একটি স্পিচ ইঞ্জিন আলাদা আলাদা রেকর্ডিং জুড়ে ডজনখানেক ভাষা চিনতে পারে, তবু যখন একজন বক্তা বাক্যের মাঝখানে ভাষা বদলান, তখনও হোঁচট খেতে পারে। বহুভাষিক অডিও ট্রান্সক্রিপশনের জন্য তিনটি ভিন্ন প্রশ্ন করুন: মডেলটি কোন কোন ভাষা চিনতে পারে, এটি কীভাবে একটি ভাষা বেছে নেয়, এবং এটি কি একটি রেকর্ডিংয়ের ভেতরের ভাষা-বদল ধরে রাখে? শুধু বিজ্ঞাপিত ভাষার সংখ্যা এই তিনটির সব কটির উত্তর দিতে পারে না।
এই গাইড নির্দিষ্ট মডেল কনফিগারেশনের নথিভুক্ত আচরণ তুলনা করে এবং আপনাকে একটি ছোট টেস্ট দেয় যা মিস হওয়া ভাষা-বদল প্রকাশ করে। লাইভ ও রেকর্ড করা টুলের আরও বিস্তৃত তুলনার জন্য আমাদের বহুভাষিক ট্রান্সক্রিপশন গাইড দেখুন।
- ভাষা কভারেজ হলো মডেলের সমর্থিত সেট। এর মানে এই নয় যে প্রতিটি সংমিশ্রণ এক ফাইলে কাজ করবে।
- স্বয়ংক্রিয় ভাষা শনাক্তকরণ প্রতিটি বলা ভাষা ট্রান্সক্রাইব না করেও সম্ভাব্য বিকল্পগুলোর মধ্যে থেকে সবচেয়ে উপযুক্তটি বেছে নিতে পারে।
- কোড সুইচিং মানে ট্রান্সক্রিপ্টে ভাষা পরিবর্তন ধরে রাখা, বাক্যের ভেতরের পরিবর্তনসহ। নির্দিষ্ট মডেল ও সেটিং যাচাই করুন।
- নিজের রেকর্ডিংয়ে প্রতিটি ভাষা-বদলের স্থানে আউটপুট মাপুন; বিক্রেতার বেঞ্চমার্ক এই যাচাইয়ের বিকল্প নয়।
জিজ্ঞাসা করার জন্য তিনটি স্পেসিফিকেশন
কভারেজ উত্তর দেয় মডেলটি আদৌ কোনো ভাষা সমর্থন করে কি না। ডিটেকশন উত্তর দেয় একটি অনুরোধের জন্য সম্ভাব্য ভাষাগুলোর মধ্যে এটি কীভাবে বেছে নেয়। কোড সুইচিং উত্তর দেয় এটি সেই অনুরোধের ভেতরের পরিবর্তনগুলো অনুসরণ করতে পারে কি না। এগুলো আলাদা আচরণ, এবং মডেলের সংস্করণ বিক্রেতার নামের মতোই গুরুত্বপূর্ণ।
উদাহরণস্বরূপ, Google Cloud Speech-to-Text-এর স্বয়ংক্রিয় ভাষা শনাক্তকরণ গাইড সর্বোচ্চ তিনটি সম্ভাব্য ভাষা অনুমোদন করে এবং বলে যে সেবাটি সেই তালিকা থেকে সবচেয়ে উপযুক্ত ভাষা ব্যবহার করে। এখানে তিনটি মানে নির্বাচনের জন্য সম্ভাব্য ভাষা; এর মানে এই নয় যে তিনটিই এক ট্রান্সক্রিপ্টে সঠিকভাবে দেখা যাবে। Google-এর পৃষ্ঠাটি এই ফিচারকে নির্দিষ্ট মডেল ও অঞ্চলে সীমাবদ্ধও করে।
মডেল ডকুমেন্টেশন আসলে কী বলে
| মডেল বা সেটিং | নথিভুক্ত আচরণ | যে প্রশ্নটি পরীক্ষা করতে হবে |
|---|---|---|
| ওপেন-সোর্স Whisper ডিফল্ট ট্রান্সক্রিপশন | কোনো ভাষা দেওয়া না থাকলে প্রথম 30 সেকেন্ড পর্যন্ত থেকে একটি ভাষা শনাক্ত করে, তারপর ডিকোডিংয়ের জন্য সেই ভাষাই ব্যবহার করে। | ফাইলের পরে ভাষা বদলালে কী হয়? |
| Google Cloud Speech-to-Text V2 স্বয়ংক্রিয় শনাক্তকরণ | সর্বোচ্চ তিনটি সম্ভাব্য ভাষার মধ্যে থেকে সবচেয়ে উপযুক্ত ভাষা নির্বাচন করে। এটি ভাষা নির্বাচন, প্রকাশিত কোড-সুইচিং গ্যারান্টি নয়। | আউটপুট কি ভাষা-বদলের স্থানে উভয় ভাষাই ধরে রাখে? |
| AssemblyAI কোড-সুইচিং কনফিগারেশন | এর নথিভুক্ত ম্যানুয়াল ভাষা-কোড সেটিং সর্বোচ্চ দুইটি কোড গ্রহণ করে, যার একটি ইংরেজি; এর স্বয়ংক্রিয় কোড-সুইচিং সেটিং সর্বোচ্চ দুইটি শনাক্ত করতে পারে। | আপনার নির্বাচিত মডেল ও ভাষা-জোড়া কি এই কনফিগারেশনে অন্তর্ভুক্ত? |
| AssemblyAI Universal-3.5 Pro | 18টি সমর্থিত ভাষাজুড়ে নেটিভ কোড সুইচিং নথিভুক্ত করে। 18 সমর্থিত সেটকে বোঝায়, প্রতি ফাইলে ঘোষিত সর্বোচ্চ সীমা নয়। | আপনার ক্লিপের সব ভাষা কি ওই 18টির মধ্যে আছে, এবং ভাষা-বদল কতটা সঠিক? |
| Deepgram Nova-2 বহুভাষিক | নথিভুক্ত বহুভাষিক মোড ইংরেজি ও স্প্যানিশ কোড সুইচিং সমর্থন করে। | আপনার রেকর্ডিং কি এই নির্দিষ্ট জোড়া ও মোড ব্যবহার করে? |
| Deepgram Nova-3 বহুভাষিক | Deepgram language=multi সহ দশটি ভাষার একটি সেট জুড়ে কোড সুইচিং নথিভুক্ত করে। দশটি হলো মডেলের ভাষা-সেট, প্রতি রেকর্ডিংয়ে ভাষার প্রকাশিত সর্বোচ্চ সংখ্যা নয়। | কনফিগার করা মোড কি আপনার লক্ষ্য ভাষাগুলোর ছোট ভাষা-বদল ধরে রাখে? |
এই সারিগুলো বিভিন্ন ধরনের সীমা বর্ণনা করে। এগুলোর সংখ্যাগুলোকে একই জিনিস মাপছে ভেবে সাজাবেন না। বিশেষ করে, Google-এর সম্ভাব্য ভাষার সংখ্যা এবং Universal-3.5 Pro ও Nova-3-এর সমর্থিত সেটগুলো প্রতি-ফাইল তুলনাযোগ্য সীমা নয়। OpenAI-এর হোস্টেড ফাইল ট্রান্সক্রিপশন APIও ওপরে লিঙ্ক করা ওপেন-সোর্স Whisper কোড থেকে আলাদা একটি পণ্য; এর বর্তমান মডেল আলাদাভাবে পরীক্ষা করুন।
মিশ্র-ভাষার রেকর্ডিং কীভাবে পরীক্ষা করবেন
- একটি রেফারেন্স ক্লিপ তৈরি করুন। বাস্তব বক্তাদের দিয়ে দুই মিনিট রেকর্ড করুন। প্রতিটি লক্ষ্য ভাষা, কয়েকটি ভাষা-বদল, বাক্যের মাঝখানে একটি ভাষা-বদল, এবং আপনার দলের জন্য গুরুত্বপূর্ণ নামগুলো অন্তর্ভুক্ত করুন।
- একটি ম্যানুয়াল রেফারেন্স ট্রান্সক্রিপ্ট রাখুন। প্রতিটি ভাষা পরিবর্তন ও সঠিক বিশেষ্য চিহ্নিত করুন, যাতে ঠিক কী মিস হয়েছে তা দেখতে পারেন।
- একই প্রোডাকশন সেটিং ব্যবহার করুন। মডেলের সংস্করণ পিন করুন এবং বিক্রেতার নথিভুক্ত বহুভাষিক বা কোড-সুইচিং মোড চালু করুন। ফলাফলের সঙ্গে অনুরোধের সেটিং সংরক্ষণ করুন।
- প্রতিটি ভাষা-বদলের স্থান পড়ুন। বাদ পড়া শব্দ, ভুল স্ক্রিপ্টে পুনর্লিখিত শব্দ, আপনি ট্রান্সক্রিপশন চেয়েছিলেন অথচ অনুবাদ হয়েছে কি না, এবং বক্তৃতার পেছনে পড়ে থাকা ভাষা-লেবেল খুঁজুন।
- আপনার সবচেয়ে কঠিন জোড়া দিয়ে আবার করুন। আপনার বাস্তব রেকর্ডিংয়ে যদি সেই শর্তগুলো থাকে তবেই নয়েজ বা তৃতীয় ভাষা যোগ করুন। একই রেফারেন্সের সঙ্গে ফলাফল তুলনা করুন, এবং গুরুত্বপূর্ণ ব্যবহারের জন্য মানব পর্যালোচনার ব্যবস্থা করুন।
বিক্রেতার নির্ভুলতার সংখ্যা ভিন্ন ভাষা, বক্তা, এবং স্কোরিং নিয়ম ব্যবহার করতে পারে। এই পদ্ধতি আপনাকে বলে দেয় এর আউটপুট আপনার অডিওর জন্য কাজ করে কি না। আপনার ওয়ার্কফ্লোতে যদি অনুবাদও লাগে, আমাদের অনুবাদ টুলস গাইড সেই আলাদা ধাপটি কভার করে।
MirrorCaption কোথায় মানায়
MirrorCaption-এর লাইভ পথ কথোপকথনের সময় ক্যাপশন ও অনুবাদের জন্য তৈরি। বর্তমান ক্লায়েন্ট ভাষা শনাক্তকরণ সক্রিয় রেখে ভাষার ইঙ্গিত পাঠায়; একমুখী অনুবাদ কনফিগার করা সেবার সমর্থিত শনাক্ত উৎস ভাষা গ্রহণ করতে পারে। স্বয়ংক্রিয় শনাক্তকরণ কোনো অসমর্থিত ভাষার জন্য সমর্থন যোগ করে না। সেই কনফিগারেশন প্রতিটি ভাষা-জোড়া বা প্রতিটি বাক্য-মধ্যবর্তী ভাষা-বদলের জন্য মাপা গ্যারান্টি নয়। এর ওপর নির্ভর করার আগে আপনার বাস্তব বক্তাদের নিয়ে একটি লাইভ সেশন পরীক্ষা করুন। আমাদের বহুভাষিক কল-সেন্টার গাইড লাইভ ওয়ার্কফ্লো কভার করে।
বর্তমান ফাইল-আপলোড UI একটি নির্বাচিত উৎস-ভাষার ইঙ্গিত পাঠায়। লাইভ কনফিগারেশন থেকে ধরে নেবেন না যে আপলোড করা রেকর্ডিং একই বহুভাষিক হ্যান্ডলিং পায়। একাধিক ভাষাসহ একটি সম্পূর্ণ রেকর্ডিংয়ের জন্য, আপলোডের ফলাফল পরীক্ষা করুন এবং গুরুত্বপূর্ণ অংশ মিস হলে বিশেষজ্ঞ কোড-সুইচিং সেবা বা মানব পর্যালোচনা ব্যবহার করুন।
প্রতিটি নতুন অ্যাকাউন্টে একবারের জন্য একটি বিনামূল্যের ঘণ্টা অন্তর্ভুক্ত থাকে, কোনো ক্রেডিট কার্ড ছাড়াই। বর্তমান Annual plan হলো বছরে 110 ঘণ্টার জন্য €54.99; কেনার আগে বর্তমান মূল্য দেখুন।
প্রায়শই জিজ্ঞাসিত প্রশ্ন
99টি ভাষার একটি তালিকা কি মানে একটি রেকর্ডিংয়ে 99টিই থাকতে পারে?
না। সমর্থিত ভাষার তালিকা বলে দেয় কোন ভাষাগুলো একটি মডেল চিনতে পারে। একটি রেকর্ডিংয়ের ভেতরে স্বয়ংক্রিয় শনাক্তকরণ ও কোড সুইচিংয়ের জন্য আলাদা ডকুমেন্টেশন দেখুন।
তিনটি সম্ভাব্য ভাষা নির্বাচন করা কি কোড সুইচিংয়ের সমান?
না। Google Cloud Speech-to-Text-এর ডকুমেন্টেশন বলে যে এর স্বয়ংক্রিয় শনাক্তকরণ সর্বোচ্চ তিনটি সম্ভাব্য ভাষার মধ্যে থেকে সবচেয়ে উপযুক্ত ভাষা নির্বাচন করে। সেই সেটিং মিশ্র-ভাষার ট্রান্সক্রিপ্টের প্রতিশ্রুতি দেয় না।
ওপেন-সোর্স Whisper কি স্বয়ংক্রিয়ভাবে ভাষা-বদল অনুসরণ করতে পারে?
ডিফল্ট Whisper ট্রান্সক্রিপশন পথ প্রথম 30 সেকেন্ড পর্যন্ত ব্যবহার করে একটি ভাষা শনাক্ত করে এবং ডিকোডিংয়ের জন্য সেই পছন্দ ব্যবহার করে। ফাইলের মাঝখানে স্বয়ংক্রিয় ভাষা-বদল ধরে নেবেন না; একটি মিশ্র-ভাষার ক্লিপ পরীক্ষা করুন বা ইচ্ছাকৃতভাবে সেটিকে ভাগ করুন।
MirrorCaption কি বহুভাষিক রেকর্ডিং সামলাতে পারে?
MirrorCaption লাইভ সেশন ভাষা শনাক্তকরণ ও ভাষার ইঙ্গিত ব্যবহার করে। বর্তমান ফাইল-আপলোড UI একটি নির্বাচিত উৎস-ভাষার ইঙ্গিত পাঠায়। মিশ্র-ভাষার আপলোড আউটপুটের ওপর নির্ভর করার আগে একটি প্রতিনিধিত্বমূলক রেকর্ডিং পরীক্ষা করুন।
মডেলকে দাবিটি প্রমাণ করতে দিন
আপনার বাস্তবে থাকা ভাষা-জোড়া ও ওয়ার্কফ্লোর জন্য একটি মডেল বেছে নিন। এর কোড-সুইচিং ডকুমেন্টেশন দেখুন, সঠিক সেটিং সংরক্ষণ করুন, এবং বাস্তব ভাষা-বদলের স্থানসহ একটি ক্লিপ পরীক্ষা করুন। দীর্ঘ ভাষার তালিকা কেবল একটি প্রাথমিক ফিল্টার; ট্রান্সক্রিপ্ট নিজেই কেনার প্রমাণ।
একটি লাইভ বহুভাষিক সেশন চেষ্টা করুন
আপনার নিজের বক্তা ও ভাষা-জোড়া ব্যবহার করুন। আপনার প্রথম ঘণ্টা বিনামূল্যে।
বিনামূল্যে শুরু করুন