ডিপমাইন্ড থেকে সাইন-ল্যাঙ্গুয়েজ অনুবাদ করবে পিক্সেল ফোন
বিশ্বজুড়ে সাত কোটিরও বেশি শ্রবণপ্রতিবন্ধী মানুষ প্রায় দুইশোটি ভিন্ন সাংকেতিক ভাষায় ভাব বিনিময় করেন।
স্মার্টফোনে দীর্ঘদিন ধরে ভয়েস-টু-টেক্সট বা মুখের কথাকে লেখায় রূপান্তরের সুবিধা থাকলেও এতদিন সাইন ল্যাঙ্গুয়েজ বা সাংকেতিক ভাষাকে টেক্সটে রূপান্তরের কোনো ব্যবস্থা ছিল না।
সেই সীমাবদ্ধতা দূর করতে পিক্সেল ১১ সিরিজের সঙ্গে কৃত্রিম বুদ্ধিমত্তা বা এআই স্টার্টআপ ‘ডিপমাইন্ড’-এর তৈরি নতুন ‘সাইন-ল্যাঙ্গুয়েজ-টু-টেক্সট’ মডেল উন্মোচন করেছে প্রযুক্তি জায়ান্ট গুগল।
প্রযুক্তি সংবাদের সাইট এনগ্যাজেট প্রতিবেদনে লিখেছে, এআই মডেলটিকে সরাসরি ভার্চুয়াল কিবোর্ড ‘জিবোর্ড’ ও ‘লাইভ ট্রান্সক্রাইব’ অ্যাপে যোগ করেছে গুগল।
ফলে বাক ও শ্রবণপ্রতিবন্ধী ব্যবহারকারীরা টাইপ করার পরিবর্তে স্বাভাবিকভাবে শারীরিক অঙ্গভঙ্গি বা সাংকেতিক ভাষার মাধ্যমে মেসেজ পাঠাতে, ওয়েব সার্চ করতে বা গুগলের চ্যাটবট জেমিনাইয়ের সঙ্গে যোগাযোগ করতে পারবেন।
ডিপমাইন্ড বলেছে, “শ্রবণপ্রতিবন্ধী ব্যক্তিদের মধ্যে সাইন ল্যাঙ্গুয়েজ ব্যবহার, কথা বলা, পড়া এবং লেখার দক্ষতা ও অভ্যাসে ভিন্নতা রয়েছে। ফলে সব মাধ্যমে তাদের জন্য সুযোগ উন্মুক্ত করা জরুরি।
“সাধারণ মানুষ যেমন ভয়েস টাইপিংয়ের সুবিধা পান, শ্রবণপ্রতিবন্ধী ব্যবহারকারীরাও একইভাবে এই প্রসেসিং প্রযুক্তির মাধ্যমে উপকৃত হবেন। এর মাধ্যমে বধির ও সাধারণ মানুষের মধ্যে যোগাযোগের ব্যবধান অনেকাংশে কমে আসবে।”
নতুন ‘সাইন-ল্যাঙ্গুয়েজ-টু-টেক্সট’ মডেলটিকে এক লাখ ঘণ্টারও বেশি সময়ের বহুভাষিক সাংকেতিক ভাষার ডেটাসেট দিয়ে প্রশিক্ষণ দিয়েছে গুগল। তবে এই ডেটাসেটের প্রায় চারভাগের একভাগই আমেরিকান সাইন ল্যাঙ্গুয়েজের।
এ কারণে উদ্বোধনী পর্যায়ে মডেলটি কেবল এএসএল থেকে ইংরেজিতে রূপান্তরের সুবিধা দেবে। তবে ভবিষ্যতে আরও একাধিক ভাষা ও ডিভাইসে এ ফিচার চালুর পরিকল্পনা রয়েছে গুগলের।
প্রযুক্তিটি কাজ করার ক্ষেত্রে ব্যবহারকারীর ব্যক্তিগত প্রাইভেসি সুরক্ষাকে সর্বোচ্চ গুরুত্ব দেওয়ার দাবি করেছে গুগল।
সিস্টেমটি কোনো সরাসরি ভিডিও সার্ভারে পাঠায় না; বরং ডিভাইসে থাকা আলাদা এক মডেলের মাধ্যমে মানুষের শারীরিক অঙ্গভঙ্গিকে জ্যামিতিক স্থানাঙ্ক বা ‘ওয়্যারফ্রেমে’ রূপান্তর করে। এরপর সেই সংরক্ষিত তথ্য গুগলের সার্ভারে স্থানান্তরিত হয়।
এ ছাড়া, পুরানো পদ্ধতির মতো মধ্যবর্তী সংকেত তৈরির ঝামেলা এড়িয়ে নতুন প্রযুক্তিটি ওয়্যারফ্রেম থেকে সরাসরি টেক্সটে অনুবাদ করতে পারে।
পুরানো পদ্ধতি নিয়ে ডিপমাইন্ড বলেছে, “এ পদ্ধতি ব্যবহার করলে সাংকেতিক ভাষার বিভিন্ন সমৃদ্ধ ও জটিল বৈশিষ্ট্য, যেমন হাতের স্পর্শহীন সূক্ষ্ম অঙ্গভঙ্গি বা স্থানিক কাঠামো সঠিকভাবে তুলে ধরা সম্ভব হয় না।
“সরাসরি ল্যান্ডমার্ক থেকে টেক্সটে রূপান্তরের ফলে শব্দভাণ্ডারের কৃত্রিম সীমাবদ্ধতা দূর হয়েছে ও ডেটা বেড়ে যাওয়ার সঙ্গে সঙ্গে অনুবাদের মান আরও উন্নত হচ্ছে।”
প্রাথমিক অবস্থায় কেবল আমেরিকান সাইন ল্যাঙ্গুয়েজ দিয়ে শুরু হলেও ডিপমাইন্ড বলেছে, এ প্রযুক্তিতে আরও কাজ করার সুযোগ রয়েছে। বিশ্বজুড়ে ৭ কোটিরও বেশি শ্রবণপ্রতিবন্ধী মানুষ প্রায় ২০০টি ভিন্ন সাংকেতিক ভাষায় ভাব বিনিময় করেন।
এসএলটুটি মডেলটিকে শুরু থেকেই একাধিক ভাষায় যৌথভাবে প্রশিক্ষণ দেওয়া হয়েছে, যাতে বিভিন্ন ভাষার ভেতরের মৌলিক কাঠামো এআই সহজেই অনুধাবন করতে পারে।