গত বছরে চ্যাটজিপিটিকে ঘিরে যে উন্মাদনা শুরু হয়েছে, এখনো কমেনি। সবাই বলছে, কতটা কাজে লাগে এটি, আর ভবিষ্যতে আর্টিফিশিয়াল ইন্টেলিজেন্স দিয়ে কী কী করা যাবে, তা নিয়েও তুমুল আলোচনা চলছে। নানা দিক থেকে এই চ্যাটবট সত্যিই অবাক করে।
এই এআই টুলটা আসলে দৈনন্দিন জীবনে কীভাবে ব্যবহার করবেন? বিভিন্ন প্রশ্নের উত্তর খুঁজতে গুগল সার্চের বদলে এটা ব্যবহার করবেন? নাকি চ্যাটবটকে দিয়ে স্কুল/অফিসের অ্যাসাইনমেন্ট লিখিয়ে নেবেন? দুটোই জমজমাট, তবে এর উত্তরগুলোকে যদি অডিও বানিয়ে নেন, কেমন হয়?
পরবর্তী অংশে আমরা সহজভাবে চ্যাটজিপিটি নিয়ে ধারণা দেব, আর দেখাব কীভাবে এর নীরব উত্তরগুলোকে স্বাভাবিক, মানবসদৃশ কণ্ঠে শোনা যায় এমন অডিওতে রূপান্তর করবেন। তাহলে চলুন, শুরু করা যাক!
GPT3 কী?
চ্যাটজিপিটি দিয়ে অডিও বানানো বোঝানোর আগে, আগে জেনে নিই এটা আসলে কী। চ্যাটজিপিটি হলো OpenAI কর্তৃক উন্মুক্ত একটি এআই চ্যাটবট। এটি এমন একটি বৃহৎ ল্যাঙ্গুয়েজ মডেল ব্যবহার করে, যা মানুষের সঙ্গে কথোপকথনের জন্য ডিজাইন করা। শুরুতে মূলত কাস্টমার সার্ভিসের জন্য বানানো হলেও এখন নানান কাজে ভীষণ জনপ্রিয়।
চ্যাটজিপিটি একটি প্রি-ট্রেইনড এআই চ্যাটবট, যা ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP) ব্যবহার করে। অর্থাৎ GPT3 মডেল ইন্টারনেট, বই ও অন্যান্য উৎস থেকে বিপুল পরিমাণ তথ্য শিখে নিয়েছে, আর ব্যবহারকারীর সাথে আলাপের সময় সেই জ্ঞান কাজে লাগায়। তবে এর ডাটাসেট ২০২১ সালের আগ পর্যন্ত তথ্যের মধ্যেই সীমাবদ্ধ।
GPT-3 কিভাবে কাজ করে?
গত কয়েক মাস ধরে টেক সংবাদে চ্যাটজিপিটির সব খুঁটিনাটি, ব্যবহারবিধি আর সহজে অ্যাপ চালানোর টিপস নিয়েই বেশি লেখা হয়েছে। কিন্তু আসলে কজন বুঝিয়ে বলেছে, এটা ভেতরে ভেতরে কীভাবে কাজ করে? চিন্তা নেই, আমরা একদম সহজ ভাষায় বুঝিয়ে দিচ্ছি।
মূলত, চ্যাটজিপিটি একটি ট্রান্সফরমার নিউরাল নেটওয়ার্ক ব্যবহার করে। মানে, এটি গভীর মেশিন লার্নিং অ্যালগরিদমের ওপর তৈরি, যা বিশাল ডেটার ধারা বিশ্লেষণ করে, প্যাটার্ন খুঁজে বের করে, তারপর সেগুলোর ভিত্তিতে উত্তর তৈরি করে। চূড়ান্ত ফলাফলটি নানা ধাপের ফিল্টার ও সংশোধনের মধ্য দিয়ে যায়, যাতে আগে শেখা তথ্যের আলোকে যতটা সম্ভব সঠিক উত্তর দেওয়া যায়।
চ্যাট GPT-3 কে অডিওতে রূপান্তর
বিভিন্ন কাজে এখন চ্যাটজিপিটি ব্যবহার হচ্ছে—ওয়াল স্ট্রিটে বিনিয়োগের পরামর্শ থেকে শুরু করে স্টার্টআপ বাড়ানোর আইডিয়া, সবই যেন হাতের মুঠোয়। কিন্তু যদি সোশ্যাল মিডিয়া ভিডিওতে ভয়েস হিসেবে, বা নানান পরিস্থিতিতে এর উত্তরগুলোকে অডিও আকারে ব্যবহার করতে চান? সে ক্ষেত্রেও আপনি ঠিক জায়গায় এসেছেন।
চ্যাটজিপিটি দিয়ে স্ক্রিপ্ট লেখা
প্রথমেই, চ্যাটজিপিটির উত্তর বা লেখা থেকে অডিও বানাতে হলে একটা স্ক্রিপ্ট লাগবে। এখানেই সাহায্য করবে চ্যাটবটের API। আপনি যা শুনতে চান, সেটা লিখে দিতে বলুন চ্যাটজিপিটিকে—মুহূর্তেই পেয়ে যাবেন অডিওর জন্য তৈরি স্ক্রিপ্ট।
টেক্সট থেকে অডিও তৈরি
টেক্সটকে অডিও করার মূলত দুইটা উপায় আছে। প্রথমত, নিজে পড়ে মাইক্রোফোনে রেকর্ড করা। কিন্তু ভালো উচ্চারণ আর মানের জন্য চাই ভালো যন্ত্রপাতি আর ভালো কণ্ঠস্বর—যা আমাদের বেশিরভাগেরই নেই। বিকল্প হিসেবে আছে টেক্সট-টু-স্পিচ (TTS) অ্যাপ; চ্যাটজিপিটির কথোপকথনের লেখা কপি করে TTS টুলে পেস্ট করে দিন, বাকিটা সামলে নেবে ওরাই।
GPT-3 দিয়ে টেক্সট-টু-স্পিচ ব্যবহারের সুবিধা
তাহলে নিজে রেকর্ড করার বদলে টেক্সট-টু-স্পিচ কেন ব্যবহার করবেন? আগে বলা সুবিধাগুলোর বাইরেও, TTS ব্যবহারে আরও কিছু আলাদা লাভ আছে।
স্বাভাবিক, মানবসদৃশ কণ্ঠ
টেক্সট-টু-স্পিচ বেছে নেওয়ার প্রধান কারণ—এটাও নিজের জগতে চ্যাটজিপিটির মতোই এগিয়ে। বেশিরভাগ TTS টুলে এমন কণ্ঠস্বর থাকে, শুনলে প্রায় মানুষের কণ্ঠই মনে হয়। কিছু টুলে আবার সেলিব্রিটির মতো শোনা যায় এমন ভয়েসও থাকে। যেমন, স্পিচিফাই অ্যাপে আপনার লেখা পড়ে শোনাবে Snoop Dogg বা Gwyneth Paltrow-র মতো শোনা যায় এমন ভয়েস। যদিও আসলে তারা পড়ে দিচ্ছেন না, বরং নিখুঁতভাবে তাদের মতো শোনায় এমন কণ্ঠস্বর ব্যবহার হয়।
নিখুঁত উচ্চারণ
আরেকটা বড় সুবিধা হলো—TTS কণ্ঠের উচ্চারণ সাধারণত নিখুঁত ও একদম স্পষ্ট। পেশাদার ভয়েস আর্টিস্টের মতো এতে টানাপোড়েন বা দ্বিধা থাকে না, ফলে যেকোনো অডিও পেশাদার ও পরিষ্কার শোনায়।
স্বল্প খরচে সমাধান
সবশেষে—চ্যাটজিপিটি স্ক্রিপ্টের জন্য TTS ব্যবহার করা অনেক কম খরচে হয়ে যায়। বছরে সামান্য ফি দিয়ে হাজার হাজার শব্দের অডিও বানিয়ে ফেলতে পারবেন, বারবার ভয়েস আর্টিস্ট ভাড়া করে টাকা ও সময় দুটোই বাঁচবে।
স্পিচিফাই কিভাবে সহায়তা করে
এখন যেহেতু চ্যাটজিপিটি আর তার অডিও বানানোর কৌশল জেনে গেছেন, প্রশ্ন আসে—কোন TTS টুল ব্যবহার করবেন? স্পিচিফাই বিশ্বের সবচেয়ে জনপ্রিয় TTS অ্যাপগুলোর একটি; এটি মেশিন লার্নিং, কৃত্রিম বুদ্ধিমত্তা ও অপটিক্যাল ক্যারেক্টার রিকগনিশন ব্যবহার করে প্রায় যেকোনো লেখাকে স্বাভাবিক কণ্ঠে পড়ে শোনায়।
চ্যাটজিপিটির মতোই, স্পিচিফাই কেবল ইংরেজি নয়, ১৪টির বেশি ভাষায় পড়তে পারে, যার মধ্যে স্প্যানিশ, ইতালিয়ান, ফরাসি ইত্যাদি রয়েছে। পাশাপাশি স্পিচিফাই গুগল ক্রোম ও সাফারি ব্রাউজারে এক্সটেনশন হিসেবে, মাইক্রোসফট ও অ্যাপল কম্পিউটার আর আইফোন–অ্যান্ড্রয়েড ডিভাইসে অ্যাপ আকারেও ব্যবহার করা যায়।
তাই, যদি চ্যাটজিপিটি স্ক্রিপ্ট, কবিতা বা এসের জন্য কণ্ঠ দরকার হয়, তাহলে স্পিচিফাই ব্যবহার করে দেখুন, প্রথম TTS রূপান্তরেই চমকে যাবেন।
প্রশ্নোত্তর
আমি কি GPT 3-এ কথা বলতে পারি?
হ্যাঁ, আপনি চ্যাটজিপিটির সঙ্গে স্বাভাবিকভাবেই কথা বলতে পারেন। যা ইচ্ছে জিজ্ঞেস করুন, চ্যাটবট যতটা পারে আন্তরিকভাবেই উত্তর দেবে।
আমি কীভাবে টেক্সটকে অডিও বানাব?
স্পিচিফাই-এর মতো অ্যাপে আপনার লেখা কেবল টেক্সট বক্সে পেস্ট করুন—অ্যাপ চালু করলে স্ক্রিনেই ওই বক্স দেখতে পাবেন।
সবচেয়ে ভালো ফ্রি টেক্সট-টু-স্পিচ সফটওয়্যার কী?
Amazon Polly বা Microsoft Azure ছাড়াও Speechify-কে নিঃসন্দেহে সেরা প্রিমিয়াম টেক্সট-টু-স্পিচ সার্ভিসগুলোর একটি ধরা হয়।
