পড়তে 3 মিনিট
মিউজ রিয়েলটাইম অ্যাভাটার: ভিডিও কলে আপনার মুখ বদলে যে এআই মুখ কথা বলে
30 সেকেন্ডে সারাংশ
মিউজ রিয়েলটাইম অ্যাভাটার হলো এমন একটি প্রযুক্তি, যা ভিডিও কল চলাকালীন ব্যবহারকারীর কণ্ঠ ও নির্দেশ অনুযায়ী একটি কৃত্রিম মুখ বানিয়ে তাৎক্ষণিকভাবে ঠোঁট, চোখ ও মুখের ভাব নড়াচড়া করায়। ফলে কলের অপর প্রান্তের মানুষ দেখতে পায় একটি জীবন্ত মুখ কথা বলছে, যদিও সেই মুখটি বাস্তবে অস্তিত্বহীন বা ব্যবহারকারীর নিজের নয়।
ভাবুন, সকালে অফিসের জরুরি ভিডিও কলে ঢুকতে হবে, কিন্তু আপনি সদ্য ঘুম থেকে উঠেছেন, চুল এলোমেলো। ক্যামেরা চালু না করে আপনি বেছে নিলেন একটি কৃত্রিম মুখ, যেটি আপনার গলার স্বরেই কথা বলবে। কলের অপর প্রান্তের সহকর্মী দেখলেন একটি শান্ত, হাসিমুখ মানুষ কথা বলছেন। অথচ পর্দার ওপাশে আপনি চুপচাপ বসে আছেন। মেটার মিউজ রিয়েলটাইম অ্যাভাটার ঠিক এই কাজটাই করে, লাইভ ভিডিও কলে।
ভেতরে আসলে কী ঘটে
প্রথমে সিস্টেম আপনার কণ্ঠস্বর শোনে। এরপর সেটি বিশ্লেষণ করে কোন শব্দে ঠোঁট কেমন হবে, কোথায় থামা, হাসি বা চোখের নড়াচড়া আসবে। এই বিশ্লেষণের ভিত্তিতে একটি স্নায়বিক নেটওয়ার্ক (যাকে বলা হয় নিউরাল নেটওয়ার্ক) সেকেন্ডে ষাটবার নতুন ছবি এঁকে দেয়। প্রতিটি ছবি আগেরটির সঙ্গে এত দ্রুত মিলিয়ে দেওয়া হয় যে চোখে ধরা পড়ে একটি অবিরাম, স্বাভাবিক নড়াচড়া।
মজার ব্যাপার হলো, এই ছবি আঁকার কাজটি অনেকটা আপনার ফোনের ভেতরেই হয়। ফলে কলের তথ্য দূরের সার্ভারে পাঠানোর দরকার কমে, আর মুখের নড়াচড়া প্রায় সঙ্গে সঙ্গে পর্দায় ফুটে ওঠে। এই দ্রুততার জন্যই কথার সঙ্গে ঠোঁটের মিল এত নিখুঁত মনে হয়।
কেন এটি আলাদা
আগের দিনের ভিডিও এডিটিং টুলে মুখ বদলাতে হলে আগে রেকর্ড করতে হতো, তারপর প্রক্রিয়া চালাতে হতো। মিউজ রিয়েলটাইম অ্যাভাটার সেটি করে সরাসরি, কল চলাকালীন। ব্যবহারকারী নিজের কণ্ঠ দিতে পারেন, অথবা কোনো সহকারীর কণ্ঠ ব্যবহার করতে পারেন। কথার ধরন বুঝে মুখের ভাবও বদলায়, কেউ হাসলে মুখে হাসি ফোটে, কেউ গম্ভীর হলে ভাবও গম্ভীর হয়।
- লাইভ ভিডিও কলে কৃত্রিম মুখ ব্যবহার করা যায়, যা ব্যবহারকারীর কণ্ঠে কথা বলে।
- ঠোঁটের নড়াচড়া ভাষার সঙ্গে মেলে, পauses ও হাসিও ধরা পড়ে।
- মুখের ভাব কথার সুর অনুযায়ী বদলায়, ফলে কথোপকথন স্বাভাবিক লাগে।
- প্রযুক্তিটি মেটার অ্যাপের ব্যবহারকারীদের জন্য উন্মুক্ত, আলাদা খরচ ছাড়াই।
কোথায় কাজে লাগে, কোথায় সাবধানতা
যারা নিয়মিত ভিডিও কলে যোগ দেন, কিন্তু ক্যামেরার সামনে আসতে অস্বস্তি বোধ করেন, তাদের জন্য এটি স্বস্তির। আবার যারা একাধিক ভাষায় কথা বলেন, তাদের জন্যও সুবিধা। তবে এই সুবিধার পাশে একটি বড় প্রশ্নও আছে। যদি কেউ আপনার মুখ ও কণ্ঠ নকল করে ভিডিও কলে ঢুকে পড়ে, তাহলে চেনা মুখ দেখেই ভরসা করা বিপজ্জনক হতে পারে।
তাই জরুরি কাজে, যেমন টাকা পাঠানো বা গোপন তথ্য দেওয়ার আগে, কলটি কেটে পরিচিত নম্বরে ফোন করে যাচাই করা ভালো। প্রযুক্তি যতই নিখুঁত হোক, চোখের দেখায় ভরসা করার চেয়ে আলাদা সূত্রে যাচাই করা নিরাপদ।
আরেকটি সীমা হলো, কৃত্রিম মুখ সব সময় নিখুঁত হয় না। কখনও ঠোঁটের নড়াচড়া একটু এলোমেলো লাগতে পারে, কখনও চোখের পলক অস্বাভাবিক দীর্ঘ হয়। তবে এই খুঁত ধরা পড়া নির্ভর করে ছবির মান, আলো ও ইন্টারনেটের গতির ওপর। তাই শুধু খুঁত খুঁজে সিদ্ধান্তে পৌঁছানো ঠিক নয়।
এটি কি সত্যিই কাজ করে
মেটা জানিয়েছে, এই প্রযুক্তি সেকেন্ডে ষাটবার ছবি তৈরি করে এবং ঠোঁট, চোখ ও মুখের ভাব ভাষার সঙ্গে মিলিয়ে চলে। প্রতিষ্ঠানটি বলছে, এটি তাদের অ্যাপ ব্যবহারকারীদের জন্য উন্মুক্ত থাকবে। তবে এখনও পর্যন্ত এটি পরীক্ষামূলক পর্যায়ে আছে, তাই সব জায়গায় একই রকম কাজ করবে বলে ধরে নেওয়া ঠিক নয়।
ভবিষ্যতে ভিডিও কলে কে আসল, কে কৃত্রিম, তা বোঝা আরও কঠিন হতে পারে। তাই প্রযুক্তিটি চেনা যত জরুরি, তত জরুরি সতর্ক থাকার অভ্যাস গড়ে তোলা।