EVI 3

এভি৩ হচ্ছে একটি ভয়েস AI মডেল যা প্রাকৃতিক অনুভূতি এবং আবেগীয় রংকে রূপান্তর করে। ক্লাসিক টেক্সট-স্পেচ (টিএস) সিস্টেমের মত নয়, এই নিউরাল নেটওয়ার্ক কেবল লিখিত লেখা পোস্ট করে না- এর মানে হচ্ছে প্রেক্ষাপট, মেজাজ এবং সঠিক কণ্ঠ তুলে ধরা। এর ফলে ভিডিও, অডিওবুক, গেম চরিত্র এবং ভয়েস সহকারীদের জন্য আরও প্রাণবন্ত ও মানবিক শব্দ হবে।

কিভাবে মডেল

এভিআইভি ৩ একটি যৌথ কণ্ঠ মডেল হিসেবে নির্মিত হয়েছে: এটা শুনতে পারে কোন আন্তর্জাতিক পর্যায়ে রূপান্তর না করেই। তার মানে সিস্টেম একটা অনুরোধ জানে, সেটা জানে। - এর মানে বুঝতে পারি, এবং একটি একক প্রক্রিয়ার মধ্যে একটি বক্তব্য সৃষ্টি করে। এই পদ্ধতি লতিচার হ্রাস করে এবং ডায়ালগ মসৃণ এবং আরো স্বাভাবিক করে তোলে। একটি দীর্ঘ বক্তৃতার তথ্যের উপর ভিত্তি করে মডেলটি প্রশিক্ষণ দেওয়া হয়, যার ফলে এটিকে অনুমোদন করা হয় সমন্বয় ও বিরতি ধরা।

কী বৈশিষ্ট্য — আবেগগত অনুভূতি

ইআইভি৩ এবং মান টিটিএস সমাধানের মধ্যে প্রধান পার্থক্য হলো মেজাজ প্রকাশের ক্ষমতা। এই মডেলটি শান্তভাবে, অ্যানিমেশনভাবে, অথবা কার্যকরীভাবে কথা বলতে পারে স্ক্রিপ্টের প্রয়োজনের উপর নির্ভর করে। ব্যবহারকারীরা একটি লেখা বর্ণনার মাধ্যমে স্টাইল এবং মতের ধরণ পরিবর্তন করতে পারে, এতে জটিল বৈশিষ্ট্য ছাড়া শব্দ নিয়ন্ত্রণের ব্যবস্থা থাকবে।

এল- ভি- জি- পি ৩ (AVI ৩)

কে এর জন্য ৩ টি উপযুক্ত?

এভি৩-এর লক্ষ্য হচ্ছে যে কারো লক্ষ্য হচ্ছে কণ্ঠস্বরের উপাদান নিয়ে কাজ করা, যেখানে মানবিক এবং মানবিক বিষয়।

নির্মাতা ও মেইন্টেনার

ভয়েস ফর ইউটিউব ভিডিও, পডকাস্ট, বিজ্ঞাপন এবং অডিওবুক মডেলের জন্য একটি আদর্শ কাজ। ভয়েসের অভিনেতারা বাজেট ও সময় রক্ষা করে থাকে।

ডেভেলপার এবং পণ্য ব্যবস্থাপক

ব্লু-টুথ মডেল এর জন্য API এবং সাথে সামঞ্জস্যের জন্য ই-মেইলের প্রয়োজন। সরাসরি আলোচনার দৃশ্যের জন্য কম সাড়া দেয়া গুরুত্বপূর্ণ।

ব্যবসা এবং গ্রাহক সমর্থন

কল সেন্টার এবং ভয়েস সাপোর্ট সার্ভিস এই মডেল ব্যবহার করতে পারে এই ধরনের প্রতিক্রিয়া তৈরির জন্য যা ক্রেতার মেজাজের উপর নির্ভর করে। এই টুলটি একই সাথে প্রথার কণ্ঠস্বর তুলে ধরার জন্য উপযুক্ত।

কীভাবে ভিআইভি ৩ ব্যবহার করতে হয়?

মডেলটির সঠিক কর্ম চক্রের উৎসে বিস্তারিত নেই; মূল দৃশ্য দেখে মনে হচ্ছে।

ডেমো দিয়ে শুরু

ডেভেলপার একটি মুক্ত ডেমো দিয়েছেন। এর মাধ্যমে আপনি একজন গ্রাহক কেনার আগে মডেলের ক্ষমতা পরীক্ষা করে দেখতে পারেন: কথা বলার প্রজন্মের চেষ্টা করুন, গুণগত মান মূল্যায়ন করুন এবং দ্রুত সাড়া দিন।

বৈশিষ্ট্য নির্ধারণ এবং প্রস্তুতি

সম্পূর্ণ ব্যবহারের জন্য API সহায়তা প্রয়োজন। এই সেবাটি টেক্সট AI মডেলদের সঙ্গে সামঞ্জস্যপূর্ণ, যাতে জটিল সমাধান সৃষ্টি করা যায় । টেক্সট বর্ণনার মাধ্যমে বক্তৃতা এবং আচরণ কনফিগার করা হয়েছে। এমনকি গভীর প্রযুক্তিগত জ্ঞান ছাড়াই এই প্রক্রিয়াকে কার্যকর করা হয়েছে।

স্বনির্ধারিত কন্ঠ তৈরি করা হচ্ছে

একটি আলাদা বৈশিষ্ট্য একটি সংক্ষিপ্ত অডিও রেকর্ডিং থেকে নতুন কণ্ঠ তৈরি করছে। শুধু একটা নমুনা আপলোড করুন, এবং মডেলটি একই ধরনের অক্ষরের মাধ্যমে পুনরায় প্রকাশ করবে।

EVI ৩-র বৈশিষ্ট্য

মডেলের কার্যকারীতা ভয়েসে কাজ করার পুরো চক্রকে কভার করে।

উচ্চ পর্যায়ের ভয়েস মডেল

মডেলটি শুনতে এবং সাড়া প্রদান করে কোন ধরনের ইন্টারমিডিয়া পদক্ষেপ ছাড়াই: স্বীকৃতি, বোধগম্যতা এবং কণ্ঠস্বর একটি একক প্রক্রিয়ার মাধ্যমে।

ধ্বনির বিন্যাস

একটি টেক্সট বর্ণনার মাধ্যমে বক্তৃতা এবং আচরণ সেট করা হয় । ( ১ করিন্থীয় ১৫: ৩৩) আপনি গিবিয়ো, শক্তি এবং সাড়ার সম্পূর্ণ মনোভাব — আবেগগত থেকে শান্ত হতে পারেন ।

আবেগঅনুভূতি

এই মডেলটি আরও শান্তভাবে, আরও বেশি স্পষ্টভাবে কথা বলতে পারে । এই কথাগুলো স্বাভাবিক মানুষের কথাবার্তার সঙ্গে সম্পর্কযুক্ত ।

অতিরিক্ত ক্ষমতা

বিল্ট-ইন সমর্থন করে দ্রুত ভয়েস সহকারী এবং খেলার জন্য অত্যন্ত গুরুত্বপূর্ণ। একটি সংক্ষিপ্ত অডিও রেকর্ডিং থেকে নতুন কণ্ঠ তৈরি করার একটি বৈশিষ্ট্য রয়েছে। API-র সাথে উপস্থিত টেক্সট মডেল সহ API-র সাথে সামঞ্জস্য ও সুসংগত।

এ.

এই মডেলটি বেশ কিছু বৈশিষ্ট্যের কারণে আদর্শ টিটিএস সমাধান থেকে এসেছে।

স্বাভাবিক শব্দ

এভি৩ নিয়মিত বক্তৃতার গুণগত মানসম্পন্ন নেটওয়ার্ক থেকে বেশী প্রাণবন্ত এবং স্বাভাবিক মনে হচ্ছে। মডেলটি নিজেই স্বর, বিরতি এবং আবেগ বেছে নেয় এবং যান্ত্রিক একক মনোপলিটি বন্ধ করে দেয়।

হাই গতি

সাড়া দেয়া হয় দ্রুত আর মসৃণ করা হয়, আসল টাইম ডায়ালগ তৈরি করে কেবলমাত্র আগের ক্লিপের পরিবর্তে।

কাজের ক্ষেত্রে খাপ খাওয়ানোর গতি

একটা নির্দিষ্ট কাজের জন্য কণ্ঠস্বর পরিবর্তন করার ক্ষমতা — শান্ত থেকে আবেগগতভাবে — বিভিন্ন মামলাকে প্রসারিত করে । এই মডেল প্রসঙ্গকে ধারণ করেছে এবং কথা বলার একটি বিশাল উপাত্তের উপর প্রশিক্ষণ প্রদানের জন্য ধন্যবাদ।

ভি.

উপলব্ধ উৎসগুলো মডেলের কোনো স্পষ্ট সীমাবদ্ধতা অথবা দুর্বলতার তালিকাবদ্ধ করে না । সম্ভাব্য চ্যালেঞ্জের মধ্যে রয়েছে সম্পূর্ণ ব্যবহারের জন্য API ব্যবস্থাপনার প্রয়োজন, এবং একই সাথে এই বিষয়ে প্রাপ্ত কথা বলার সময় সমর্থিত ভাষা এবং প্রযুক্তিগত সীমাবদ্ধতা সম্বন্ধে বিস্তারিত তথ্যের অভাব। মডেলের কার্যকারিতাকে নির্দিষ্ট ভাবে মূল্যায়ন করার জন্য মুক্ত গণতন্ত্র পরীক্ষা করা সুপারিশ।

গুরুত্বপূর্ণ ৩ সমাধান কী?

মডেলটির পরিধি ব্যাপক, বিনোদন এবং বাণিজ্যিক খাতের দৃশ্য।

ভয়েস সহকারী এবং যোগাযোগ

• প্রাকৃতিকভাবে তৈরি করা
• ভয়েস সহকারী এবং চ্যাটবোট মানসিক প্রতিক্রিয়া সৃষ্টি করে।
• কল সেন্টার এবং ভয়েস সাপোর্ট এ খাপ খাইয়ে নিতে সাহায্য করে।

বিষয়বস্তু এবং বিনোদন

• উত্তেজনা এবং মেজাজের প্রতি আগ্রহ নিয়ে কথা বলা।
• পৃথক কন্ঠে এনপিসি’র খেলা।
• বিভিন্ন চরিত্র নিয়ে অডিওবুক তৈরি করা হচ্ছে, কোন ধরনের পোশাক ছাড়াই।
• স্বনির্ধারিত কণ্ঠ।

এ.

প্রতি মাসে ৩ ডলার থেকে শুরু হয়। একটি মুক্ত ডেমো পাওয়া যাচ্ছে উন্নয়নের জন্য।

এল- ডি- এ- পি ৩ এর ব্যবহার উপযোগী

এই তথ্য উৎসে পাওয়া যাবে না । জানা গেছে যে অপারেশনের জন্য API উপযোগ করা প্রয়োজন । একটি মুক্ত ডেমো পাওয়া যাচ্ছে, যার পরে একটি অর্থ দাতা কেনা হয়। এটা ডেভেলপারের নিজস্ব ওয়েবসাইটে ব্যবহারের আগে বর্তমান শব্দ পরীক্ষা করা সুপারিশ করা হচ্ছে।

এ. এ. ভি. ৩ আভালতা

API দ্বারা একত্রিত করার উদ্দেশ্যে এই মডেলটি উপলব্ধ করা হয় এবং পরীক্ষার জন্য একটি মুক্ত ডেমোও উপলব্ধ করা হয়। এর ফলে ব্যক্তিগত ব্যবহারকারী এবং কোম্পানি উভয়ই তাদের পণ্যের মডেলকে ব্যবহার করতে পারবে। আঞ্চলিক এবং সমর্থিত প্ল্যাটফর্মের বিস্তারিত তথ্য সহজলভ্য তথ্যে প্রকাশ করা হয়নি।

[ পাদটীকা]

এভি৩ বক্তৃতার প্রতি তার মনোভাবের সাথে যুক্ত: এটা শুধুমাত্র টেক্সট থেকে অডিও জেনারেটর নয়, বরং একটি সম্মিলিত মডেল যা স্বীকৃতি, বোধগম্যতা, এবং ভয়েসের প্রতিক্রিয়া। এটা আরও প্রাণবন্ত, প্রাকৃতিক কথাবার্তার সাথে প্রাচীন টিএসটিএস সিস্টেমের তুলনা করে। মূল বৈশিষ্ট্য হলো, মডেলটি নিজেই শব্দ, বিরতি এবং আবেগ নির্বাচন করে।

প্রতিযোগীদের মধ্যে রয়েছে সুহবা AI, ইলেভেন লাম্বিং বনাম২, গেয়নি ওমনি, এবং স্যাম অডিও। এদের বেশীরভাগই উচ্চারিত অনুবাদ, মাল্টির্যামাল ডায়লগ বা অডিও প্রসেসের উপর মনোযোগ প্রদান করে। এভি৩ বিশেষ করে একটি স্বল্প অডিও রেকর্ডিং থেকে কাস্টমস ভয়েস তৈরি করার ক্ষমতা নিয়ে কথা বলার ক্ষমতা নিয়ে আলোচনা করছে।

অন্তর্ভুক্ত

এভি৩ হল একটি ভয়েস AI মডেল, যা বক্তৃতার স্বীকৃতি, অর্থ উপলব্ধি এবং কণ্ঠস্বরকে একত্রিত করে, এবং নিয়মিত টটি নিউরাল নেটওয়ার্কের তুলনায় আরো প্রাণবন্ত এবং স্বাভাবিক ভাষণ প্রদান করে। এর শব্দ, বিরতি, আবেগ এবং আবেগও একটি নমুনা হতে পারে। দ্রুত, মানসিক অনুভূতি, এবং নমনীয় প্রথার প্রতি সাড়া প্রদান করার জন্য মডেলটি ব্যাপক ভাবে কাজ করেছে: ভয়েস এ্যাসোসিয়েশনের সহকারী থেকে অডিওবুক এবং গেমমেইলের মাধ্যমে। প্রতি মাসে পরীক্ষার জন্য বিনামূল্যে ৩ ডলার পাওয়া যায়।