যুক্তরাষ্ট্রের ক্যালিফোর্নিয়ায় গুগল তাদের নতুন এআই অডিও মডেল ‘জেমিনাই ৩.৫ ট্রান্সক্রাইব’ উন্মোচন করেছে, যা অগোছালো কথাবার্তাকে সুবিন্যস্ত টেক্সটে রূপান্তর করতে সক্ষম বলে প্রতিষ্ঠানটি জানিয়েছে। গুগলের দাবি, এই নতুন মডেলটি আগের যেকোনো সংস্করণের চেয়ে অধিক নির্ভুল এবং ৮৫টিরও বেশি ভাষা শনাক্ত করতে পারে। এই প্রযুক্তির মাধ্যমে ব্যবহারকারীরা তাদের স্বাভাবিক কথোপকথনকে সরাসরি ফরম্যাট করা টেক্সটে পরিণত করতে পারবেন।
নতুন এই মডেলের বিশেষত্ব হলো এটি কথা বলার সময় ব্যবহৃত অপ্রয়োজনীয় শব্দ বা ফিলার ওয়ার্ড বাদ দিয়ে তথ্যকে পরিচ্ছন্নভাবে উপস্থাপন করে। এছাড়া এটি ব্যবহারকারীর নিজস্ব শব্দভাণ্ডার, বানানরীতি এবং আলফানিউমেরিক কোড বা পোস্টাল কোডও নিখুঁতভাবে ধরতে পারে। মডেলটি প্রাক-রেকর্ড করা অডিও থেকে তিনজন আলাদা বক্তার কথা শনাক্ত করতে এবং ওয়ার্ড-লেভেল টাইমস্ট্যাম্প প্রদান করতে সক্ষম, যা পডকাস্ট ট্রান্সক্রাইব করার ক্ষেত্রে কার্যকর ভূমিকা রাখবে।
গুগল জানিয়েছে, জেমিনাই ৩.৫ ট্রান্সক্রাইব ইতিমধ্যে পিক্সেল ১১ সিরিজের স্মার্টফোনের র্যাম্বলার ফিচার এবং ম্যাকওএস-এর জেমিনাই অ্যাপে যুক্ত করা হয়েছে। এছাড়া খুব শিগগিরই ক্রোম ব্রাউজারের যেকোনো ওয়েব ফিল্ডে এই স্পিচ-টু-টেক্সট প্রযুক্তি ব্যবহার করা যাবে। ফলে ব্যবহারকারীরা টাইপ না করেই সরাসরি কণ্ঠস্বরের মাধ্যমে যেকোনো রিপ্লাই বা পোস্ট লিখতে পারবেন।
প্রতিষ্ঠানটির প্ল্যাটফর্ম গুগল অ্যান্টিগ্রাভিটি, ডকস, কিপ, জিমেইল এবং সার্চ লাইভেও এই প্রযুক্তি যুক্ত করা হচ্ছে। ডেভেলপাররা এপিআই-এর মাধ্যমে এই মডেলটি ব্যবহারের সুযোগ পাবেন বলে গুগল নিশ্চিত করেছে।