কথ্য ভঙ্গির শব্দ বাদ দেয়, যতিচিহ্ন যোগ করে, সংখ্যা ও প্রতীক প্রমিত করে এবং সরাসরি পরিপাটি ও সংগত আনুষ্ঠানিক পাঠ্য আউটপুট দেয়।

নন-অটোরিগ্রেসিভ ও LLM-সমৃদ্ধ অটোরিগ্রেসিভ সমন্বিত আর্কিটেকচার: Spark-ASR-1.0-এর নন-অটোরিগ্রেসিভ পদ্ধতি বজায় রেখে সমান্তরালভাবে একবারে পুরো পাঠ্যক্রম আউটপুট দেয়, ফলে ইনফারেন্স দক্ষতা নিশ্চিত হয়; একই সঙ্গে LLM-সমৃদ্ধ অটোরিগ্রেসিভ শনাক্তকরণ যুক্ত করা হয়েছে। উভয়ের সমন্বয়ে সামগ্রিক নির্ভুলতা ও ভাষা বোঝার ক্ষমতা বাড়ে।
চীনা-ইংরেজি মিশ্র পাঠ্য ও অ্যাকুস্টিক যৌথ উন্নয়ন: পাঠ্য ও অ্যাকুস্টিক স্তরের জন্য পৃথকভাবে মডেল তৈরি ও উন্নত করে পরে যৌথ অপ্টিমাইজেশন করা হয়। ফলে চীনা-ইংরেজি মিশ্র ভাষা, উপভাষা ও পেশাগত পরিভাষাসহ সাধারণ শনাক্তকরণ পরিস্থিতিতে মডেলের কার্যকারিতা ব্যাপকভাবে বাড়ে।
ডায়নামিক প্রসঙ্গ সংযোজন: শনাক্তকরণের সময় ব্যবহারকারীর পূর্ববর্তী শনাক্তকরণ বিষয়বস্তু, সংশোধনের রেকর্ড ও ব্যক্তিগত হটওয়ার্ডের তথ্য রিয়েল টাইমে একত্র করা হয়। পূর্ববর্তী ও পরবর্তী বাক্যের প্রসঙ্গের সঙ্গে মিলিয়ে বিচার করা হয়, ফলে সহজে বিভ্রান্তিকর উচ্চারণ ও সাদৃশ্যপূর্ণ নামের কারণে তৈরি শনাক্তকরণ ত্রুটি কার্যকরভাবে দূর হয়।
স্পিচ ফাউন্ডেশন মডেলের ক্ষমতার ধারাবাহিকতা: পুরো সিস্টেমটি Spark-Audio-1.0-Preview স্পিচ ফাউন্ডেশনের ওপর নির্মিত, এর জটিল অ্যাকুস্টিক পরিস্থিতিতে শনাক্তকরণের সুবিধা উত্তরাধিকারসূত্রে পেয়েছে এবং এর ভিত্তিতে নির্ভুলতা ও পাঠ্য প্রমিতকরণের জন্য বিশেষ অপ্টিমাইজেশন করা হয়েছে।

মোবাইল ইনপুট: iFlytek ইনপুট মেথডে ভয়েস টাইপিং; চীনা-ইংরেজি মিশ্র ভাষা বা উপভাষায় স্বাভাবিকভাবে বললেই স্বয়ংক্রিয়ভাবে ”সুসংগঠিত লেখা” তৈরি হয়ে সরাসরি পাঠানো যায়।
মিটিং রেকর্ড: অফিস নোটবুক/iFlytek Tingjian-এ মিটিংয়ের বিষয়বস্তু রিয়েল টাইমে ট্রান্সক্রাইব করা যায়; উচ্চ শব্দযুক্ত মিটিং রুমেও নির্ভুল শনাক্তকরণ ও প্রমিত খসড়া তৈরি সম্ভব।
পেশাগত ক্ষেত্রের রেকর্ড: চিকিৎসা, রসায়ন ও প্রযুক্তি ক্ষেত্রের আলোচনা এবং বক্তৃতার ভয়েস রেকর্ড; জটিল পরিভাষা নির্ভুলভাবে ট্রান্সক্রাইব করা যায়।
স্মার্ট হার্ডওয়্যার ইন্টারঅ্যাকশন: iFlytek AI চশমা, অনুবাদ যন্ত্রসহ বিভিন্ন ডিভাইসে ভয়েস কমান্ড ও সংলাপ শনাক্তকরণ; কম ভলিউমের পরিবেশেও স্থিতিশীলভাবে কাজ করে।
ডেভেলপার ব্যবসায়িক সংযুক্তি: ওপেন প্ল্যাটফর্ম API-এর মাধ্যমে কাস্টমার সার্ভিস, সাবটাইটেল তৈরি, ভয়েস ইনপুটসহ বিভিন্ন এন্টারপ্রাইজ অ্যাপ্লিকেশনে উচ্চ নির্ভুলতা ও কম খরচের শনাক্তকরণ ভিত্তি প্রদান করে।