MAI-Transcribe-2 চালু আছে

MAI-Transcribe-2 হলো মাইক্রোসফটের তৈরি সবচেয়ে শক্তিশালী AI স্পিচ-টু-টেক্সট মডেল, যা নির্ভুলতা, গতি ও খরচে সামগ্রিকভাবে এগিয়ে। মডেলটি 60টি ভাষা সমর্থন করে এবং FLEURS টেস্ট সেটে গড় শব্দ ত্রুটির হার মাত্র 5.2%。 মডেলটিতে বক্তা পৃথকীকরণ ও প্রতিটি শব্দের টাইমস্ট্যাম্পের মতো নতুন সুবিধা রয়েছে। এটি verbatim (কথার ভুলসহ) এবং clean (ফিলার শব্দ বাদ দিয়ে) দুটি ট্রান্সক্রিপশন শৈলী প্রদান করে এবং স্বয়ংক্রিয় ভাষা শনাক্তকরণ ও ভাষা পরিবর্তন সমর্থন করে।

বহুভাষিক স্পিচ ট্রান্সক্রিপশন: 60টি ভাষা সমর্থন করে এবং আগে থেকে ভাষা নির্ধারণ না করেই রেকর্ডিংয়ের ভাষা স্বয়ংক্রিয়ভাবে শনাক্ত করতে পারে।
বক্তা পৃথকীকরণ: একটি রেকর্ডিংয়ে বিভিন্ন বক্তাকে আলাদা করে এবং ট্রান্সক্রাইব করা লেখা সংশ্লিষ্ট বক্তার সঙ্গে যুক্ত করে।
প্রতিটি শব্দের টাইমস্ট্যাম্প: প্রতিটি শব্দের সঠিক সময় নির্ধারণ করে, যা সাবটাইটেল সামঞ্জস্য, অডিও অনুসন্ধান ও সম্পাদনায় সহায়ক।
কনফিগারযোগ্য ট্রান্সক্রিপশন শৈলী: verbatim মোডে কথার ভঙ্গি ও ভুল সংরক্ষিত হয়, আর clean মোডে ফিলার শব্দ বাদ দিয়ে সহজপাঠ্য লেখা তৈরি হয়।
স্বয়ংক্রিয় ভাষা শনাক্তকরণ ও পরিবর্তন: স্বাভাবিকভাবে একাধিক ভাষা মেশানো কথোপকথন সমর্থন করে এবং ভাষা পরিবর্তন শনাক্ত করে তার সঙ্গে মানিয়ে নেয়।
কীওয়ার্ড বায়াসিং: নির্দিষ্ট ক্ষেত্রের পরিভাষার তালিকা আগে থেকে সেট করে বিশেষ শব্দ শনাক্তকরণের নির্ভুলতা বাড়ানো যায়।
কোলাহলপূর্ণ পরিবেশে ট্রান্সক্রিপশন: পটভূমির শব্দ থাকা পরিবেশেও উচ্চ নির্ভুলতায় ট্রান্সক্রিপশন করার সক্ষমতা রয়েছে।

এন্ড-টু-এন্ড একীভূত আর্কিটেকচার: একটি একক নিউরাল নেটওয়ার্ক ব্যবহার করে সরাসরি অ্যাকোস্টিক বৈশিষ্ট্যকে টেক্সট সিকোয়েন্সে রূপান্তর করে। স্পিচ রিকগনিশন, বক্তা পৃথকীকরণ ও ভাষা শনাক্তকরণের মতো কাজগুলোকে একই মডেলে একীভূত করা হয়, ফলে প্রচলিত ক্যাসকেড সিস্টেমের ত্রুটি জমা হওয়া এড়িয়ে গতি ও নির্ভুলতা উভয়ই সর্বোচ্চ পর্যায়ে পৌঁছায়।
বহুভাষিক যৌথ প্রশিক্ষণ: 60টি ভাষার বিপুল স্পিচ-টেক্সট ডেটার ওপর যৌথ প্রশিক্ষণের মাধ্যমে মডেলটি আন্তঃভাষিক অভিন্ন অ্যাকোস্টিক উপস্থাপনা ও ভাষাগত বৈশিষ্ট্য শেখে। ফলে এটি শুধু প্রধান ভাষাগুলোই কভার করে না, কম-রিসোর্স ভাষাতেও উচ্চ নির্ভুলতা বজায় রাখে এবং স্বাভাবিক ভাষা পরিবর্তন রিয়েল টাইমে শনাক্ত করতে পারে।
প্রসঙ্গ-সচেতন ডিকোডিং: ডিকোডিংয়ের সময় মডেলটি শুধু বর্তমান অ্যাকোস্টিক ফ্রেমের ভিত্তিতে পূর্বাভাস দেয় না; বৈশ্বিক প্রসঙ্গ, শব্দার্থ ও বাহ্যিক কীওয়ার্ড বায়াসিং একত্রে বিবেচনা করে যৌথ অনুমান চালায়। এটি আউটপুট শব্দের সম্ভাব্যতা বণ্টন динамиকভাবে সমন্বয় করে, পেশাগত পরিভাষা শনাক্তকরণের নির্ভুলতা বাড়ায় এবং verbatim ও clean দুটি শৈলীতে নিয়ন্ত্রিত জেনারেশন সমর্থন করে।

Azure রিসোর্স তৈরি: Azure পোর্টালে AI Speech সার্ভিসের একটি রিসোর্স তৈরি করে API কী ও অঞ্চলের এন্ডপয়েন্ট ঠিকানা সংগ্রহ করুন।
Foundry প্রিভিউতে সংযোগ: Microsoft Foundry পাবলিক প্রিভিউয়ের https://ai.azure.com/catalog/models/MAI-Transcribe-2 প্রবেশপথের মাধ্যমে মডেল কল করার ইন্টারফেসে যান।
মডেল প্যারামিটার কনফিগার: API অনুরোধে model: "MAI-Transcribe-2" নির্ধারণ করুন এবং প্রয়োজনে বক্তা পৃথকীকরণ ও প্রতিটি শব্দের টাইমস্ট্যাম্প চালু করুন।
অডিও আপলোড করে ট্রান্সক্রাইব: WAV/MP3/MP4 ইত্যাদি ফরম্যাটের অডিও ফাইল জমা দিন; মডেল স্বয়ংক্রিয়ভাবে ভাষা শনাক্ত করে ট্রান্সক্রিপশন সম্পন্ন করবে।
কাঠামোবদ্ধ ফলাফল পান: ফেরত পাওয়া JSON গ্রহণ করুন, যাতে সম্পূর্ণ টেক্সট, প্রতিটি শব্দের টাইমস্ট্যাম্প, বক্তার লেবেল এবং স্বয়ংক্রিয়ভাবে শনাক্ত করা ভাষার কোড থাকবে।

বিশ্বসেরা নির্ভুলতা: FLEURS-এর 60টি ভাষায় গড় শব্দ ত্রুটির হার মাত্র 5.2%, চীনা ভাষায় 4.5% পর্যন্ত কম; Gemini 3.1 Pro ও Whisper v3-Large-এর তুলনায় সামগ্রিকভাবে উন্নত।
শিল্পের দ্রুততম গতি: রিয়েল টাইমের 403.6 গুণ গতিতে প্রসেস করে; 1 ঘণ্টার অডিও সম্পন্ন করতে প্রায় 9 সেকেন্ড লাগে, যা GPT-Transcribe-এর চেয়ে 10 গুণ দ্রুত।
শিল্পের সর্বনিম্ন খরচ: সীমিত সময়ের মূল্য 0.10 ডলার/ঘণ্টা, যা আগের প্রজন্মের তুলনায় প্রায় 72% কম।
ফিচারের নেটিভ ইন্টিগ্রেশন: বক্তা পৃথকীকরণ, প্রতিটি শব্দের টাইমস্ট্যাম্প, স্বয়ংক্রিয় ভাষা শনাক্তকরণ ও পরিবর্তন এবং verbatim/clean দ্বৈত শৈলীর ট্রান্সক্রিপশন বিল্ট-ইন রয়েছে; অতিরিক্ত পোস্ট-প্রসেসিংয়ের প্রয়োজন নেই।
বহুভাষিক নিরবচ্ছিন্ন সমর্থন: 60টি ভাষা সমর্থন করে এবং আগে থেকে ভাষা নির্ধারণ না করেই স্বাভাবিকভাবে একাধিক ভাষা মেশানো কথোপকথন শনাক্ত করে তার সঙ্গে মানিয়ে নিতে পারে।

কল সেন্টারের গুণমান যাচাই ও বিশ্লেষণ: বক্তা পৃথকীকরণের মাধ্যমে গ্রাহকসেবা প্রতিনিধি ও গ্রাহককে আলাদা করুন, এবং প্রতিটি শব্দের টাইমস্ট্যাম্পের সঙ্গে মিলিয়ে কথোপকথনের অনুপাত মাপুন ও গুরুত্বপূর্ণ মুহূর্ত নির্ভুলভাবে শনাক্ত করুন।
সভা ও সাক্ষাৎকারের বুদ্ধিমান রেকর্ড: একাধিক বক্তার রেকর্ডিংকে বক্তার লেবেলসহ কাঠামোবদ্ধ টেক্সটে রূপান্তর করুন এবং করণীয় ও সিদ্ধান্তের উৎস স্বয়ংক্রিয়ভাবে নির্ধারণ করুন।
ভয়েস এজেন্টের রিয়েল-টাইম ডিক্টেশন: কম-বিলম্বের শ্রবণ ইনপুট স্তর হিসেবে MAI-Voice-2 Flash-এর সঙ্গে ব্যবহার করে স্পিচ-টু-স্পিচ রিয়েল-টাইম কথোপকথনের পূর্ণ চক্র তৈরি করুন।
মিডিয়া সাবটাইটেল ও লোকালাইজেশন: প্রতিটি শব্দের টাইমস্ট্যাম্প সাবটাইটেল সামঞ্জস্যের খরচ উল্লেখযোগ্যভাবে কমায়, আর 60টি ভাষার সমর্থন বৈশ্বিক কনটেন্ট তৈরিতে সহায়তা করে।
কমপ্লায়েন্স, আইন ও নিয়ন্ত্রক প্রমাণ সংরক্ষণ: বক্তার পরিচয় ও টাইমস্ট্যাম্পসহ নির্ভুল রেকর্ড তৈরি করে, যা আর্থিক ও চিকিৎসাসহ বিভিন্ন শিল্পের অডিট ও প্রমাণ সংগ্রহের প্রয়োজনীয়তা পূরণ করে।