পরবর্তী আপপরবর্তী গাইড
বক্তৃতার জন্য পাঠ্য স্বাভাবিককরণ
অডিও এআই
অডিও এআই গাইড
স্পিচ-টু-স্পিচ ট্রান্সলেশন (S2ST) একটি ভাষায় কথ্য শব্দ নেয় এবং অন্য ভাষায় কথ্য শব্দ তৈরি করে — আদর্শভাবে স্পিকারের ভয়েস, টোন এবং সময় সংরক্ষণ করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min
It is the long-sought 'universal translator' for live conversation.
স্পিচ-টু-স্পিচ ট্রান্সলেশন একটি উৎস ভাষার অডিওকে লক্ষ্য ভাষায় অডিওতে রূপান্তর করে। ক্লাসিক পদ্ধতি হল একটি ক্যাসকেড: স্পিচ রিকগনিশন (এএসআর) ইনপুট প্রতিলিপি করে, মেশিন অনুবাদ পাঠকে রূপান্তরিত করে এবং পাঠ্য-টু-স্পীচ (টিটিএস) ফলাফলটি বলে। এটি কাজ করে কিন্তু প্রতিটি পর্যায়ে ত্রুটি জমা করে এবং লেটেন্সি যোগ করে। নতুন 'ডাইরেক্ট' বা এন্ড-টু-এন্ড সিস্টেমগুলি কম মধ্যবর্তী পাঠ্য ধাপের মাধ্যমে বক্তৃতাকে বক্তৃতায় অনুবাদ করে, বিলম্ব কমায় এবং অভিব্যক্তিপূর্ণ গুণাবলীকে আরও ভালভাবে সংরক্ষণ করে। Meta-এর SeamlessM4T এবং সীমলেস স্যুট প্রায় 100টি ভাষায় অনুবাদ করে এবং স্পিকারের ভোকাল শৈলী, আবেগ এবং ছন্দ বজায় রাখার লক্ষ্য রাখে। একটি কঠিন সমস্যা হল রিয়েল-টাইম, কম লেটেন্সি অনুবাদ: সিস্টেমটিকে অবশ্যই একটি বাক্য শেষ হওয়ার আগে অনুবাদ করা শুরু করতে হবে, নির্ভুলতার বিপরীতে গতির ভারসাম্য বজায় রাখা।
লাইভ ভিডিও-কল অনুবাদ যা অংশগ্রহণকারীদের তাদের নিজস্ব ভাষায় কথা বলতে এবং একে অপরকে তাদের ভাষায় শুনতে দেয়।
ইয়ারবাড এবং এআর চশমা যা বিদেশে ভ্রমণের সময় উড়তে থাকা কথোপকথনের অনুবাদ করে।
মূল বক্তাদের কণ্ঠস্বর এবং আবেগ সংরক্ষণ করে অন্যান্য ভাষায় চলচ্চিত্র এবং ভিডিও ডাব করা।
জরুরী এবং স্বাস্থ্যসেবা সেটিংস যেখানে একজন চিকিত্সক এবং রোগী যারা কোন সাধারণ ভাষা ভাগ করে না তারা দ্রুত যোগাযোগ করতে পারে।
লক্ষ্য হল নির্বিঘ্ন, কাছাকাছি-তাত্ক্ষণিক অনুবাদ যা আপনার নিজের ভয়েস এবং আবেগকে রাখে, ইয়ারবাড, চশমা এবং ভিডিও কলগুলিতে এমবেড করা৷ বৃহত্তর কম-রিসোর্স ভাষার কভারেজ, কম লেটেন্সি এবং অপভাষা, নাম এবং ওভারল্যাপিং স্পিকারগুলির আরও ভাল পরিচালনার প্রত্যাশা করুন। ভয়েস সংরক্ষণ সম্মতি এবং ডিপফেক উদ্বেগ উত্থাপন করে, তাই ওয়াটারমার্কিং এবং সুরক্ষা বৃদ্ধি পাবে। ডিভাইসে ব্যবহারের জন্য মডেলগুলি সঙ্কুচিত হওয়ার কারণে, ব্যক্তিগত, অফলাইন অনুবাদ ভ্রমণ, স্বাস্থ্যসেবা এবং বিশ্বব্যাপী সহযোগিতার জন্য বাস্তব-সময় বহুভাষিক কথোপকথনের রুটিন তৈরি করতে পারে।
ফ্রি নিউজলেটার
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
স্পিচ-টু-স্পিচ ট্রান্সলেশন (S2ST) একটি ভাষায় কথ্য শব্দ নেয় এবং অন্য ভাষায় কথ্য শব্দ তৈরি করে — আদর্শভাবে স্পিকারের ভয়েস, টোন এবং সময় সংরক্ষণ করে। এটি লাইভ কথোপকথনের জন্য দীর্ঘ-চাওয়া 'সর্বজনীন অনুবাদক'।
S2ST একটি উৎস ভাষায় কথ্য ইনপুট নেয় এবং একটি লক্ষ্য ভাষায় কথ্য আউটপুট তৈরি করে, আদর্শভাবে ভয়েস এবং টোন সংরক্ষণ করে।
একটি ক্যাসকেড চেইন এএসআর (স্পিচ-টু-টেক্সট), মেশিন ট্রান্সলেশন এবং টিটিএস (টেক্সট-টু-স্পিচ), যার প্রতিটি পর্যায়ে সম্ভাব্য ত্রুটিগুলি জমা হতে পারে।
প্রত্যক্ষ সিস্টেমগুলি কম মধ্যবর্তী পাঠ্য পদক্ষেপের সাথে বক্তৃতাকে স্পিচ ম্যাপ করে, বিলম্ব কমায় এবং প্রসোডির মতো অভিব্যক্তিপূর্ণ গুণাবলী বজায় রাখতে সহায়তা করে।
Meta এর SeamlessM4T এবং সীমলেস স্যুট প্রায় 100টি ভাষায় অনুবাদ করে এবং স্পিকার শৈলী এবং আবেগ সংরক্ষণের লক্ষ্য রাখে।
যেহেতু শব্দের ক্রম বিভিন্ন ভাষা জুড়ে আলাদা, তাই স্পীকার শেষ হওয়ার আগে একটি স্ট্রিমিং সিস্টেমকে অবশ্যই আউটপুট দেওয়ার প্রতিশ্রুতি দিতে হবে, যথার্থতার বিপরীতে গতি বন্ধ করে।
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
বক্তৃতার জন্য পাঠ্য স্বাভাবিককরণ
অডিও এআই