ভয়েস অ্যাসিস্ট্যান্ট আর আমাদের আঞ্চলিক উচ্চারণ
আমার এক বন্ধুর মা প্রথমবার ফোনের ভয়েস অ্যাসিস্ট্যান্ট ব্যবহার করছিলেন। খুব যত্ন করে বললেন, "আমার পোলারে ফোন দেও।" ফোন জানাল, সে বুঝতে পারেনি। আবার বললেন। এবার ফোন ইন্টারনেটে "পোলার ভালুক" সার্চ করে দিল। খালাম্মা ফোনটা রেখে দিয়ে বললেন, "এই যন্ত্র বাংলা বুঝে না।"
তিনি পুরোপুরি ভুল না।
কথা চেনার প্রযুক্তি কীভাবে কাজ করে
১. মাইক্রোফোন শব্দতরঙ্গ ধরে। ২. শব্দকে একটা "ছবিতে" রূপান্তর করা হয় (স্পেকট্রোগ্রাম), যেখানে দেখা যায় কোন সময়ে কোন কম্পাঙ্ক কতটা জোরালো। ৩. মডেল শেখে কোন শব্দের ছবি কোন ধ্বনির সাথে মেলে। ৪. ভাষা মডেল অনুমান করে কোন শব্দগুলো একসাথে আসার সম্ভাবনা বেশি। ৫. শেষে লেখা।
আধুনিক সিস্টেমগুলো এই ধাপগুলো একটা বড় নিউরাল নেটওয়ার্কে একসাথে শেখে, হাজার হাজার ঘণ্টার রেকর্ড করা কথা আর তার লিখিত রূপ দেখে।
সমস্যা: কার কথা শুনে শিখেছে
মডেল সেই কথাই ভালো বোঝে, যে ধরনের কথা প্রশিক্ষণে বেশি শুনেছে।
- প্রমিত বাংলা মোটামুটি চলে, কিন্তু ইংরেজির তুলনায় প্রশিক্ষণের ডেটা অনেক কম।
- আঞ্চলিক ভাষা (সিলেটি, চাটগাঁইয়া, নোয়াখাইল্লা, বরিশাইল্লা) অনেক বেশি কঠিন। শব্দভান্ডার আলাদা, উচ্চারণ আলাদা, আর এসব নিয়ে রেকর্ড করা, লেখা ডেটা খুব কম।
- বাংলিশ, মানে একই বাক্যে বাংলা আর ইংরেজি মেশানো ("আজকে মিটিংটা ক্যানসেল হয়ে গেছে"), যেটা আমরা প্রতিদিন বলি, সেটা অনেক সিস্টেমের জন্য সবচেয়ে কঠিন।
ইংরেজিতেও একই সমস্যা: অনেক গবেষণায় দেখা গেছে কিছু উচ্চারণ আর কথার ধরনে কথা চেনার সিস্টেম অন্যদের তুলনায় বেশি ভুল করে।
কেন এটা শুধু অসুবিধা না, ন্যায্যতার প্রশ্ন
কথা চেনার প্রযুক্তি এখন শুধু মজার জিনিস না:
- যারা লিখতে-পড়তে স্বচ্ছন্দ না, তাদের জন্য তথ্য পাওয়ার উপায়
- দৃষ্টি বা চলাফেরায় প্রতিবন্ধী মানুষের জন্য প্রযুক্তি ব্যবহারের প্রধান মাধ্যম
- কৃষি পরামর্শ, স্বাস্থ্য তথ্য, সরকারি সেবা, যা ভবিষ্যতে কণ্ঠস্বরের মাধ্যমে আরও বেশি দেওয়া হবে
যদি প্রযুক্তি শুধু শহরের প্রমিত উচ্চারণ বোঝে, তাহলে যাদের সবচেয়ে বেশি সাহায্য দরকার, তারাই বাদ পড়বেন।
যা হচ্ছে, আর যা হতে পারে
- বিভিন্ন গবেষণা দল আর উন্মুক্ত প্রকল্প বাংলা কথার ডেটাসেট তৈরি করছে, অনেক ক্ষেত্রে স্বেচ্ছাসেবীদের কণ্ঠ রেকর্ড করে।
- বহুভাষিক বড় মডেলগুলো বাংলায় আগের চেয়ে অনেক ভালো করছে।
- আঞ্চলিক ভাষার জন্য আলাদা ডেটা সংগ্রহ আর মডেল তৈরি এখনো বড় সুযোগ।
আপনি যা করতে পারেন: উন্মুক্ত কণ্ঠস্বর সংগ্রহ প্রকল্পে নিজের কণ্ঠ দান করুন, বিশেষ করে যদি আঞ্চলিক ভাষায় কথা বলেন। কয়েক মিনিটের রেকর্ডিং ভবিষ্যতের মডেলকে আপনার এলাকার মানুষের কথা বুঝতে সাহায্য করবে।
শেষ কথা
বন্ধুর মা এখন ভয়েস অ্যাসিস্ট্যান্টকে একটু "শুদ্ধ" করে কথা বলেন, যাতে বোঝে। কিন্তু প্রযুক্তির কাজ মানুষকে বদলানো না; মানুষকে বোঝা। যেদিন কোনো ভয়েস অ্যাসিস্ট্যান্ট সিলেটি, চাটগাঁইয়া আর বাংলিশ সব একসাথে বুঝবে, সেদিন সত্যিই বলা যাবে, যন্ত্রটা বাংলা বোঝে।