গুগল তাদের নতুন এআই মডেল ‘জেমিনি ৩.৫ ট্রান্সক্রাইব’ উন্মোচন করেছে, যা কথাকে লেখায় রূপান্তর করতে বিশেষভাবে সক্ষম। সংস্থাটি এটিকে তাদের এখন পর্যন্ত সবচেয়ে নির্ভুল সিস্টেম হিসেবে বর্ণনা করেছে, যা বুদ্ধিমান ভয়েস ইন্টারঅ্যাকশনের জন্য ডিজাইন করা হয়েছে। প্রচলিত সিস্টেমগুলোর থেকে ভিন্ন, এই মডেলটি শুধু যা বলা হয় তা-ই প্রতিলিপি করে না, বরং বক্তার উদ্দেশ্যও ব্যাখ্যা করে, তাৎক্ষণিকভাবে ভুল সংশোধন করে এবং পরিচ্ছন্ন ও ফরম্যাট করা টেক্সট তৈরি করে।
মডেলটি রিয়েল-টাইম এবং রেকর্ডেড উভয় ব্যবহারের জন্যই ডিজাইন করা হয়েছে এবং এটি কোলাহলপূর্ণ পরিবেশে, তীব্র উচ্চারণভঙ্গিতে বা প্রযুক্তিগত পরিভাষার ক্ষেত্রেও ভালোভাবে কাজ করবে বলে আশা করা যায়। এছাড়াও, এটি স্বয়ংক্রিয়ভাবে ৮৫টিরও বেশি ভাষা শনাক্ত করে, তিনজন পর্যন্ত বক্তাকে চিনতে পারে এবং প্রতিটি শব্দের জন্য টাইমস্ট্যাম্প যোগ করে। স্বাধীন পরীক্ষা অনুযায়ী, এই সবকিছুই অত্যন্ত কম ভুলের হারে সম্পন্ন হয়।
বুদ্ধিদীপ্ত প্রতিলিপি: শুধু শ্রুতলিপির চেয়েও বেশি
জেমিনি ৩.৫ ট্রান্সক্রাইব-এর অন্যতম প্রধান বৈশিষ্ট্য হলো স্ব-সংশোধন বোঝার ক্ষমতা। উদাহরণস্বরূপ, যদি বক্তা বলেন, "চলো মঙ্গলবারে দেখা করি... না, বুধবারে," তাহলে মডেলটি দ্বিতীয় বিকল্পটি ব্যবহার করবে। এটি "আহ" বা "আম"-এর মতো অপ্রয়োজনীয় শব্দও বাদ দেয় এবং স্বয়ংক্রিয়ভাবে বিরামচিহ্ন ও ফরম্যাটিং প্রয়োগ করে। এছাড়াও, এটি বিশেষ্য পদ, পারিভাষিক শব্দ বা অপ্রচলিত শব্দ শনাক্ত করার জন্য নিজস্ব শব্দভান্ডার যোগ করার সুযোগ দেয়। গুগল কর্তৃক প্রকাশিত তথ্য অনুসারে, আর্টিফিশিয়াল অ্যানালাইসিস দ্বারা পরিমাপ অনুযায়ী, স্ট্রিমিং অডিওর ক্ষেত্রে প্রতি শব্দে ভুলের হার ৪% এবং পূর্ব-রেকর্ড করা অডিওর ক্ষেত্রে ২.৬%।
এর আরেকটি উল্লেখযোগ্য বৈশিষ্ট্য হলো গতি। গুগল দাবি করে যে, এর পূর্বসূরি Chirp 3-এর তুলনায় চূড়ান্ত টেক্সট পাওয়ার সময় ৭০% কমে গেছে। লাইভ স্ট্রিমিং-এ ল্যাটেন্সি এক সেকেন্ডেরও কম, যা এটিকে রিয়েল-টাইম ক্যাপশনিং বা ভয়েস অ্যাসিস্ট্যান্টের জন্য ব্যবহারযোগ্য করে তোলে।
গুগল ইকোসিস্টেমে একীকরণ
জেমিনি ৩.৫ ট্রান্সক্রাইব ইতিমধ্যেই গুগলের বেশ কয়েকটি প্রোডাক্টে ইন্টিগ্রেটেড করা আছে। অ্যান্ড্রয়েডে, জিবোর্ডের র্যাম্বলার ফিচারটি ভয়েস-টু-টেক্সট ইনপুটের জন্য এই মডেলটি ব্যবহার করে। এটি ম্যাকওএস-এর জেমিনি অ্যাপেও উপলব্ধ, যা ব্যবহারকারীদের স্ক্রিন কনটেক্সট সহ ভয়েস কমান্ড ব্যবহার করে ফাইলের সারসংক্ষেপ তৈরি করতে, ছবি তৈরি করতে বা টেক্সট পুনরায় ব্যবহার করতে দেয়। এছাড়াও, গুগল অ্যান্টিগ্র্যাভিটি স্ক্রিন কনটেক্সট এবং চ্যাট হিস্ট্রি একত্রিত করতে এটিকে অন্তর্ভুক্ত করেছে।
কোম্পানিটি আরও ঘোষণা করেছে যে, এই ফিচারটি শীঘ্রই ক্রোমে পাওয়া যাবে। এর ফলে ব্যবহারকারীরা ইমেল, ফর্ম বা পোস্টের মতো যেকোনো ওয়েব ফিল্ডে টাইপ না করেই টেক্সট ডিক্টেট করতে পারবেন। যদিও কোনো নির্দিষ্ট তারিখ জানানো হয়নি, তবে আশা করা হচ্ছে যে এই ফিচারটি ব্রাউজারে ভয়েস ট্রান্সক্রিপশনের ব্যবহার আরও প্রসারিত করবে।
ডেভেলপারদের জন্য উপলব্ধতা
ডেভেলপারদের জন্য, Gemini 3.5 Transcribe এখন Gemini API, Google AI Studio এবং Gemini Enterprise Agent Platform-এর মাধ্যমে পাবলিক প্রিভিউতে উপলব্ধ। এর দুটি সংস্করণ রয়েছে: এক সেকেন্ডেরও কম ল্যাটেন্সিসহ রিয়েল-টাইম, দ্বিমুখী স্ট্রিমিংয়ের জন্য Live API এবং স্পিকার অ্যাট্রিবিউশন ও টাইমস্ট্যাম্পসহ আগে থেকে রেকর্ড করা অডিও প্রসেস করার জন্য Interactions API। প্রথমটি ভয়েস এজেন্ট এবং লাইভ ক্যাপশনিংয়ের জন্য ডিজাইন করা হয়েছে, আর দ্বিতীয়টি মিটিং, ইন্টারভিউ বা কল অ্যানালিটিক্সের জন্য উপযোগী।
মডেলটি ফাংশন কলের মাধ্যমে অন্যান্য জেমিনি মডেলকে জটিল কাজ, যেমন ইমেজ তৈরি বা ফাইল বিশ্লেষণ, অর্পণ করতে পারে। এই সক্ষমতাটি বর্তমানে ম্যাকওএস-এর জন্য জেমিনি অ্যাপে উপলব্ধ।
প্রাথমিক ইন্টারফেস হিসেবে ভয়েসের প্রতি গুগলের অঙ্গীকার জেমিনি ৩.৫ ট্রান্সক্রাইবের মাধ্যমে আরও জোরদার হয়েছে। এর নির্ভুলতা, গতি এবং বুদ্ধিদীপ্ত ফিচারগুলোর সমন্বয় এটিকে ব্যবহারকারী ও ডেভেলপার উভয়ের জন্যই একটি গুরুত্বপূর্ণ টুলে পরিণত করেছে। ক্রোমে এর আসন্ন আগমনের ফলে ওয়েবে ভয়েস ডিকটেশন একটি সাধারণ বিষয় হয়ে উঠতে পারে। আরও চাহিদাপূর্ণ ব্যবহারের ক্ষেত্রে এটি কীভাবে খাপ খাইয়ে নেবে, তা এখনও দেখার বিষয়, তবে প্রাথমিক তথ্য বেশ আশাব্যঞ্জক।