প্রোডাকশন-গ্রেড ভয়েস AI-এর জন্য শুধু স্পিচ সংগ্রহই যথেষ্ট নয়

কিউতাই ওপেন ভয়েস এবং মাল্টিমোডাল AI-এর সীমানা প্রসারিত করছিল, যার মধ্যে রিয়েল-টাইম কথোপকথন মডেল এবং উন্নত স্পিচ জেনারেশন অন্তর্ভুক্ত ছিল। ল্যাবটি যখন আবেগপূর্ণ টেক্সট-টু-স্পিচের দিকে অগ্রসর হচ্ছিল, তখন উপলভ্য ডেটাসেটগুলো একটি সীমাবদ্ধতা তৈরি করে। সাধারণ স্পিচ ডেটাবেসগুলো বোধগম্যতা সমর্থন করতে পারলেও, স্বাভাবিক শোনায় এমন কণ্ঠস্বর তৈরি করার জন্য প্রয়োজনীয় আবেগের সূক্ষ্মতা, কথোপকথনের বৈচিত্র্য এবং বহুভাষিক সামঞ্জস্যের প্রায়শই অভাব ছিল।

ডেটাসেটগুলো তৈরি করার ফলে কার্যপরিচালনাগত জটিলতা উল্লেখযোগ্যভাবে বেড়ে গিয়েছিল। বক্তাদের বিভিন্ন আবেগ ও বাচনভঙ্গি প্রকাশের পাশাপাশি প্রতিটি সেশনে তাদের পরিচয় ও রেকর্ডিংয়ের মান সামঞ্জস্যপূর্ণ রাখতে হতো। ট্রান্সক্রিপ্ট, আবেগের লেবেল, বাচন-বহির্ভূত ঘটনা, উচ্চারণ এবং মেটাডেটাকেও বিভিন্ন ভাষা ও রেকর্ডিং ব্যাচের মধ্যে নির্ভুল রাখতে হতো। কার্যক্রমের পরিধি বাড়াতে, কিউতাই-এর এমন একটি নিয়ন্ত্রিত উৎপাদন প্রক্রিয়া প্রয়োজন ছিল যা ধারাবাহিকভাবে ভাবপ্রকাশক বহুভাষিক ডেটা তৈরি করতে সক্ষম।

বহুভাষিক ভয়েস ডেটার জন্য একটি একীভূত প্রোডাকশন পাইপলাইন তৈরি করা

Kyutai Uber AI Solutions-এর সঙ্গে অংশীদারিত্ব করেছে, যাতে রেকর্ডিং, ট্রান্সক্রিপশন, অ্যানোটেশন এবং QA আলাদাভাবে পরিচালনা না করে, একটি সমন্বিত ব্যবস্থার মাধ্যমে ভয়েস ডেটা তৈরির কার্যক্রম চালানো যায়।

UAIS ফরাসি, ব্রাজিলিয়ান পর্তুগিজ, ইউরোপীয় এবং লাতিন আমেরিকান স্প্যানিশ, এবং জার্মান ভাষায় বহু-ভাষিক রেকর্ডিং প্রোগ্রাম সমন্বয় করেছে। ভয়েস ট্যালেন্টরা গঠিত নির্দেশনা পেয়েছে, যা তাদের আবেগপ্রবণতা ও স্বরভঙ্গির পরিসর বাড়ানোর জন্য তৈরি করা হয়েছে—এর মধ্যে সহানুভূতিশীল, ব্যঙ্গাত্মক, রাগান্বিত, দুঃখিত, কান্নারত এবং অন্যান্য উচ্চ-তীব্রতার বক্তব্যের ধরন অন্তর্ভুক্ত।

এই কার্যপ্রবাহে AI-সহায়ক ট্রান্সক্রিপশন মানব যাচাইয়ের সাথে একত্রিত করা হয়েছিল, যাতে হুবহু ট্রান্সক্রিপ্ট, আবেগের লেবেল, অ-ভাষিক ঘটনা এবং অন্যান্য মেটাডেটা অন্তর্ভুক্ত থাকে। মানসম্মত গুণগত মানদণ্ড বক্তা ও রেকর্ডিং ব্যাচ জুড়ে প্রয়োগ করা হয়েছে, ফলে QA উৎপাদনের একটি ধারাবাহিক অংশ হয়ে উঠেছে, শুধুমাত্র চূড়ান্ত পর্যায়ের একটি চেকপয়েন্ট নয়।

এই পরিচালন মডেলটি কিউটাই-কে ধারাবাহিকতা বজায় রাখতে সহায়তা করেছে, কারণ প্রোগ্রামটি বিভিন্ন ভাষা, বক্তা এবং ক্রমবর্ধমান সূক্ষ্ম কণ্ঠস্বরের চাহিদার মধ্যে বিস্তৃত হয়েছে।

এক্সপ্রেসিভ বহু-ভাষিক TTS-এর জন্য একটি বিস্তারিত ডেটাসেট প্রদান করা হচ্ছে

এই উদ্যোগটি Kyutai-এর অভিব্যক্তিপূর্ণ TTS চাহিদার জন্য উপযোগী বহুভাষিক প্রশিক্ষণ ডেটার একটি সংগঠিত উৎস তৈরি করেছে।

ডেটাসেটটির বাইরেও, এই সহযোগিতার মাধ্যমে বিভিন্ন ভাষা প্রোগ্রামে মেধা ব্যবস্থাপনা, রেকর্ডিংয়ের মান, অ্যানোটেশন এবং গ্রহণযোগ্যতার মানদণ্ড নির্ধারণের জন্য একটি পুনরাবৃত্তিযোগ্য প্রক্রিয়া প্রতিষ্ঠিত হয়েছে। এই ভিত্তিটি মডেল প্রশিক্ষণে ডেটা প্রবেশের আগেই পরিবর্তনশীলতা হ্রাস করেছে এবং প্রয়োজন অনুযায়ী ভবিষ্যতের স্পিচ ডেটাসেট তৈরির জন্য কিউতাইকে আরও সামঞ্জস্যপূর্ণ একটি উপায় দিয়েছে।