Cutting-edge technology represents the forefront of innovation, embodying the latest advancements that push the boundaries of what is possible in various fields. It encompasses breakthroughs in artificial intelligence, quantum computing, biotechnology, and more, fundamentally transforming the way we live and work. In the realm of artificial intelligence, machine learning algorithms and neural networks are enabling computers to learn and make decisions, mimicking human cognitive functions. Quantum computing, with its ability to process information at speeds unimaginable with classical computers, holds the promise of revolutionizing complex problem-solving in fields like cryptography and optimization. Biotechnology is unlocking new frontiers in healthcare, with gene editing technologies like CRISPR-Cas9 offering unprecedented precision in modifying DNA, potentially curing genetic diseases. Cutting-edge technology also extends to the realm of renewable energy, where innovations in solar a...
যদিও বাকশক্তি মানুষের জন্য দ্বিতীয় প্রকৃতি, এটি কম্পিউটারের ক্ষেত্রে একটি জটিল এবং দ্রুত বিকাশকারী ক্ষেত্র । কম্পিউটার কীভাবে আমাদের কথাবার্তা গ্রহণ করেছে এবং ভবিষ্যতের জন্য এটি কী অর্থ বহন করে আজকে সেটি জানুন । স্ট্যানলে কুব্রিকের ১৯৬৮ এর 2001: A Space Odyssey এর একটি বিখ্যাত দৃশ্যের কথা স্মরণ করুন । HAL 9000 তার “শৈশব” সম্পর্কে প্রতিক্রিয়া জানায় এবং “ডেইজি বেল” গায় যখন এটি নভোচারী ডেভ বোম্যান কর্তৃক নিষ্ক্রিয় হয় । HAL (Heuristically Programmed ALgorithomic Computer) ১৯৬৮ সালে প্রথম প্রদর্শিত হয়েছিল 2001: A Space Odyssey সিনেমাতে । HAL একটি সংবেদনশীল কম্পিউটার যা ডিসকভারি ওয়ান মহাকাশযানের সিস্টেমগুলি নিয়ন্ত্রণ করে এবং জাহাজের নভোচারী ক্রুর সাথে যোগাযোগ করে । এটির অনুপ্রেরণা ছিল বেল ল্যাবের ১৯৬১ সালে সত্যিকারের IBM 704 মেইনফ্রেমে বক্তৃতার সংশ্লেষণের প্রদর্শনী, যার সাক্ষী ছিলেন আর্থার সি ক্লার্ক, যিনি পরে এটি ২০০১ এর চিত্রনাট্যে অন্তর্ভুক্ত করেছিলেন ।
আপনি কত বছর বয়সী তার উপর নির্ভর করে, আমরা এখন কম্পিউটারাইজড ভয়েসগুলির সাথে পরিচিত । যেমন, টেক্সাস ইনস্ট্রুমেন্টসের জনপ্রিয় ১৯৭৮ এর স্পিক অ্যান্ড স্পেল শিক্ষামূলক খেলনা, স্টিফেন হকিংয়ের স্পিচ সিনথেসাইজার, আপনার গাড়িতে জিপিএস ন্যাভিগেশনাল সিস্টেম এবং জনসাধারণের জন্য তথ্য এবং কল পরিচালনা ব্যবস্থা । সম্প্রতি, স্পিচ রেকগনিশন, ন্যাচারাল ল্যাঙ্গুয়েজ আন্ডারস্ট্যান্ডিং, টেক্সট টু স্পিচ এর মিশ্রণে তৈরি অ্যাপলের সিরি, গুগল নাও, মাইক্রোসফ্টের কর্টানা এবং অ্যামাজনের আলেক্সার মতো ভার্চুয়াল অ্যাসিস্ট্যান্ট গুলি মূলধারার দৃষ্টি আকর্ষণ করেছে ।
কথা বলা এবং ভাষা কীভাবে কাজ করে ?
কথা বলার প্রযুক্তি কীভাবে কাজ করে তার একটি পরিচালনা পেতে, আমাদের স্পষ্টতই মানুষের কথা বলার যান্ত্রিকতা এবং ভাষার কাঠামো সম্পর্কে কিছু জানা দরকার । যখন আমরা কথা বলি তখন ফুসফুসের বায়ু ভোকাল ট্র্যাক্টের মধ্য দিয়ে “ভয়েসড” বা “আনভয়েসড” শব্দ উৎপন্ন করে (ভোকাল কর্ডগুলি স্পন্দিত হয় কিনা তার উপর নির্ভর করে) যা জিহ্বা, দাঁত এবং ঠোঁটের দ্বারা দোলায়িত হতে পারে । কথা বলার সবচেয়ে ক্ষুদ্রতম এককটি শব্দ প্রবাহের একটি অংশ যাকে ফোনস বলে । এর মধ্যে ফোরম্যান্ট নামক বৈশিষ্ট্যযুক্ত ফ্রিকোয়েন্সি যা স্বরবর্ণ চিহ্নিত করতে ব্যবহার করা যেতে পারে । স্পিচ সায়েন্স এবং ফোনেটিক্সে, ফোরম্যান্ট হ'ল বর্ণালী আকৃতি যা মানুষের ভোকাল ট্র্যাক্টের ধ্বনিযুক্ত অনুরণনের ফলে আসে । যেমন, ইংরেজি স্বর বর্ণ a,e,i,o,u এর জন্য স্বতন্ত্র ফ্রিকোয়েন্সি (F1 এবং F2) হ'ল: 850 হার্জ এবং 1610 হার্জ (a); 390Hz এবং 2300Hz (e); 240Hz এবং 2400Hz (i); 360Hz এবং 640Hz (o) এবং 250Hz এবং 595Hz (u) ।
ভাষার মূল এককটি হ'ল ফোনেম, যা কোনও শব্দের ক্ষুদ্রতম অংশ হিসাবে এই ভাবে সংজ্ঞায়িত হয় যে, যদি এটি পরিবর্তিত হয়, তাহলে এর অর্থ পরিবর্তন হয় । যেমন, / p / এবং / b / ইংরেজিতে ফোনেমস, উদাহরণস্বরূপ, “pack” এবং “back” শব্দগুলি আলাদা অর্থ বহন করে । ফোনেমসকে শব্দের ধারণাগত বিল্ডিং ব্লক হিসাবে ভাবা যেতে পারে, অন্যদিকে ফোনস প্রকৃত শব্দ যা আমরা তৈরি করি। পার্থক্যটি চিত্রিত করার জন্য, “pin” এবং “spin” শব্দটি বিবেচনা করুন: পূর্ববর্তী সময়ে, “p” শব্দটি উচ্চাকাঙ্ক্ষী হয়, তবে পরবর্তীকালে তা হয় না । ফোনেম / p / এর ফলে দুটি “অ্যালোফোন” থাকে যা সাধারণত [ph] এবং [p] হিসাবে লেখা হয়, যা কিছুটা আলাদা হলেও শব্দটির অর্থ পরিবর্তিত হয় না যদি প্রতিস্থাপন করা হয় । ফোনেমস স্বর, ব্যঞ্জনবর্ণ অথবা ডিপথং হতে পারে এবং বিভিন্ন ভাষায় এগুলির বিভিন্ন সংখ্যা রয়েছে । অ্যালোফোন হচ্ছে একটি শব্দের এক বা একাধিক বর্ণের জন্য বিকল্প শব্দ । উদাহরণস্বরূপ, mat এর a সংক্ষিপ্ত শব্দ এবং mad এর a দীর্ঘ শব্দ ।
ভাষার মূল এককটি হ'ল ফোনেম, যা কোনও শব্দের ক্ষুদ্রতম অংশ হিসাবে এই ভাবে সংজ্ঞায়িত হয় যে, যদি এটি পরিবর্তিত হয়, তাহলে এর অর্থ পরিবর্তন হয় । যেমন, / p / এবং / b / ইংরেজিতে ফোনেমস, উদাহরণস্বরূপ, “pack” এবং “back” শব্দগুলি আলাদা অর্থ বহন করে । ফোনেমসকে শব্দের ধারণাগত বিল্ডিং ব্লক হিসাবে ভাবা যেতে পারে, অন্যদিকে ফোনস প্রকৃত শব্দ যা আমরা তৈরি করি। পার্থক্যটি চিত্রিত করার জন্য, “pin” এবং “spin” শব্দটি বিবেচনা করুন: পূর্ববর্তী সময়ে, “p” শব্দটি উচ্চাকাঙ্ক্ষী হয়, তবে পরবর্তীকালে তা হয় না । ফোনেম / p / এর ফলে দুটি “অ্যালোফোন” থাকে যা সাধারণত [ph] এবং [p] হিসাবে লেখা হয়, যা কিছুটা আলাদা হলেও শব্দটির অর্থ পরিবর্তিত হয় না যদি প্রতিস্থাপন করা হয় । ফোনেমস স্বর, ব্যঞ্জনবর্ণ অথবা ডিপথং হতে পারে এবং বিভিন্ন ভাষায় এগুলির বিভিন্ন সংখ্যা রয়েছে । অ্যালোফোন হচ্ছে একটি শব্দের এক বা একাধিক বর্ণের জন্য বিকল্প শব্দ । উদাহরণস্বরূপ, mat এর a সংক্ষিপ্ত শব্দ এবং mad এর a দীর্ঘ শব্দ ।
কম্পিউটার কিভাবে কথা সনাক্ত করে ?
অটোম্যাটিক স্পিচ রেকগনিশনের জন্য ফোনস, ফোরম্যান্টস এবং ফাঁকগুলির ধারাবাহিক অ্যানালগ প্রবাহকে ডিজিটাইজ করা হয় যা উচ্চারনগুলি গঠন করে এবং এই সিকোয়েন্সগুলিকে টুকরো টুকরো করে এটিতে পরিসংখানের একটি ব্যাটারি প্রয়োগ করা হয় এবং সম্প্রতি, মেশিন লার্নিং কৌশল প্রয়োগ করে ঐ টুকরো গুলি থেকে শব্দ সনাক্ত এবং আউটপুট তৈরি করার জন্য বৈশিষ্ট্য বাহির করা হয় । অটোম্যাটিক স্পিচ রেকগনিশন মেশিনের ফ্রন্ট এন্ডের কাজ হ'ল সিগন্যাল প্রসেসিং করা । এটি স্পিচ তরঙ্গরূপটিকে ডিজিটাল প্যারাম্যাট্রিক উপস্থাপনায় রূপান্তর করে এবং সংকেত থেকে শব্দের অনুপাত সর্বাধিকতর করতে এক্সট্রাক্ট করা বৈশিষ্ট্যগুলি পরিষ্কার করে ।
ব্যাক এন্ড বা ডিকোডারটির তিনটি উপাদান রয়েছে । প্রথমত, একটি শাব্দিক মডেল, যা একটি বৃহৎ স্পিচ ডেটাবেজ বা কর্পাস থেকে ফোনের পরিসংখ্যানগত উপস্থাপনা সংকলন করে নির্মিত হয়, নিষ্কাশিত শব্দ বৈশিষ্ট্য গুলি দ্বারা প্রতিনিধিত্ব করা ফোনের সর্বাধিক সম্ভাব্য স্ট্রিংগুলি নির্বাচন করে হিডেন মার্কভ মডেলের মাধ্যমে । দ্বিতীয়ত, ফোনের স্ট্রিং একটি উচ্চারণ অভিধান বা শব্দকোষ ব্যবহার করে শব্দের সাথে মেলে এবং তৃতীয়ত, কোনও ভাষা মডেল ডিকোডারের শব্দের পছন্দগুলি সীমাবদ্ধ করে যা অধিকাংশ বোধগম্য হয় । নির্ভুল বক্তৃতার স্বীকৃতি কেবল একটি শাব্দিক মডেলের মাধ্যমে ফোনস সনাক্তকরণ এবং তারপরে ফোনেটিক অভিধানে সেগুলি অনুসন্ধানের উপর নির্ভর করে না কারণ অনুরূপ শব্দযুক্ত শব্দ এবং বাক্যাংশগুলির সম্পূর্ণ ভিন্ন অর্থ হতে পারে । উদাহরণস্বরূপ, একটি খাঁটি শাব্দিক মডেলে স্পষ্টভাবে উচ্চারণ হলেও নিন্ম লিখিত বাক্য দুটির সমান ওজন দিতে পারে । “it is fun to recognise speech” এবং “it is fun to wreck a nice beach”, এই সমস্যাটি হোমোফোনের আকারে শব্দের স্তরেও রয়েছে । হোমোফোনের শব্দগুলি যা একই আওয়াজ করে তবে অর্থের পার্থক্য রয়েছে এবং বানানেও পৃথক হতে পারে । উদাহরণস্বরূপ, “morning” এবং “mourning,” “birth” এবং “berth,” “whole” এবং “hole,” উপরে বর্ণিত সমস্যা গুলির সমাধানের জন্য ডিকোডারে ভাষার মডেল ব্যবহৃত হয় । এটি শব্দ ক্রমের সর্বাধিক সম্ভাবনা তৈরি করে যাহা শাব্দ মডেল এবং অভিধান থেকে সনাক্ত করে । পরিসংখ্যানগত ভাষার মডেল (প্রচলিত এন-গ্রাম) টেক্সটের বৃহৎ পাইপলাইন কর্পোরায় সংকলন করা হয়, সাধারণত নির্দিষ্ট ডোমেইন বা বিষয়ভিত্তিক অঞ্চল থেকে । তবে এই ক্ষেত্রে অনেকগুলি চ্যালেঞ্জ রয়েছে । উদাহরণস্বরূপ, ব্যবহৃত মাইক্রোফোনের গুণগত মান এবং পটভূমির শব্দের স্তর ইত্যাদি ।
ব্যাক এন্ড বা ডিকোডারটির তিনটি উপাদান রয়েছে । প্রথমত, একটি শাব্দিক মডেল, যা একটি বৃহৎ স্পিচ ডেটাবেজ বা কর্পাস থেকে ফোনের পরিসংখ্যানগত উপস্থাপনা সংকলন করে নির্মিত হয়, নিষ্কাশিত শব্দ বৈশিষ্ট্য গুলি দ্বারা প্রতিনিধিত্ব করা ফোনের সর্বাধিক সম্ভাব্য স্ট্রিংগুলি নির্বাচন করে হিডেন মার্কভ মডেলের মাধ্যমে । দ্বিতীয়ত, ফোনের স্ট্রিং একটি উচ্চারণ অভিধান বা শব্দকোষ ব্যবহার করে শব্দের সাথে মেলে এবং তৃতীয়ত, কোনও ভাষা মডেল ডিকোডারের শব্দের পছন্দগুলি সীমাবদ্ধ করে যা অধিকাংশ বোধগম্য হয় । নির্ভুল বক্তৃতার স্বীকৃতি কেবল একটি শাব্দিক মডেলের মাধ্যমে ফোনস সনাক্তকরণ এবং তারপরে ফোনেটিক অভিধানে সেগুলি অনুসন্ধানের উপর নির্ভর করে না কারণ অনুরূপ শব্দযুক্ত শব্দ এবং বাক্যাংশগুলির সম্পূর্ণ ভিন্ন অর্থ হতে পারে । উদাহরণস্বরূপ, একটি খাঁটি শাব্দিক মডেলে স্পষ্টভাবে উচ্চারণ হলেও নিন্ম লিখিত বাক্য দুটির সমান ওজন দিতে পারে । “it is fun to recognise speech” এবং “it is fun to wreck a nice beach”, এই সমস্যাটি হোমোফোনের আকারে শব্দের স্তরেও রয়েছে । হোমোফোনের শব্দগুলি যা একই আওয়াজ করে তবে অর্থের পার্থক্য রয়েছে এবং বানানেও পৃথক হতে পারে । উদাহরণস্বরূপ, “morning” এবং “mourning,” “birth” এবং “berth,” “whole” এবং “hole,” উপরে বর্ণিত সমস্যা গুলির সমাধানের জন্য ডিকোডারে ভাষার মডেল ব্যবহৃত হয় । এটি শব্দ ক্রমের সর্বাধিক সম্ভাবনা তৈরি করে যাহা শাব্দ মডেল এবং অভিধান থেকে সনাক্ত করে । পরিসংখ্যানগত ভাষার মডেল (প্রচলিত এন-গ্রাম) টেক্সটের বৃহৎ পাইপলাইন কর্পোরায় সংকলন করা হয়, সাধারণত নির্দিষ্ট ডোমেইন বা বিষয়ভিত্তিক অঞ্চল থেকে । তবে এই ক্ষেত্রে অনেকগুলি চ্যালেঞ্জ রয়েছে । উদাহরণস্বরূপ, ব্যবহৃত মাইক্রোফোনের গুণগত মান এবং পটভূমির শব্দের স্তর ইত্যাদি ।
ত্রুটির হার এবং নিউরাল নেটওয়ার্কগুলির উত্থান
বক্তৃতা সনাক্তকরণ পদ্ধতির নির্ভুলতার একটি সাধারণ পরিমাপ হ'ল শব্দ ত্রুটির হার বা ওয়ার্ড এরর রেট (WER) নির্ণয় । একটি কথ্যকে সারিবদ্ধ করে রেফারেন্স টেক্সট দিয়ে আউটপুট তৈরি এবং গণনা করে এটি করা হয় । WER = (S + D + I) / N যেখানে S “প্রতিস্থাপনের” সংখ্যা, যে শব্দগুলি মেশিন ভুলভাবে সনাক্ত করেছে, D হচ্ছে “মুছে ফেলার সংখ্যা” যেসব শব্দ আউটপুটে অনুপস্থিত কিন্তু রেফারেন্স টেক্সটে উপস্থিত, I হচ্ছে “সন্নিবেশ” এর সংখ্যা অর্থাৎ আউটপুটে উপস্থিত শব্দ যা রেফারেন্স টেক্সট থেকে অনুপস্থিত এবং N হচ্ছে রেফারেন্স টেক্সটে শব্দের মোট সংখ্যা । সাম্প্রতিক বছরগুলিতে অটোম্যাটিক স্পিচ রেকগনিশন সিস্টেমগুলি শব্দের ত্রুটির হারের ক্ষেত্রে বড় উন্নতি দেখেছে । নিউরাল নেটওয়ার্ক ব্যবহার করে এটি দ্রুত উন্নিতি করেছে । সাম্প্রতিক গুগল রিসার্চ ব্লগে বর্ণিত নিউরাল নেটওয়ার্কগুলি ব্যবহার করে ভাষা মডেলগুলি উপকৃত হয়েছে । ভয়েস অনুসন্ধান এবং ভার্চুয়াল সহায়কগুলিতে WER এর জন্য শিল্পের বর্তমান অবস্থা এখন একক পরিসংখ্যানের মধ্যে রয়েছে । গুগল মে, ২০১৫ এর আই / ও সম্মেলনে গুগল নাও এর জন্য ৮ শতাংশ দাবি করেছে এবং অ্যাপল ডেভেলপার সম্মেলনে সিরি এর জন্য ৫ শতাংশের কথা বলেছে ।
প্রাকৃতিক ভাষা বোঝা
স্পিচ রেকগনিশন কম্পিউটারের জন্য যথেষ্ট জটিল কাজ, তবে কিছু ধরণের কথোপকথনের আন্তঃক্রিয়ার পরবর্তী স্তরটি হ'ল মানুষের যে বাক্যগুলি উচ্চারণ করে তা থেকে অর্থ বের করা । ভয়েস অনুসন্ধান এবং ভার্চুয়াল সহকারীগুলির মতো অ্যাপ্লিকেশনগুলিতে এটি স্পষ্টভাবে গুরুত্বপূর্ণ । উভয়ের সাধারণ উদ্দেশ্য যেমন, সিরি, গুগল নাও, কর্টানা এবং আলেক্সা এবং নুয়ানসের ড্রাগন ড্রাইভ গাড়ির সহকারী এবং ফ্লোরেন্স চিকিৎসকদের জন্য সহায়ক ।
আরও ভাল ভয়েস অনুসন্ধান সরবরাহ করতে স্পিচ রেকগনিশনে একটি প্রাকৃতিক ভাষার বোঝাপড়া স্তর যুক্ত করা বা সিরির মতো একটি ভার্চুয়াল সহকারীকে সিনট্যাক্স (একটি নির্দিষ্ট ভাষায় বাক্য কাঠামো পরিচালিত বিধি), শব্দার্থবিজ্ঞান (বিভিন্ন অর্থের অধ্যয়ন সম্পর্কে জ্ঞান এবং বিভিন্ন স্তরগুলি - শব্দ, বাক্যাংশ, বাক্য ইত্যাদি) কীভাবে মানবিক কথোপকথনগুলি কাঠামোগত করা হয় এবং বৃহত্তর জ্ঞানের ভিত্তি সহ অনলাইন সংস্থানগুলিতে অ্যাক্সেস পাওয়া যায়, যার থেকে প্রতিক্রিয়াগুলি তৈরি করা যায় । গুগলের ভয়েস অনুসন্ধানের বিকাশ ন্যাচারাল ল্যাঙ্গুয়েজ বুঝতে এটি অটোম্যাটিক স্পিচ রেকগনিশনে কি যুক্ত করে তার একটি কার্যকর উদাহরণ সরবরাহ করে । প্রাথমিকভাবে গুগল ভয়েস অনুসন্ধান আপনাকে নিজের অনুসন্ধানের কীওয়ার্ড টাইপ না করে কেবল কথা বলার অনুমতি দেয় । তারপরে ২০১২-এ, গুগল নাও ভার্চুয়াল সহকারী গুগলের নলেজ গ্রাফ প্রকল্পে শব্দার্থ অনুসন্ধানের তথ্য যুক্ত করেছে । নলেজ গ্রাফ এমন একাধিক জ্ঞান ভিত্তিক উৎস যা লোক, স্থান এবং জিনিসগুলি সম্পর্কে অনুসন্ধান পদ্ধতিকে পার্থক্য করতে দেয় । উদাহরণস্বরূপ, “তাজমহল” ভারতীয় সমাধি, “তাজমহল” ব্লুজ মিউজিশিয়ান এবং এই বিষয়ে , আপনার স্থানীয় “তাজমহল” একটি রেস্টুরেন্ট ।
কথা সংশ্লেষণ এবং টেক্সট থেকে কথায় রূপান্তর
আরও ভাল ভয়েস অনুসন্ধান সরবরাহ করতে স্পিচ রেকগনিশনে একটি প্রাকৃতিক ভাষার বোঝাপড়া স্তর যুক্ত করা বা সিরির মতো একটি ভার্চুয়াল সহকারীকে সিনট্যাক্স (একটি নির্দিষ্ট ভাষায় বাক্য কাঠামো পরিচালিত বিধি), শব্দার্থবিজ্ঞান (বিভিন্ন অর্থের অধ্যয়ন সম্পর্কে জ্ঞান এবং বিভিন্ন স্তরগুলি - শব্দ, বাক্যাংশ, বাক্য ইত্যাদি) কীভাবে মানবিক কথোপকথনগুলি কাঠামোগত করা হয় এবং বৃহত্তর জ্ঞানের ভিত্তি সহ অনলাইন সংস্থানগুলিতে অ্যাক্সেস পাওয়া যায়, যার থেকে প্রতিক্রিয়াগুলি তৈরি করা যায় । গুগলের ভয়েস অনুসন্ধানের বিকাশ ন্যাচারাল ল্যাঙ্গুয়েজ বুঝতে এটি অটোম্যাটিক স্পিচ রেকগনিশনে কি যুক্ত করে তার একটি কার্যকর উদাহরণ সরবরাহ করে । প্রাথমিকভাবে গুগল ভয়েস অনুসন্ধান আপনাকে নিজের অনুসন্ধানের কীওয়ার্ড টাইপ না করে কেবল কথা বলার অনুমতি দেয় । তারপরে ২০১২-এ, গুগল নাও ভার্চুয়াল সহকারী গুগলের নলেজ গ্রাফ প্রকল্পে শব্দার্থ অনুসন্ধানের তথ্য যুক্ত করেছে । নলেজ গ্রাফ এমন একাধিক জ্ঞান ভিত্তিক উৎস যা লোক, স্থান এবং জিনিসগুলি সম্পর্কে অনুসন্ধান পদ্ধতিকে পার্থক্য করতে দেয় । উদাহরণস্বরূপ, “তাজমহল” ভারতীয় সমাধি, “তাজমহল” ব্লুজ মিউজিশিয়ান এবং এই বিষয়ে , আপনার স্থানীয় “তাজমহল” একটি রেস্টুরেন্ট ।
কথা সংশ্লেষণ এবং টেক্সট থেকে কথায় রূপান্তর
কম্পিউটারকে মানুষের কথার শব্দগুলি চিনতে শিখিয়েছে এবং কিছুটা হলেও বুঝতে পারে যে, এই শব্দগুলির অর্থ কী? কম্পিউটার ঠিক কীভাবে কথা বলে? কথার সংশ্লেষণ কীভাবে হয় এবং যখন ইনপুটটি লিখিত শব্দ, তখন টেক্সট থেকে কথা কতটুকু অর্জিত হয়? এইসব বিষয় আসলেই একটু জটিল । টেক্সট থেকে কথা বলার প্রথম পর্যায়টি হ'ল লিখিত টেক্সটটিকে শব্দে রূপান্তর করা যা টেক্সট টু স্পিচ সিস্টেমের পাইপলাইন শেষে কথা বলবে । এই টেক্সট বিশ্লেষণ প্রক্রিয়া “নরমালাইজেশন” নামেও পরিচিত । শব্দের আকারে সংখ্যা, তারিখ, সময় এবং শব্দ সংক্ষেপগুলির রূপান্তর নরমালাইজেশনের সাথে জড়িত । উদাহরণস্বরূপ, William Shakespeare wrote Henry IV Part 1 no later than 1597 নরমালাইজেশনের পরে বাক্যটি নিম্নলিখিত হয়: William Shakespeare wrote Henry the Fourth part one no later than fifteen ninety seven পরবর্তী স্তরটি ভাষাগত বিশ্লেষণ, যা নির্ধারণ করে যে, কীভাবে নরমালাইজড শব্দগুলি দ্বারা কথা বলতে হবে । উদাহরণস্বরূপ, সিস্টেমটি বাক্যের মধ্যে একটি শব্দ প্রসঙ্গ পরীক্ষা করে হেটারোনাইমের পার্থক্য বের করার জন্য । হেটারোনাইম হচ্ছে দুই বা ততোধিক শব্দের প্রত্যেকটিই একরকম বানানযুক্ত তবে বিভিন্ন শব্দ এবং অর্থ রয়েছে । যেমন, tear অর্থ “পৃথক করে ফেলা” এবং tear অর্থ “চোখ থেকে তরল” । শব্দকোষের অনুলিপিগুলি তখন শব্দগুলিতে প্রয়োগ করা হয় সাধারণত অভিধান এবং নিয়ম ভিত্তিক পদ্ধতির সংমিশ্রনের মাধ্যমে এবং প্রসোডিক বা ছন্দোগত তথ্য যুক্ত করা হয় যাতে আরও ন্যাচারাল সাউন্ডিং স্পিচ স্বরভঙ্গি, বিরতি এবং অন্যান্য উচ্চারণের মাধ্যমে অর্থের বাহন হয় । টেক্সট টু স্পিচ সিস্টেমের পাইপলাইনে চূড়ান্ত লিঙ্কটি সংশ্লেষণ, যার ফলস্বরূপ একটি তরঙ্গরূপ তৈরি হয়েছে যা ফ্রন্ট এন্ডের আউটপুটকে স্বীকৃত বক্তৃতা হিসাবে সরবরাহ করবে । স্পিচ সিনথেসিজ বা বক্তৃতা সংশ্লেষণের প্রধান শ্রেণিগুলি হ'ল কনক্যাটেনেটিভ, ফোরম্যান্ট, আর্টিকুলেটরি এবং হিডেন মার্কভ মডেল ভিত্তিক ।
কনক্যাটেনেটিভ সংশ্লেষণ আক্ষরিকভাবে “স্ট্রিং একসাথে” রেকর্ড করা বক্তৃতার বিট যা বিভিন্ন উপাদান - ফোন, ডিফোনস, ফোনেমস, সিলেবলস, শব্দ, বাক্যাংশ এবং বাক্যগুলিতে বিভক্ত হয় । এটি স্পিচ ডেটাবেজের আকার, উপাদান নির্বাচনের অ্যালগরিদমের গুণগত মান এবং কনক্যাটেনেটিভ বা সংমিশ্রণের পয়েন্টে কত সংকেত প্রক্রিয়াকরণ প্রয়োগ করা হয় তার উপর নির্ভর করে ন্যাচারাল সাউন্ডিং স্পিচ তৈরি করতে পারে । ফোরম্যান্ট সংশ্লেষণ হ'ল উৎস ফিল্টার মডেলের উপর ভিত্তি করে একটি শব্দ কৌশল, অনেকটা সঙ্গীত সংশ্লেষকের মতো । এটি ভয়েস এবং ভাষার মধ্যে পরিবর্তন করতে বেশী উপযুক্ত করে তোলে, এটিতে ন্যাচারাল সাউন্ডিং কম এবং এটি অনেকটা রোবটিক ভয়েসের মত ।
কনক্যাটেনেটিভ সংশ্লেষণ আক্ষরিকভাবে “স্ট্রিং একসাথে” রেকর্ড করা বক্তৃতার বিট যা বিভিন্ন উপাদান - ফোন, ডিফোনস, ফোনেমস, সিলেবলস, শব্দ, বাক্যাংশ এবং বাক্যগুলিতে বিভক্ত হয় । এটি স্পিচ ডেটাবেজের আকার, উপাদান নির্বাচনের অ্যালগরিদমের গুণগত মান এবং কনক্যাটেনেটিভ বা সংমিশ্রণের পয়েন্টে কত সংকেত প্রক্রিয়াকরণ প্রয়োগ করা হয় তার উপর নির্ভর করে ন্যাচারাল সাউন্ডিং স্পিচ তৈরি করতে পারে । ফোরম্যান্ট সংশ্লেষণ হ'ল উৎস ফিল্টার মডেলের উপর ভিত্তি করে একটি শব্দ কৌশল, অনেকটা সঙ্গীত সংশ্লেষকের মতো । এটি ভয়েস এবং ভাষার মধ্যে পরিবর্তন করতে বেশী উপযুক্ত করে তোলে, এটিতে ন্যাচারাল সাউন্ডিং কম এবং এটি অনেকটা রোবটিক ভয়েসের মত ।
আর্টিকুলেটরি সংশ্লেষণের জন্য কীভাবে মানব কণ্ঠনালীতে শব্দ তরঙ্গ উৎপন্ন এবং সংশোধিত হয় তার একটি কম্পিউটার মডেল প্রয়োজন হয় । যদিও তাত্ত্বিকভাবে এটি সর্বাধিক নমনীয় ধরণের স্পিচ সিনথেসিজ, আর্টিকুলেটরি মডেলগুলি জটিল এবং ব্যাপকভাবে ব্যবহৃত হয় না । একটি উল্লেখযোগ্য উদাহরণ হ'ল ওপেন সোর্স gnuspeech প্রকল্প ।
হিডেন মার্কভ মডেল ভিত্তিক সংশ্লেষণ, যা স্ট্যাটিসটিকাল প্যারাম্যাট্রিক সংশ্লেষণ হিসাবেও পরিচিত । টেক্সট টু স্পিচের ফ্রন্ট এন্ড থেকে ইনপুটটিকে সবচেয়ে ভাল মানায় এমন স্পিচ প্যারামিটার তৈরি করতে রেকর্ড করা বক্তৃতার কর্পাসে হিডেন মার্কভ মডেল ব্যবহার করে প্রশিক্ষিত করা হয় । হিডেন মার্কভ মডেল ভিত্তিক সিনথেসিজারগুলিকে বিভিন্ন ভয়েস এবং স্পিকিং শৈলীতে অভিযোজিত করা সোজা, তবে ত্রুটিগুলি হচ্ছে এটি বাজি, সমতল বা বাজে শব্দযুক্ত বক্তৃতা অন্তর্ভুক্ত করতে পারে । ডিপ নিউরাল নেটওয়ার্ক সাম্প্রতিক বছরগুলিতে পরিসংখ্যানগত বা স্ট্যাটিসটিকাল প্যারাম্যাট্রিক স্পিচ সংশ্লেষণের ভিত্তি হিসাবেও ব্যবহৃত হয়েছে ।
হিডেন মার্কভ মডেল ভিত্তিক সংশ্লেষণ, যা স্ট্যাটিসটিকাল প্যারাম্যাট্রিক সংশ্লেষণ হিসাবেও পরিচিত । টেক্সট টু স্পিচের ফ্রন্ট এন্ড থেকে ইনপুটটিকে সবচেয়ে ভাল মানায় এমন স্পিচ প্যারামিটার তৈরি করতে রেকর্ড করা বক্তৃতার কর্পাসে হিডেন মার্কভ মডেল ব্যবহার করে প্রশিক্ষিত করা হয় । হিডেন মার্কভ মডেল ভিত্তিক সিনথেসিজারগুলিকে বিভিন্ন ভয়েস এবং স্পিকিং শৈলীতে অভিযোজিত করা সোজা, তবে ত্রুটিগুলি হচ্ছে এটি বাজি, সমতল বা বাজে শব্দযুক্ত বক্তৃতা অন্তর্ভুক্ত করতে পারে । ডিপ নিউরাল নেটওয়ার্ক সাম্প্রতিক বছরগুলিতে পরিসংখ্যানগত বা স্ট্যাটিসটিকাল প্যারাম্যাট্রিক স্পিচ সংশ্লেষণের ভিত্তি হিসাবেও ব্যবহৃত হয়েছে ।
Thank you for reading this post and encourage me to grow this blog further
মন্তব্যসমূহ
একটি মন্তব্য পোস্ট করুন