কথার পেছনের শব্দ এআই কমায় কীভাবে, আর কী হারিয়ে যেতে পারে?

অনলাইন কলে কথা বলছেন, পাশেই পাখা চলছে। অপর প্রান্তে পাখার শব্দ কিছুটা কম শোনা গেলেও আপনার কথার শেষ অংশ হঠাৎ কেটে যেতে পারে। একই ব্যবস্থা তখন একটি উপকার এবং একটি অসুবিধা করছে। “শব্দ পরিষ্কার করা” মানে শুধু বিরক্তিকর আওয়াজ সরানো নয়; মিশ্রণের কোন অংশ রাখা হবে, সেই অনুমানও এতে আছে।

মাইক্রোফোন আলাদা দুটি ফাইল পায় না

এই আলোচনায় বদলানো হচ্ছে মাইক্রোফোনের রেকর্ডিং, ঘরের আসল শব্দ নয়। কলের শ্রোতার কাছে কম কোলাহল পৌঁছালেও আপনার চারপাশের পাখা বা রাস্তার শব্দ আগের মতোই থাকে। কোন অডিও শুনছেন, তা বুঝলে ফল বিচার করা সহজ হয়।

কথা, পাখা, দরজার শব্দ—সব মিলিয়ে মাইক্রোফোনে একটি শব্দের মিশ্রণ পৌঁছায়। কথা কোথায় শেষ এবং পাখার আওয়াজ কোথায় শুরু, তা আলাদা চিহ্ন দিয়ে আসে না। তাই মডেলকে মিশ্রণ থেকে বক্তব্যের সম্ভাব্য বৈশিষ্ট্য খুঁজতে হয়। অনেকে যেভাবে ভাবেন, রেকর্ডিং থেকে একটি আলাদা “পাখার ফাইল” নিখুঁতভাবে বাদ দেওয়া হয় না।

শেখানোর একটি পদ্ধতিতে আগে পরিষ্কার কথার রেকর্ডিং নেওয়া হয়, সঙ্গে আলাদা শব্দ মেশানো হয়। তখন গবেষক জানেন পরিষ্কার অংশটি আসলে কী ছিল। মডেল মিশ্রণ থেকে কোন অংশ কমালে সেই কথার কাছাকাছি ফল আসে, তার সম্পর্ক শেখে। পরে বাস্তব কলে পরিষ্কার মূল ফাইলটি থাকে না; শেখা সম্পর্কের সাহায্যে অনুমান করতে হয়।

RNNoise গবেষণার একটি কৌশলে শব্দকে ছোট সময়ের অংশে দেখা হয় এবং নিচু থেকে উঁচু সুরের কিছু ভাগে কতটা কমাতে হবে অনুমান করা হয়। ফিল্টার সেই নির্দেশে ভাগগুলোর মাত্রা কমায়। অন্য ব্যবস্থা ভিন্ন ধরনের ফিল্টার বা সরাসরি নতুন সংকেতের অনুমান ব্যবহার করতে পারে। তাই এই ব্যাখ্যা একটি পদ্ধতির উদাহরণ, সব অ্যাপের ভেতরের একমাত্র কাজ নয়।

অনুমান আর কমানো এক জিনিস নয়

মডেল কোন অংশ বক্তব্য বলে অনুমান করছে, সেটি প্রথম প্রশ্ন। ফিল্টার সেই অনুমান অনুযায়ী কতটা জোর কমাচ্ছে, সেটি পরের কাজ। বেশি কমালে পেছনের শব্দ কম শোনাতে পারে, কিন্তু একই অংশে থাকা কথার ধ্বনিও কমে যেতে পারে। কম চাপ দিলে কথা অক্ষত থাকার সুযোগ বেশি, সঙ্গে কিছু কোলাহলও থেকে যাবে। শুধু “সবচেয়ে নীরব” ফল তাই সবসময় সবচেয়ে ভালো বক্তব্য নয়।

কিছু শব্দ একে অপরের ওপর পড়ে যায়। অন্য মানুষের কথা, হঠাৎ আঘাতের শব্দ বা খুব নিচু কণ্ঠে বলা অংশ আলাদা করা কঠিন হতে পারে। কোন উদাহরণে ব্যবস্থা শেখানো হয়েছে এবং বর্তমান রেকর্ডিং কতটা তার সঙ্গে মেলে, তাও ফলকে প্রভাবিত করে। যে ফিল্টার পাখার কাছে ভালো কাজ করেছে, তাকে দেখে ভিড়ের সব কথায় একই ফল ধরে নেওয়া যাবে না।

শুনতে পরিষ্কার মানেই সব তথ্য আছে?

প্রক্রিয়ার পর গলা ধাতব লাগতে পারে, শব্দের অংশ মুছে যেতে পারে বা ছোট স্বর অস্পষ্ট হতে পারে। RNNoise-এর লেখকও ব্যাখ্যা করেছেন যে শব্দ কমানো বক্তব্যের তথ্য নষ্ট করতে পারে। ফলে একটি রেকর্ডিং শান্ত শোনালেও তাতে আরও বেশি কথা বোঝা যাচ্ছে—এমন সিদ্ধান্ত নিজে থেকে আসে না। গুরুত্বপূর্ণ নাম বা সংখ্যা থাকলে মূল অডিওর সঙ্গে মিলিয়ে দেখা ভালো।

শুধু কথার জন্য তৈরি ফিল্টারে গান বা বাদ্যযন্ত্রও কমে যেতে পারে। সংগীত শেখানো, পাখির ডাক শোনানো বা যন্ত্রের অস্বাভাবিক আওয়াজ বোঝানোর ক্ষেত্রে সেই শব্দই দরকারি। Zoom-এর নিজস্ব নির্দেশনায় সংগীতের জন্য শব্দ-দমন বন্ধ করার আলাদা মোড আছে। অর্থাৎ “অপ্রয়োজনীয়” কোন শব্দ, তা আপনার কাজের ওপর নির্ভর করে; অ্যাপের সাধারণ সেটিং সব উদ্দেশ্য জানে না।

পরীক্ষা করতে একই ছোট বাক্য স্বাভাবিক সেটিং এবং বেশি দমনের সেটিংয়ে রেকর্ড করুন। শুধু পেছনের শব্দ কত কমল শুনবেন না; কথার শুরু, শেষ এবং নিচু স্বরের অংশ রইল কি না দেখুন। এই তুলনা আপনার পরিবেশে সুবিধা ও ক্ষতি বুঝতে সাহায্য করে, কোনো সেটিংকে সব রেকর্ডিংয়ের জন্য সেরা প্রমাণ করে না।

সংগীত বা অন্য দরকারি পরিবেশের শব্দ পাঠালে অ্যাপের উপযুক্ত মোড বেছে নিন এবং শ্রোতার কাছে ফল কেমন পৌঁছাচ্ছে জেনে নিন। প্রয়োজনে প্রক্রিয়াহীন মূল রেকর্ডিং রাখুন। লক্ষ্যটি সব আওয়াজ অদৃশ্য করা নয়; যে শব্দ শুনিয়ে বোঝাতে চান, সেটি যথাসম্ভব বজায় রেখে শুনতে সুবিধা করা।