আজ Fable 5.1 এবং World Labs-এর Atlas প্রকাশিত হয়েছে, সবাই মডেলগুলি কতটা বুদ্ধিমান হয়েছে এবং ওয়ার্ল্ড মডেলগুলি কতটা এগিয়েছে তা দেখতে ব্যস্ত। একটি প্রায় কারও দৃষ্টি থেকে বাদ পড়া কোণায়, Meta এমন একটি জিনিস প্রকাশ করেছে যা আমি আলোচনার মতো মনে করি: Muse Voice Transcribe, Meta Superintelligence Labs-এর প্রথম রিয়েল-টাইম অডিও-অনুভূতিমূলক মডেল। প্রতিটি দৃষ্টিতে এটি একটি স্পিচ-টু-টেক্সট মডেল, কিন্তু এটি Whisper-এর মতো প্রচলিত ASR-এর চেয়ে অনেক বেশি কাজ করে। রিয়েল-টাইম ট্রান্সক্রিপশন, speaker diarization—অর্থাৎ বর্তমানে কে কথা বলছে তা চিহ্নিতকরণ—এবং endpointing—অর্থাৎ কারও কথা শেষ হয়েছে কিনা তা চিহ্নিতকরণ—এই তিনটি কাজই একটি স্ট্রিমিং মডেলের মধ্যেই ন্যাটিভভাবে সম্পন্ন হয়। ASR, VAD, speaker model-এর মতো আলাদা মডিউলগুলির একটি pipeline-এর প্রয়োজন নেই। এটি আসলেই গুরুত্বপূর্ণ। Voice Agent-এর এখনকার একটি বড় অভিজ্ঞতা-প্রভাবিত সমস্যা, শুধুমাত্র “শুনতে” ভুল করা নয়, বরং “কখন” শুনতে থাকবে, “কখন” নিজের কথা বলবে,এবং “একটি ঘরে” multiple people-এর মধ্যে “কার” কথা । Muse-এরপদ্ধতিওখুবআকর্ষণীয়।প্রতি80ms-এঅডিওকেএকটিচাঙ্ক-এভাগকরাহয়,মডেলস্বয়ংসিদ্ধান্তগ্রহণকরেআরওশোনবেনাকিনা,অথবাটেক্সটআউটপুটশুরুকরবে।Meta-এইসময়RL-দিয়ে“adaptive delay”নামকএকটিপদ্ধতিরঅভিব্যক্তিকরেছে—সহজশব্দগুলিদ্রুতনিশ্চিতকরাহয়,কঠিনশব্দগুলিরজন্যআরওবেশিcontext-এরঅপেক্ষাকৃতবেশিক্ষণপাওয়াযায়। প্রস্তুতফলওখুবঅসাধারণ। Artificial Analysis-এরস্ট্রিমিংস্পিচ-টু-টেক্সটলিস্টে,MuseVoiceTranscribe3.1%WERপায়,অন্তিমট্রান্সক্রিপশনডিলেই160msপর্যন্ত—বর্তমানেপ্রথমস্থান।এটি70-এরওবেশিভাষাকেঅন্তর্ভুক্তকরেশিক্ষাদেখিয়েছে,প্রথমপরীক্ষায়25টিভাষাপরীক্ষা—একইবাক্যেচীনা-ইংরাজিcode-switchingসম্ভব।একঘন্টারওবেশিঅডিওএবং20-এরওবেশিspkere-এরজন্যঅতিরিক্তপোস্ট-প্রসেসিংয়েরপ্রয়োজনহয়না। আরদাম 0.18ডলার/ঘন্টা। আমি,বরং,এটিকেMeta-এরআজকেখুবMeta-ভাবেমডেলপ্রকাশমনেকরি।গতবছরসবাইAI-এরজন্যবুদ্ধি(IQ)বাড়াতেচলেছিল,Metaএখনসংবেদনশীলতা(senses)পূরণশুরুকরছে।