বাক্ শনাক্তকরণ: মুখে বলা কথাকে সফটওয়্যার কীভাবে লেখায় রূপান্তর করে?

বাতাসের ধ্বনি থেকে স্ক্রিনের অক্ষরে রূপান্তর

যানজটে আটকে থাকার সময় কিংবা জরুরি কাজে ব্যস্ত থাকার সময় আমরা অনেকেই ফোনে টাইপ না করে মাইক্রোফোনে মুখে বলি: 'আমি আধ ঘণ্টার মধ্যে পৌঁছাচ্ছি।' এক সেকেন্ডের মধ্যে সেই কথাগুলো ফোনের পর্দায় বাংলায় কিংবা ইংরেজিতে দ্রুত টাইপ হয়ে যায়। আমরা অবলীলায় কথাটি বলে ফেলি, কিন্তু একটি সফটওয়্যারের জন্য মানুষের গলার আওয়াজ বোঝা এক বিশাল গাণিতিক চ্যালেঞ্জ। একেক মানুষের গলার স্বর একেক রকম, কথা বলার গতি ভিন্ন, আর সেই সাথে বাতাসে মিশে থাকে গাড়ির তীব্র হর্ন, বৃষ্টির রিমঝিম শব্দ কিংবা আশপাশের মানুষের কোলাহল।

কথা বলার সময় মুখ থেকে বের হওয়া শব্দতরঙ্গ মাইক্রোফোনে লেগে বৈদ্যুতিক তরঙ্গে রূপ নেয়। কম্পিউটার এই ধারাবাহিক সংকেতকে প্রতি সেকেন্ডে শত শত ছোট মিলিসেকেন্ডের খণ্ডে কাটে। এই খণ্ডগুলো বিশ্লেষণের আগে, সফটওয়্যারটি কেবল মানুষের কণ্ঠস্বর আলাদা করার বিশেষ ছাঁকনি (ভয়েস অ্যাক্টিভিটি ডিটেকশন বা VAD) চালায়, যাতে দীর্ঘ নীরবতা বা ফ্যানের শোঁ শোঁ শব্দ দূর করা যায়। এরপর শব্দের কম্পাঙ্ক ও তীব্রতা মেপে একটি চিত্ররূপ মানচিত্র তৈরি করা হয় (যাকে স্পেকট্রোগ্রাম বা Spectrogram বলে)। শব্দ বিশ্লেষণ মডেল (অ্যাকোস্টিক মডেল বা Acoustic Model) সেই তরঙ্গের রূপকে মানুষের ভাষার মূল ধ্বনির ক্ষুদ্রতম অংশের (ফোনিম বা ধ্বনিমূল) সাথে মিলিয়ে সম্ভাব্য অক্ষর নির্ধারণ করে।

স্পেকট্রোগ্রাম, অ্যাকোস্টিক মডেল এবং শব্দের সম্ভাব্য বিন্যাস

যখনই আমরা কথা বলি, মাইক্রোফোন সেই শব্দকে ডিজিটাল সংকেতে রূপান্তর করে। সফটওয়্যারটি প্রথমে সেই সংকেতকে স্পেকট্রোগ্রাম নামক এক ধরনের দৃশ্যমান কম্পাঙ্ক চিত্রে পরিণত করে, যা শব্দের তীব্রতা ও সময়ের ওঠানামা ফুটিয়ে তোলে। এরপর মূলত দুটি প্রধান ধাপে কাজ সম্পন্ন হয়:

ধ্বনিগুলো অক্ষরে রূপ নেওয়ার পর, ভাষা মডেল (ল্যাঙ্গুয়েজ মডেল বা Language Model) পুরো বাক্যের পরিবেশ পরীক্ষা করে। বাংলা ভাষার বাক্যরীতিতে ক্রিয়াপদ সাধারণত বাক্যের শেষে কীভাবে বসে, তা পরিসংখ্যানের সাহায্যে হিসাব করে সবচেয়ে অর্থবহ বাক্যটি সাজিয়ে তোলে।

আঞ্চলিক টান, কোলাহল এবং কারিগরি সীমাবদ্ধতা

এখানে একটি মৌলিক বিষয় বুঝতে হবে: শব্দকে অক্ষরে রূপান্তর করা আর বক্তব্যের অন্তর্নিহিত অর্থ বা মানবিক চিন্তা উপলব্ধি করা এক জিনিস নয়। প্রযুক্তিটি কেবল ধ্বনির সাথে অক্ষরের পরিসংখ্যানগত মিল খোঁজে, এর কোনো নিজস্ব চেতনা বা বোধশক্তি নেই। যেমন 'তীর' বললে সে নদীর পাড় বুঝল নাকি ধনুকের বাণ বুঝল, তা নির্ভর করে আশপাশের শব্দের পরিসংখ্যানের ওপর; কোনো জৈবিক উপলব্ধির ওপর নয়। এই কারণেই বাস্তব ব্যবহারের ক্ষেত্রে নানা সীমাবদ্ধতা দেখা দেয়:

• আঞ্চলিক উচ্চারণ ও স্বরের বৈচিত্র্য: বাংলাদেশে প্রমিত ভাষার বাইরে চট্টগ্রাম, সিলেট, নোয়াখালী কিংবা বরিশালের মানুষের নিজস্ব আঞ্চলিক টান, স্বরভঙ্গি ও স্থানীয় শব্দভাণ্ডার রয়েছে। মডেল যদি সেই নির্দিষ্ট অঞ্চলের পর্যাপ্ত কথ্য ভাষায় প্রশিক্ষিত না থাকে, তবে সঠিক আঞ্চলিক উচ্চারণও পর্দায় ভুল অক্ষরে রূপান্তরিত হতে পারে।
• পারিপার্শ্বিক শব্দদূষণ: রাজপথের কোলাহল, রিকশার হর্ন, ভারী বৃষ্টির শব্দ কিংবা একই সাথে একাধিক মানুষের কথা বলার ফলে মাইক্রোফোনে শব্দের মূল তরঙ্গ বিকৃত হয়ে যায়, যার ফলে সফটওয়্যার ভুল শব্দ টাইপ করে ফেলে।
• সমোচ্চারিত শব্দের বিভ্রান্তি: বাংলায় 'কুল' এবং 'কূল' বা 'দিন' এবং 'দীন'—এমন সমোচ্চারিত কিন্তু ভিন্ন বানানের শব্দের (হোমোফোন বা Homophones) ক্ষেত্রে বাক্যের আগের ও পরের প্রেক্ষাপট সঠিকভাবে বুঝতে না পারলে কম্পিউটার ভুল বানান লিখে ফেলে।

দৈনন্দিন জীবনে সচেতনতা ও কণ্ঠের গোপনীয়তা

কীবোর্ডে কষ্ট করে টাইপ না করে মুখে বলে কাজ সেরে নেওয়ার সুবিধা চমৎকার হলেও পাবলিক প্লেসে কথা বলার সময় সতর্কতা জরুরি। পাসওয়ার্ড, পিন বা গোপন আর্থিক তথ্য কখনো মুখে বলে টাইপ করবেন না। কোনো সংবেদনশীল বার্তা পাঠানোর আগে পুরো লেখার বানান ও অর্থ ঠিক আছে কি না তা চোখ বুলিয়ে নিশ্চিত হওয়া নিরাপদ যোগাযোগের ভালো অভ্যাস।

বাক্ শনাক্তকরণ প্রযুক্তি মানুষের মুখের কথা ও ডিজিটাল স্ক্রিনের মধ্যকার দূরত্ব অনেক কমিয়ে এনেছে। তবে এর পেছনের পরিসংখ্যানগত সীমাবদ্ধতা ও বাস্তব কাজের ধরন পরিষ্কার জানা থাকলে আমরা একে আরও নির্ভরযোগ্য ও সচেতনভাবে দৈনন্দিন জীবনে কাজে লাগাতে পারব।