বড় ভাষার মডেলগুলোর সাফল্য দেখে, ইঞ্জিনিয়াররা অনেক আগেই সেগুলোকে শব্দের ক্ষেত্রেও প্রয়োগ করতে চেয়েছিলেন। এভাবেই প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং অডিওর সংযোগস্থলে হাইব্রিড স্পিচ রিকগনিশন আর্কিটেকচার তৈরি হয়েছে। মূল ধারণাটি হলো: পুরো মডেলটিকে নতুন করে প্রশিক্ষণ না দিয়ে, একটি প্রস্তুত LLM ব্যবহার করা, যা প্রাক-প্রশিক্ষণের কারণে জানে মানুষ কীভাবে কথা বলে। এর পাশাপাশি কাজ করে একটি ফ্রোজেন স্পিচ এনকোডার — এটি শব্দতরঙ্গকে বৈশিষ্ট্যের একটি ক্রমে রূপান্তরিত করে। তাদের মধ্যে একটি হালকা কানেক্টর বসানো হয়, যা অ্যাকোস্টিক উপস্থাপনাকে ভাষা মডেলের বোধগম্য টোকেনে রূপান্তর করার দায়িত্বে থাকে। এই কাঠামো সীমিত কম্পিউটেশনাল সম্পদ ব্যবহার করেও উচ্চমানের স্পিচ রিকগনিশন অর্জন করতে সাহায্য করে।
কানেক্টর: মূল বাধা
মনে হতে পারে, কাঠামোটি বেশ মার্জিত, কিন্তু বাস্তবে একটি স্বাভাবিক প্রশ্ন উঠে আসে: যখন একাধিক ভাষা থাকে তখন কী করা যায়? অনেক আগের কাজগুলোতে প্রতিটি ভাষার জন্য আলাদা কানেক্টর প্রশিক্ষণ দেওয়া হতো। ইংরেজির জন্য আলাদা, জার্মানের জন্য আলাদা, হিন্দির জন্য আলাদা। একটি বহুভাষিক সিস্টেমের জন্য এটি দ্রুত মডেলের আকার বাড়িয়ে দেয়: ভাষা যত বেশি, সহায়ক মডিউল তত বেশি। প্রতিটি কানেক্টরকে নতুন করে সাজাতে হয়, যার জন্য প্রয়োজন সময় এবং লেবেলযুক্ত ডেটা।
অথচ সম্পর্কিত ভাষাগুলোর একটি সাধারণ ইতিহাস এবং একই রকম ধ্বনিতত্ত্ব রয়েছে। স্প্যানিশ, ইতালীয় এবং পর্তুগিজ ল্যাটিন থেকে উদ্ভূত, তাই অনেক শব্দ এবং ছন্দে তাদের মধ্যে জার্মান বা চাইনিজের চেয়ে বেশি মিল রয়েছে। কিন্তু পুরোনো পদ্ধতি এই সম্পর্ককে উপেক্ষা করত: এমনকি কাছাকাছি ভাষাগুলোর জন্যও সম্পূর্ণ বিচ্ছিন্ন কানেক্টর তৈরি হতো এবং তারা দরকারি তথ্য বিনিময় করতে পারত না। মেশিন লার্নিংয়ের দৃষ্টিকোণ থেকে এটি অপচয়ের মতো দেখায়।
ভাষা পরিবার: সাশ্রয়ের একক
নতুন গবেষণার লেখকরা সমস্যাটিকে পদ্ধতিগতভাবে মোকাবিলার প্রস্তাব দিয়েছেন। প্রতি ভাষার জন্য কানেক্টরের বদলে — প্রতি ভাষা পরিবারের জন্য একটি কানেক্টর। রোমান্স গোষ্ঠী একটি মডিউল ভাগ করে নেয়, স্লাভিক আরেকটি, তুর্কিক তৃতীয়টি। পরিবারের মধ্যে মডেলটি সাধারণ নিদর্শনগুলো চিনতে শেখে, কিন্তু প্রয়োজনে নির্দিষ্ট ভাষার সূক্ষ্মতার সাথে খাপ খাইয়ে নেয়। এটি একটি 'পারিবারিক উচ্চারণ' শেখার মতো: প্রথমে যা আত্মীয় ভাষাগুলোকে এক করে তা ধরা হয়, তারপর বিবরণে সূক্ষ্ম সমন্বয় করা হয়।
এই সমাধান মডেলের আকার বদলে দেয়: কয়েক ডজন সহায়ক মডিউলের বদলে কয়েকটিই যথেষ্ট। এর সাথে যোগ হয় জ্ঞানের স্বাভাবিক স্থানান্তর। কোনো ভাষার জন্য যদি ডেটা কম থাকে, তবুও সে সম্পর্কিত উপাদানের উপর শেখা প্যাটার্নগুলো ব্যবহার করতে পারে। সিস্টেমে একটি নতুন ভাষা যোগ করার সময়, শুধু বুঝতে হবে সে কোন পরিবারের অন্তর্ভুক্ত, নতুন করে প্রশিক্ষণ শুরু করার দরকার নেই।
পরীক্ষাগুলো কী দেখিয়েছে
ধারণাটি যাচাই করা হয়েছিল দুটি বহুভাষিক LLM-এর উপর। ফলাফল যাতে সৎ হয়, গবেষকরা দুটি ভিন্ন স্পিচ কর্পাস নিয়েছিলেন। প্রথমটি — সতর্ক লেবেলিং এবং নিয়ন্ত্রিত পরিবেশসহ কিউরেটেড রেকর্ডিং। দ্বিতীয়টি — ক্রাউডসোর্সড ডেটা, অর্থাৎ সাধারণ ডিভাইসে রেকর্ড করা জীবন্ত ভাষণ, যাতে শব্দ, ভুল উচ্চারণ এবং বিভিন্ন অ্যাকসেন্ট রয়েছে। এই বৈপরীত্য বুঝতে সাহায্য করে যে পদ্ধতিটি বাস্তবে কতটা টেকসই।
প্রত্যাশা পূরণ হয়েছে: পারিবারিক কানেক্টর শুধু প্রশিক্ষণযোগ্য প্যারামিটারের সংখ্যা কমায় না, মানের দিক থেকেও প্রায় পৃথক সমাধানের সমান। কিছু ক্ষেত্রে তারা অপরিচিত ডোমেইনে স্থানান্তরের ক্ষেত্রে আরও ভালো কাজ করে। এখানে অন্তর্দৃষ্টি সহজ: যে মডেলটি একটি সম্পূর্ণ ভাষা গোষ্ঠীর সাধারণ বৈশিষ্ট্য শিখেছে, তার পক্ষে একটি নির্দিষ্ট ভাষার এলোমেলো আর্টিফ্যাক্টের উপর অতিরিক্ত ফিট হওয়ার সম্ভাবনা কম।
শিল্পে এর প্রভাব কী
এই গবেষণার সবচেয়ে মূল্যবান দিকটি — শুধু মেমরি বাঁচানোর একটি প্রযুক্তিগত কৌশল নয়। এটি দেখায় যে ভাষাগত জ্ঞান কীভাবে নিউরাল নেটওয়ার্কের আর্কিটেকচারে অন্তর্ভুক্ত করা যায়। ভাষা পরিবার এক ধরনের রেগুলারাইজার হিসেবে কাজ করে: এটি মডেলের উপর একটি অর্থবহ কাঠামো চাপিয়ে দেয় এবং তাকে অসংখ্য পৃথক ভাষায় 'ছড়িয়ে পড়তে' দেয় না।
সম্ভবত, পরবর্তী পদক্ষেপ হবে আরও সূক্ষ্ম শ্রেণিবিন্যাস। প্রথমে পরিবারের জন্য একটি কানেক্টর, তারপর শাখা বা গোষ্ঠীর সাথে অভিযোজন, এবং সবশেষে — নির্দিষ্ট ভাষার সাথে। এই পদ্ধতি সম্ভাব্যভাবে শত শত ভাষায় স্কেল করা যেতে পারে, যার মধ্যে কম-সম্পদযুক্ত ভাষাও রয়েছে। কাজটি ইতিমধ্যে কঠোর নির্বাচন পেরিয়ে মূল সম্মেলন EACL'26-এ গৃহীত হয়েছে — এটি একটি লক্ষণ যে দিকটি বৈজ্ঞানিক সম্প্রদায়ের কাছে তাৎপর্যপূর্ণ হিসেবে স্বীকৃত।
শেষ পর্যন্ত, বহুভাষিক স্পিচ রিকগনিশন তখনই উপকৃত হয়, যখন ইঞ্জিনিয়াররা পুরোনো ভালো ভাষাতত্ত্বের কথা মনে রাখে। ভাষার সম্পর্ক — রেফারেন্স বইয়ের একটি আনুষ্ঠানিকতা নয়, বরং দরকারি ডেটার একটি শক্তিশালী উৎস, যা আগে আধুনিক স্পিচ সিস্টেমের বাইরে থেকে যেত।
