ভয়েস সিন্থেসিসের প্রশিক্ষণ ডেটা: ১০, ৫ ও ৩ ঘণ্টার তুলনা—তিন ভাষার TTS-এ প্রায় কোনো পার্থক্য নেই
ক্রোয়েশীয় ভাষার ভয়েস সিন্থেসিস মডেল-এর পরের পর্ব। এবার একটি ছোট মডেলকে ক্রোয়েশীয়, জাপানি ও ইংরেজি—এই ৩টি ভাষায় কথা বলিয়েছি। এরপর, “প্রতিটি ভাষার জন্য ১০ ঘণ্টা, ৫ ঘণ্টা ও ৩ ঘণ্টার প্রশিক্ষণ ডেটায় কতটা পার্থক্য হয়”—তা তুলনা করে দেখেছি।
আগে উপসংহার বলি।
- প্রতিটি ভাষায় ১০ ঘণ্টা, ৫ ঘণ্টা বা ৩ ঘণ্টা—শেষ পর্যন্ত প্রায় কোনো পার্থক্যই ছিল না। সেরা সময়ের অক্ষর-ত্রুটির হার তিনটিতেই ছিল ০.৭% (৩২টি বাক্যের মধ্যে ২৮টিই সম্পূর্ণ মিলে গেছে)
- প্রশিক্ষণের অগ্রগতিও প্রায় একই। সব ক্ষেত্রেই জাপানি ও ইংরেজি ৩,০০০–৫,০০০ স্টেপে, আর ক্রোয়েশীয়ও ১০,০০০ স্টেপে প্রায় স্ক্রিপ্টমতো পড়তে পেরেছে
- শুধু ৩ ঘণ্টার সংস্করণে, মাঝপথে “Bok!（হ্যালো）”-কে “Blok” পড়ার অভ্যাসটি কিছু সময় রয়ে গিয়েছিল। সেরা অবস্থায় স্থিতিশীল হতে একটু বেশি সময় লেগেছে
- বিশেষায়িত পরিভাষায় ভরা বাক্যেও কোনো পার্থক্য দেখা যায়নি। ১০ ঘণ্টার সংস্করণ শব্দভাণ্ডারে শক্তিশালী হবে ভেবে পরীক্ষা করেছিলাম, কিন্তু তিনটিই প্রায় একই ছিল
- বিশেষায়িত পরিভাষার ভুল উচ্চারণ তিনটি মডেলেই একই শব্দে একইভাবে দেখা গেছে। ইংরেজির ক্ষেত্রে, কারণটি মডেল নয়, বরং অক্ষরকে উচ্চারণ-চিহ্নে রূপান্তর করা অংশটি (অভিধান) ছিল
যা করেছি
মডেল：আগেরবারের মতোই Matcha-TTS (প্রায় ১ কোটি ৮৩ লাখ প্যারামিটার) এবং তরঙ্গরূপে ফিরিয়ে আনার জন্য Vocos (প্রায় ১ কোটি ৩৫ লাখ প্যারামিটার)। বক্তা ছিলেন ২০-এর কোঠার একজন পুরুষ।
৩টি ভাষায় চালানোর কৌশল：মডেলের ইনপুট হিসেবে ৩টি ভাষার জন্য অভিন্ন উচ্চারণ-চিহ্ন (IPA) ব্যবহার করেছি। “ʦ”, “ʨ”-এর মতো ভাষাভেদে একই ধ্বনি হলে একই চিহ্ন ভাগাভাগি করা হয়। কোন ভাষায় কথা বলবে, তা নির্দিষ্ট করতে মূলত বক্তা বদলানোর জন্য ব্যবহৃত নম্বরটিকেই “ভাষার নম্বর” হিসেবে ব্যবহার করা হয়েছে।
- ক্রোয়েশীয়：প্রায় যেমন লেখা হয় তেমনই পড়া হয় বলে, অক্ষরকে এক-এক করে উচ্চারণ-চিহ্নে বদলালেই হয়
- জাপানি：OpenJTalk দিয়ে পঠন ও অ্যাকসেন্ট বের করে, যেখানে স্বরের উচ্চতা ওঠে ও নামে সেখানে চিহ্ন দিয়েছি
- ইংরেজি：g2p_en (CMU উচ্চারণ অভিধান এবং অভিধানে নেই এমন শব্দের উচ্চারণ অনুমান করার একটি ছোট মডেল) দিয়ে উচ্চারণ-চিহ্নে রূপান্তর করেছি
প্রশিক্ষণ ডেটা：একই পুরুষ কণ্ঠে ৩টি ভাষার কথোপকথনের সংলাপ পড়া অডিও। বক্তৃতা শনাক্তকরণের মাধ্যমে স্ক্রিপ্টের সঙ্গে মিলিয়ে ভুল পড়া বাদ দেওয়ার পরের পরিমাণ ছিল ক্রোয়েশীয় ৯.৪ ঘণ্টা, জাপানি ৯.৭ ঘণ্টা, ইংরেজি ৮.৩ ঘণ্টা (মোট প্রায় ২৭ ঘণ্টা)। একে “১০ ঘণ্টার সংস্করণ” বলছি।
এখান থেকে প্রতিটি ভাষার ঠিক ৫ ঘণ্টা করে (মোট ১৫ ঘণ্টা) এলোমেলোভাবে বেছে নেওয়াটি “৫ ঘণ্টার সংস্করণ”, আর ৩ ঘণ্টা করে (মোট ৯ ঘণ্টা, প্রায় ৫,৮০০টি) নেওয়াটি “৩ ঘণ্টার সংস্করণ”। বাকি সব সেটিংস (মডেলের আকার, ব্যাচ সাইজ, ৬০,০০০ স্টেপ) একই রেখেছি। স্টেপের সংখ্যা একই হওয়ায়, ডেটা যত কম, একই অডিও তত বেশি বার দেখা হয় (৩ ঘণ্টার সংস্করণে ১০ ঘণ্টার সংস্করণের প্রায় ৩ গুণ)।
একটি RTX 4090 দিয়ে প্রশিক্ষণ চালিয়েছি, এবং প্রতিবার ৬ থেকে সাড়ে ৮ ঘণ্টা লেগেছে।
প্রশিক্ষণ চলাকালীন কণ্ঠের তুলনা
প্রশিক্ষণ ডেটায় নেই এমন নিচের বাক্যগুলো প্রশিক্ষণরত মডেল দিয়ে সংশ্লেষ করেছি।
- ইংরেজি：Tomorrow we're going to the seaside, and the day after we'll visit my grandma in Split.
- জাপানি：আগামীকাল সমুদ্রে যাব, আর পরশু দাদির বাড়িতে বেড়াতে যাওয়ার পরিকল্পনা আছে।
- ক্রোয়েশীয়：Sutra idemo na more, a prekosutra ćemo posjetiti baku u Splitu.
বাম থেকে ১০ ঘণ্টার সংস্করণ, ৫ ঘণ্টার সংস্করণ, ৩ ঘণ্টার সংস্করণ।
| ধাপ | ১০ ঘণ্টার সংস্করণ | ৫ ঘণ্টার সংস্করণ | ৩ ঘণ্টার সংস্করণ |
|---|---|---|---|
| 1,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 2,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 3,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 4,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 5,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 10,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 20,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 30,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 40,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 50,000 | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
শুনে মনে হয়েছে, 1,000 স্টেপে সবকটিই এখনও অস্পষ্ট। তবে ইংরেজিতে কী বলা হচ্ছে, তা মোটামুটি বোঝা যায়। জাপানিতে সংস্করণভেদে পার্থক্য ছিল: 5-ঘণ্টার সংস্করণটি 1,000 স্টেপেই এই বাক্যটি হুবহু সঠিকভাবে লিপ্যন্তর করেছে। অন্যদিকে, 10-ঘণ্টার সংস্করণে এসেছে 「お世話になってみてください」, আর 3-ঘণ্টার সংস্করণে 「明日までのメディックで…」—অর্থাৎ সম্পূর্ণ ভিন্ন বাক্য।
3,000–5,000 স্টেপে জাপানি ও ইংরেজি সব মডেলই স্ক্রিপ্টমতো পড়তে পারে। ক্রোয়েশীয় ভাষায় কিছুটা দেরি হয়েছিল: শুরুতে থাকা 「Sutra（আগামীকাল）」 শব্দটি 「Sve」, 「Straj」, 「Satra」 ইত্যাদি হিসেবে শোনা যাওয়ার প্রবণতা প্রায় 5,000–10,000 স্টেপ পর্যন্ত ছিল। 20,000 স্টেপের পর থেকে শুনে তিনটির পার্থক্য প্রায় বোঝাই যায়নি।
সংখ্যায় দেখা
মূল্যায়নের জন্য ব্যবহৃত বাক্যগুলো (ক্রোয়েশীয় 14টি, জাপানি 9টি, ইংরেজি 9টি—সবই প্রশিক্ষণ ডেটার বাইরে) Whisper large-v3 দিয়ে লিপ্যন্তর করে স্ক্রিপ্টের সঙ্গে অক্ষর-ত্রুটির হার (CER) মাপা হয়েছে। জাপানির ক্ষেত্রে লেখার ভিন্নতার কারণে (যেমন 「あさって」 ও 「明後日」) যেন ভুল হিসেবে গণ্য না হয়, সে জন্য আগে কাতাকানার উচ্চারণে রূপান্তর করে তুলনা করা হয়েছে।
প্রথমে তিন ভাষার মোট 32টি বাক্যের গড়। বন্ধনীর মধ্যে সম্পূর্ণ মিলের সংখ্যা।
| স্টেপ | 10-ঘণ্টার সংস্করণ | 5-ঘণ্টার সংস্করণ | 3-ঘণ্টার সংস্করণ |
|---|---|---|---|
| 1,000 | 43.8%（2） | 41.9%（2） | 43.8%（1） |
| 2,000 | 16.6%（7） | 17.7%（12） | 17.6%（9） |
| 3,000 | 7.7%（16） | 6.2%（16） | 9.9%（14） |
| 4,000 | 5.9%（21） | 3.7%（19） | 2.7%（25） |
| 5,000 | 2.1%（23） | 3.3%（20） | 4.5%（23） |
| 10,000 | 1.4%（24） | 1.1%（23） | 1.7%（24） |
| 15,000 | 0.8%（26） | 0.7%（26） | 2.0%（24） |
| 20,000 | 0.7%（27） | 0.8%（26） | 0.9%（25） |
| 30,000 | 0.7%（28） | 0.8%（26） | 1.7%（26） |
| 40,000 | 1.2%（25） | 1.7%（26） | 0.7%（26） |
| 45,000 | 3.9%（25） | 0.7%（28） | 0.7%（27） |
| 50,000 | 0.7%（28） | 0.7%（26） | 0.7%（28） |
| 60,000 | 1.8%（26） | 0.8%（27） | 1.9%（25） |
ভাষাভেদে দেখলে এমন হয় (ক্রোয়েশীয় / জাপানি / ইংরেজি)।
| স্টেপ | 10-ঘণ্টার সংস্করণ | 5-ঘণ্টার সংস্করণ | 3-ঘণ্টার সংস্করণ |
|---|---|---|---|
| 5,000 | 2.8 / 1.2 / 1.8% | 6.5 / 1.2 / 0.3% | 2.0 / 1.8 / 11.1% |
| 10,000 | 2.2 / 1.2 / 0.3% | 1.7 / 1.2 / 0.3% | 2.9 / 1.2 / 0.3% |
| 20,000 | 0.8 / 1.2 / 0.0% | 0.9 / 1.2 / 0.0% | 0.8 / 1.8 / 0.3% |
| 30,000 | 0.7 / 1.2 / 0.0% | 1.1 / 1.2 / 0.0% | 3.2 / 1.2 / 0.0% |
| 50,000 | 0.7 / 1.2 / 0.0% | 0.9 / 1.2 / 0.0% | 0.7 / 1.2 / 0.0% |
- সেরা ফল ছিল: 10-ঘণ্টার সংস্করণে 30,000 ও 50,000 স্টেপে, 5-ঘণ্টার সংস্করণে 45,000 স্টেপে, এবং 3-ঘণ্টার সংস্করণে 50,000 স্টেপে। সব ক্ষেত্রেই সামগ্রিক হার 0.7%, 32টির মধ্যে 28টি বাক্য সম্পূর্ণ মিলে গেছে—অর্থাৎ তিনটিই একই জায়গায় পৌঁছেছে
- মাঝপথে যেখানে সংখ্যাগুলো লাফ দিয়েছে, সেখানে প্রায় সব সময়ই পার্থক্য ছিল মাত্র একটি শব্দের। যেমন 「Bok!（হাই）」কে 「Bog」 এবং 「Hi!」কে 「Bye.」 হিসেবে শোনা হয়েছে। 1–2 শব্দের ছোট বাক্যে একটি অক্ষরের পার্থক্যেও ত্রুটির হার অনেক বেড়ে যায়
- 3-ঘণ্টার সংস্করণে 15,000–35,000 স্টেপে ক্রোয়েশীয় ভাষার হার 3%–এর ঘরে ছিল। ভেতরের ফল দেখলে, বেশিরভাগই একটি বাক্যে 「Bok!」কে 「Blok」 হিসেবে পড়ার কারণে। 50,000 স্টেপে সেটি ঠিক হয়ে গিয়েছিল। ডেটা কম হলে ছোট বাক্যের এই ধরনের অভ্যাস কাটতে সময় লাগে বলে মনে হয়
- জাপানির 1.2% প্রতিবারই কেবল একটি বাক্যের কারণে: 「しーっ、静かに。」-এর 「しーっ」কে 「し」 হিসেবে লিপ্যন্তর করা হয়েছে। দীর্ঘ স্বর কতটা লেখা হবে, এটি সেই বিষয়ের সমস্যা; শুনলে ঠিকই 「しーっ」 বলা হয়েছে
- ক্রোয়েশীয় ভাষায় যে ভুলগুলো বাকি আছে, সেগুলোর বেশিরভাগই লিপ্যন্তরকারীর অভ্যাস—যেমন 「prekosutra（পরশু）」কে 「preko sutra」 হিসেবে দুই শব্দে লেখা
10 ঘণ্টা, 5 ঘণ্টা ও 3 ঘণ্টার পার্থক্য ত্রুটির সীমার মধ্যেই ছিল। অন্তত “স্ক্রিপ্টমতো পড়তে পারে কি না”—এই বিচারে প্রতিটি ভাষার জন্য 3 ঘণ্টাই যথেষ্ট ছিল। তবে 3-ঘণ্টার সংস্করণটি স্থিতিশীল হতে বেশি সময় নিয়েছে, তাই 40,000 স্টেপের বেশি চালানো ভালো।
বিশেষায়িত পরিভাষায় ভরা বাক্য দিয়ে তুলনা
দৈনন্দিন কথোপকথনের জন্য ডেটা কম হলেও যথেষ্ট হতে পারে, কিন্তু প্রশিক্ষণ ডেটায় খুব কম আসা কঠিন শব্দের ক্ষেত্রে বেশি ডেটা কি বেশি কার্যকর হবে না? এই ভাবনা থেকে চিকিৎসা, IT, আইন, রসায়ন ও অর্থনীতির বিশেষায়িত পরিভাষায় ভরা 10টি বাক্য তৈরি করে তিন ভাষায় পড়ানো হয়েছে। সব মডেলেই 50,000 স্টেপের সংস্করণ ব্যবহার করা হয়েছে।
- মায়োকার্ডিয়াল ইনফার্কশনের সন্দেহ আছে, তাই অবিলম্বে করোনারি অ্যাঞ্জিওগ্রাফি ও থ্রম্বোলাইটিক থেরাপির প্রস্তুতি নিন।
- আমরা মায়োকার্ডিয়াল ইনফার্কশনের সন্দেহ করছি, তাই অনুগ্রহ করে অবিলম্বে করোনারি অ্যাঞ্জিওগ্রাফি ও থ্রম্বোলাইটিক থেরাপির প্রস্তুতি নিন।
- আমরা মায়োকার্ডিয়াল ইনফার্কশনের সন্দেহ করছি, তাই অবিলম্বে করোনারি অ্যাঞ্জিওগ্রাফি ও থ্রম্বোলাইটিক থেরাপির প্রস্তুতি নিন।
- এই অ্যালগরিদমটি কনভলিউশনাল নিউরাল নেটওয়ার্ক ও রিকারেন্ট নেটওয়ার্কের সমন্বয়ে গঠিত একটি কাঠামো।
- এই অ্যালগরিদমটি একটি কনভলিউশনাল নিউরাল নেটওয়ার্কের সঙ্গে একটি রিকারেন্ট আর্কিটেকচার যুক্ত করে।
- এই অ্যালগরিদমটি একটি কনভলিউশনাল নিউরাল নেটওয়ার্কের সঙ্গে একটি রিকারেন্ট আর্কিটেকচার যুক্ত করে।
- আসামিপক্ষের আইনজীবী প্রমাণ অবৈধভাবে সংগ্রহ করা হয়েছে—এই যুক্তিতে আপিল পর্যায়ে খালাস দাবি করেন।
- আসামির আইনজীবী প্রমাণের বেআইনি সংগ্রহের কথা উল্লেখ করে আপিলে খালাসের পক্ষে যুক্তি দেন।
- আসামির প্রতিরক্ষা আইনজীবী বেআইনিভাবে সংগৃহীত প্রমাণের কারণে আপিল কার্যক্রমে খালাসের রায় চেয়েছিলেন।
- সালোকসংশ্লেষণে ক্লোরোপ্লাস্টের থাইলাকয়েড ঝিল্লিতে ইলেকট্রন পরিবহন শৃঙ্খল কাজ করে এবং অ্যাডেনোসিন ট্রাইফসফেট সংশ্লেষিত হয়।
- সালোকসংশ্লেষণে ক্লোরোপ্লাস্টের থাইলাকয়েড ঝিল্লির ইলেকট্রন পরিবহন শৃঙ্খল অ্যাডেনোসিন ট্রাইফসফেট উৎপন্ন করে।
- সালোকসংশ্লেষণে ক্লোরোপ্লাস্টের থাইলাকয়েড ঝিল্লির ইলেকট্রন পরিবহন শৃঙ্খল অ্যাডেনোসিন ট্রাইফসফেট উৎপন্ন করে।
- কোয়ান্টাম এনট্যাংলমেন্ট ব্যবহারভিত্তিক ক্রিপ্টোগ্রাফিক কী বিতরণ নীতিগতভাবে যেকোনো আড়ি পাতার ঘটনা শনাক্ত করতে পারে।
- এনট্যাংলমেন্টভিত্তিক কোয়ান্টাম কী বিতরণ নীতিগতভাবে যেকোনো আড়ি পাতার ঘটনা শনাক্ত করতে পারে।
- এনট্যাংলমেন্টভিত্তিক কোয়ান্টাম কী বিতরণ নীতিগতভাবে যেকোনো আড়ি পাতার ঘটনা শনাক্ত করতে পারে।
- মূল্যস্ফীতির হার বাড়ায় কেন্দ্রীয় ব্যাংক নীতিগত সুদের হার বৃদ্ধি ও পরিমাণগত কঠোরীকরণের সিদ্ধান্ত নিয়েছে।
- ক্রমবর্ধমান মূল্যস্ফীতির প্রতিক্রিয়ায় কেন্দ্রীয় ব্যাংক সুদের হার বাড়ানো এবং পরিমাণগত কঠোরীকরণ শুরু করার সিদ্ধান্ত নিয়েছে।
- মূল্যস্ফীতি বৃদ্ধির কারণে কেন্দ্রীয় ব্যাংক সুদের হার বাড়ানো এবং পরিমাণগত কঠোরীকরণ শুরু করার সিদ্ধান্ত নিয়েছে।
- হাঁটুর অস্টিওআর্থ্রাইটিস রোগীদের ক্ষেত্রে হায়ালুরোনিক অ্যাসিডের অন্তঃসন্ধি ইনজেকশন ও ফিজিওথেরাপি একসঙ্গে প্রয়োগ করা হয়।
- হাঁটুর অস্টিওআর্থ্রাইটিস রোগীরা ফিজিওথেরাপির সঙ্গে অন্তঃসন্ধি হায়ালুরোনিক অ্যাসিড ইনজেকশন পান।
- হাঁটুর অস্টিওআর্থ্রাইটিস রোগীরা ফিজিওথেরাপির পাশাপাশি অন্তঃসন্ধি হায়ালুরোনিক অ্যাসিড ইনজেকশন পান।
- এই সেতুটিতে প্রেস্ট্রেসড কংক্রিটের গার্ডারের ওপর রিইনফোর্সড কংক্রিটের ডেক স্ল্যাব স্থাপিত।
- এই সেতুটি প্রেস্ট্রেসড কংক্রিটের গার্ডারের ওপর একটি রিইনফোর্সড কংক্রিটের ডেক বহন করে।
- এই সেতুটি প্রেস্ট্রেসড কংক্রিটের গার্ডারের ওপর একটি রিইনফোর্সড কংক্রিটের স্ল্যাব বহন করে।
- ক্রিপ্টোকারেন্সি এক্সচেঞ্জ একটি কনসেনসাস অ্যালগরিদমের মাধ্যমে বিতরণকৃত লেজারের অখণ্ডতা যাচাই করে।
- ক্রিপ্টোকারেন্সি এক্সচেঞ্জ একটি কনসেনসাস অ্যালগরিদম দিয়ে তার বিতরণকৃত লেজারের অখণ্ডতা যাচাই করে।
- ক্রিপ্টোকারেন্সি এক্সচেঞ্জ একটি কনসেনসাস অ্যালগরিদম দিয়ে বিতরণকৃত প্রধান খতিয়ানের অখণ্ডতা যাচাই করে।
- অ্যান্টিবায়োটিকের অতিরিক্ত ব্যবহার বহুঔষধ-প্রতিরোধী ব্যাকটেরিয়ার উদ্ভব ঘটায় এবং হাসপাতাল-অর্জিত সংক্রমণের ঝুঁকি বাড়ায়।
- অ্যান্টিবায়োটিকের অতিরিক্ত ব্যবহার বহুঔষধ-প্রতিরোধী ব্যাকটেরিয়ার সৃষ্টি করে এবং নোসোকোমিয়াল সংক্রমণের ঝুঁকি বাড়ায়।
- অ্যান্টিবায়োটিকের অতিরিক্ত ব্যবহার বহুঔষধ-প্রতিরোধী ব্যাকটেরিয়ার জন্ম দেয় এবং হাসপাতালজনিত সংক্রমণের ঝুঁকি বাড়ায়।
| বাক্য | ১০ ঘণ্টার সংস্করণ | ৫ ঘণ্টার সংস্করণ | ৩ ঘণ্টার সংস্করণ |
|---|---|---|---|
| 1. মায়োকার্ডিয়াল ইনফার্কশনের সন্দেহ রয়েছে, তাই অনুগ্রহ করে জরুরি ভিত্তিতে করোনারি অ্যাঞ্জিওগ্রাফি ও থ্রম্বোলাইটিক থেরাপির প্রস্তুতি নিন। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 2. এই অ্যালগরিদমটি কনভলিউশনাল নিউরাল নেটওয়ার্ক ও রিকারেন্ট নেটওয়ার্কের সমন্বয়ে গঠিত। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 3. আসামিপক্ষের আইনজীবী অবৈধভাবে প্রমাণ সংগ্রহের কারণ দেখিয়ে আপিল আদালতে খালাস দাবি করেন। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 4. সালোকসংশ্লেষণে ক্লোরোপ্লাস্টের থাইলাকয়েড ঝিল্লিতে ইলেকট্রন পরিবহন শৃঙ্খল কাজ করে এবং অ্যাডেনোসিন ট্রাইফসফেট সংশ্লেষিত হয়। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 5. কোয়ান্টাম এনট্যাংলমেন্ট ব্যবহার করে ক্রিপ্টোগ্রাফিক কী বিতরণের মাধ্যমে নীতিগতভাবেই আড়ি পাতা শনাক্ত করা যায়। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 6. কেন্দ্রীয় ব্যাংক মূল্যস্ফীতির হার বৃদ্ধির প্রেক্ষিতে নীতিগত সুদের হার বাড়ানো এবং পরিমাণগত সংকোচনের সিদ্ধান্ত নিয়েছে। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 7. হাঁটুর অস্টিওআর্থ্রাইটিসে আক্রান্ত রোগীদের ক্ষেত্রে হায়ালুরোনিক অ্যাসিডের অন্তঃসন্ধি ইনজেকশন ও ফিজিওথেরাপি একসঙ্গে প্রয়োগ করা হয়। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 8. এই সেতুটিতে প্রেস্ট্রেসড কংক্রিটের গার্ডার দিয়ে রিইনফোর্সড কংক্রিটের ডেক স্ল্যাবকে সমর্থন করা হয়েছে। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 9. ক্রিপ্টোকারেন্সি এক্সচেঞ্জগুলো সম্মতি-গঠন অ্যালগরিদম ব্যবহার করে বিকেন্দ্রীভূত খতিয়ানের অখণ্ডতা যাচাই করে। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
| 10. অ্যান্টিবায়োটিকের অতিরিক্ত ব্যবহার বহুঔষধ-প্রতিরোধী ব্যাকটেরিয়ার আবির্ভাব ঘটায় এবং হাসপাতাল-অর্জিত সংক্রমণের ঝুঁকি বাড়ায়। | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় | ইংরেজি জাপানি ক্রোয়েশীয় |
ফলাফল।
| ক্রোয়েশীয় | জাপানি | ইংরেজি | ৩০টি বাক্যের মধ্যে সম্পূর্ণ মিল | |
|---|---|---|---|---|
| ১০-ঘণ্টার সংস্করণ | 0.6% | 1.5% | 4.6% | 17 |
| ৫-ঘণ্টার সংস্করণ | 0.3% | 1.0% | 3.9% | 20 |
| ৩-ঘণ্টার সংস্করণ | 0.5% | 1.0% | 4.1% | 18 |
১০-ঘণ্টার সংস্করণটি বেশি শক্তিশালী—এমন ফল পাওয়া যায়নি। তিনটিই প্রায় সমান ছিল; বরং ৫-ঘণ্টার সংস্করণটি সামান্য ভালো। নিশ্চিত হওয়ার জন্য ১০-ঘণ্টার ও ৫-ঘণ্টার সংস্করণকে 60,000 স্টেপের মডেলেও মাপা হলে ফল উল্টে যায়: ১০-ঘণ্টার 1.9%, ৫-ঘণ্টার 2.0%। অর্থাৎ, এই পার্থক্যটি কাকতালীয় ওঠানামা, কোনটি এগিয়ে তা বলা যায় না। তবে শুধু ৩-ঘণ্টার সংস্করণটির ক্ষেত্রে GPU অন্য কাজ নিয়ে ব্যস্ত ছিল বলে CPU-তে সংশ্লেষণ ও ট্রান্সক্রিপশন করা হয়েছে। ফলে শর্তগুলো সামান্য ভিন্ন ছিল।
মজার বিষয় ছিল ভুলগুলোর ধরন।
- ইংরেজি “cryptocurrency” তিনটি মডেলেই “Kripke-Kunershi”, “Kripke-Kinoshi”, “Kripik-Innershi”-র মতো শোনা গেছে
- “intra-articular”, “multidrug-resistant”, “angiography”-ও তিনটি মডেলেই একইভাবে বিকৃত হয়েছে
- জাপানি “冠動脈造影” তিনটিতেই “〜増え” হিসেবে, আর “床版” তিনটিতেই “障板” হিসেবে ট্রান্সক্রাইব হয়েছে
- ক্রোয়েশীয় “pooštravanje（কঠোরকরণ）” সব মডেলেই “poštravanje” হিসেবে শোনা গেছে
ভিন্ন পরিমাণের ডেটায় প্রশিক্ষিত মডেলগুলো একই শব্দে একইভাবে ভুল করে। ইংরেজির ক্ষেত্রে কারণটি পরিষ্কার ছিল: মডেল নয়, বরং অক্ষরকে ধ্বনিচিহ্নে রূপান্তর করার অংশ।
এবারের মডেলটি সরাসরি অক্ষর পড়ে না; এটি ধ্বনিচিহ্ন পড়ে। ইংরেজিতে অভিধানে না থাকা শব্দের উচ্চারণ g2p_en অনুমান করে। বাস্তবে যাচাই করে দেখা গেছে, “cryptocurrency” এমন ধ্বনিচিহ্নে রূপান্তরিত হয়েছিল যা “ক্রিপাকিউনারশি”-র কাছাকাছি, আর “angiography” এমন ধ্বনিচিহ্নে রূপান্তরিত হয়েছিল যার মাঝখানে একটি n ঢুকে গেছে। মডেল কেবল দেওয়া ধ্বনিচিহ্ন অনুযায়ী কণ্ঠস্বর তৈরি করে, তাই প্রশিক্ষণ ডেটা ১০ ঘণ্টার হোক বা ৩ ঘণ্টার, একই জায়গায় ভুল হয়।
জাপানির পরিস্থিতি কিছুটা ভিন্ন। OpenJTalk-এর পাঠ ছিল “床版（ショーバン）”, “冠動脈造影（カンドーミャクゾーエー）”—দুটিই সঠিক। “床版” যে “障板” হয়েছে, সেটি একই পাঠের ভিন্ন কানজি; পাঠের দিক থেকে তা ঠিকই আছে। “造影” যে “増え” হয়েছে, সেটি বিরল শব্দটিকে Whisper পরিচিত শব্দের দিকে টেনেছে কি না, নাকি মডেলের উচ্চারণ অস্পষ্ট ছিল—এবারের মাপার পদ্ধতিতে তা আলাদা করা যায় না। তবে এখানেও তিনটি মডেল একইভাবে ভুল করেছে।
অর্থাৎ, এই ব্যবস্থায় অন্তত ইংরেজি পরিভাষা সামলানোর সক্ষমতা প্রশিক্ষণ ডেটার পরিমাণে নয়, বরং উচ্চারণ অভিধানে নির্ধারিত হয়। পরিভাষায় শক্তিশালী করতে চাইলে ডেটা বাড়ানোর চেয়ে অভিধানে শব্দ নিবন্ধন করাই দ্রুততর।
সারসংক্ষেপ
- একটি ছোট মডেল (মোট প্রায় ৩ কোটি ২০ লাখ প্যারামিটার) দিয়ে ৩টি ভাষায় কথা বলানো গেছে
- প্রশিক্ষণ ডেটা প্রতিটি ভাষায় ১০ ঘণ্টা, ৫ ঘণ্টা বা ৩ ঘণ্টা—যাই হোক, পাঠের নির্ভুলতা শেষ পর্যন্ত প্রায় একই ছিল। ৩-ঘণ্টার সংস্করণটি স্থিতিশীল হতে একটু বেশি সময় নেয়
- পরিভাষাতেও কোনো পার্থক্য দেখা যায়নি। ভুলগুলো উচ্চারণ অভিধানের দিকে ঘটছে, ডেটার পরিমাণ বাড়িয়ে সেগুলো ঠিক হয় না
ডেটা তৈরি করতে সময় ও অর্থ দুটোই লাগে, তাই আগে প্রতিটি ভাষার জন্য ৩ ঘণ্টার ডেটা দিয়ে বানিয়ে দেখা, প্রয়োজন হলে পরে যোগ করা—এটাই ভালো মনে হয়। পরের বার এই ফলের ভিত্তিতে ভাষার সংখ্যা ১০টিতে বাড়ানোর পরিকল্পনা আছে। তবে এবার মাপা হয়েছে শুধু “কী বলা হচ্ছে”। কণ্ঠের স্বাভাবিকতা বা আবেগের পরিসরের মতো, যা অক্ষর-ত্রুটির হার দিয়ে মাপা যায় না—সেসব ক্ষেত্রে বেশি ডেটা সুবিধাজনক হতে পারে। সেটি কানে শুনে যাচাই করতে চাই।