Skip to content
সর্বমের সারস ভি৪ ২২টি তফসিলভুক্ত ভাষার সবগুলো পাঁচ ধরনের আউটপুটে প্রতিলিপি করে, আর বুলবুল ভি৪ ফ্ল্যাশ কণ্ঠ মডেল ২৫০ মিলিসেকেন্ডের কমে কথা বলতে শুরু করে, জানিয়েছে সর্বম
এআই ও প্রযুক্তি

সর্বমের সারস ভি৪ ২২টি তফসিলভুক্ত ভাষার সবগুলো পাঁচ ধরনের আউটপুটে প্রতিলিপি করে, আর বুলবুল ভি৪ ফ্ল্যাশ কণ্ঠ মডেল ২৫০ মিলিসেকেন্ডের কমে কথা বলতে শুরু করে, জানিয়েছে সর্বম

অলঙ্করণ: tuput

বাংলা

বেঙ্গালুরুর সর্বম এআই ২০২৬ সালের ২৫ সেপ্টেম্বর প্রকাশ করেছে সারস ভি৪ বাক-শনাক্তকরণ মডেল, আর ১৩ অক্টোবর বুলবুল ভি৪ ফ্ল্যাশ টেক্সট-টু-স্পিচ মডেল। সারস ভি৪ ২২টি তফসিলভুক্ত ভাষা আর ইংরেজি বোঝে, আর বুলবুল ভি৪ ফ্ল্যাশের দাম ১০,০০০ অক্ষরে ২০ টাকা, আগের মডেলের চেয়ে এক-তৃতীয়াংশ কম। বেশির ভাগ স্কোর সর্বমের নিজের, আর তার কয়েকটির পেছনে আছে এআই৪ভারতের প্রকাশ্য পরীক্ষার সেট।

· · 7 মিনিটের পাঠ

বেঙ্গালুরুর কোম্পানি সর্বম এআই তিন সপ্তাহের ব্যবধানে দুটি কণ্ঠ মডেল প্রকাশ করেছে। ২০২৬ সালের ২৫ সেপ্টেম্বর ঘোষিত সারস ভি৪ ২২টি তফসিলভুক্ত ভারতীয় ভাষা ও ইংরেজির কথা লেখায় রূপান্তর করে। ১৩ অক্টোবর ঘোষিত বুলবুল ভি৪ ফ্ল্যাশ লেখাকে কথায় রূপান্তর করে, আর সর্বমের দাবি অনুযায়ী ২৫০ মিলিসেকেন্ডের কমে প্রথম শব্দ বাজায়, দাম ১০,০০০ অক্ষরে ২০ টাকা। দুটি মিলিয়ে ফোনভিত্তিক ভয়েস এজেন্টের শোনা আর বলার দুই দিকই পাওয়া যায়, অর্থাৎ এমন একটি প্রোগ্রামের, যা হিন্দি, তামিল বা বাংলায় গ্রাহকের সঙ্গে কথা বলে।

সারস ভি৪ একই কথার পাঁচটি রূপ দেয়

একটি অডিও এনকোডার খাওয়ায় ৩ বিলিয়ন প্যারামিটারের (মডেলের ভেতরের সমন্বয়যোগ্য সংখ্যা) একটি ভাষা মডেলকে, যেটি সর্বম বলছে তারা নিজেদের ঘরে গোড়া থেকে প্রশিক্ষণ দিয়েছে। এর ডিকোডার একটি হাইব্রিড স্টেট-স্পেস মডেল, বেশির ভাগ বড় ভাষা মডেল যে অ্যাটেনশন স্তর ব্যবহার করে তার একটি বিকল্প। দুইয়ের মাঝখানের একটি ধাপ অডিওর ক্রম ছোট করে আনে, যাতে দীর্ঘ রেকর্ডিং ডিকোডারের কর্মস্মৃতিতে ধরে।

সর্বম জোর দিয়েছে আউটপুটের ওপর। একটি রেকর্ডিং থেকে মডেল পাঁচ ধরনের লেখা ফেরত দিতে পারে, আর প্রকাশের পোস্টে টি২০ ব্যাটিং নিয়ে একটি হিন্দি বাক্যে সেগুলো দেখানো হয়েছে।

মোডকী ফেরত দেয়
transcribeনিজস্ব লিপিতে, সংখ্যা ও তারিখ মানসম্মত করে
codemixপ্রতিলিপি, তবে ইংরেজি শব্দ ইংরেজি অক্ষরেই থাকে
translitপুরো বাক্য ইংরেজি অক্ষরে, যাকে পোস্টের ভাষায় চলতি কথায় বলা হয় “WhatsApp language”
translateইংরেজি অনুবাদ
verbatimপ্রতিটি শব্দ যেমন বলা হয়েছে, তাই “T20” আসে “টি টোয়েন্টি” বোঝানো হিন্দি শব্দে

পাঁচটিই একটি মডেল থেকে আসে বলে সর্বম জানায় বাড়তি প্রক্রিয়াকরণের ধাপ লাগে না, ফলে এমন কোনো ধাপও নেই যেখানে ভুল জমতে পারে। ডেভেলপার ডকুমেন্টেশনেও একই মোডগুলো আছে, আর সারস ভি৪-কে ডিফল্ট মডেল বলা হয়েছে। সেখানে ভারতীয় ইংরেজির পাশাপাশি বিশ্বের নানা ইংরেজি উচ্চারণ চেনার কথাও আছে, আর কিটার্ম প্রম্পটিংয়ের বর্ণনা আছে, যাতে ডেভেলপার ৫০টি পর্যন্ত নাম বা পারিভাষিক শব্দ দিয়ে শনাক্তকরণকে সেদিকে ঝুঁকিয়ে দিতে পারেন। এই সুবিধা সিঙ্ক্রোনাস ও ব্যাচ ইন্টারফেসে চলে, স্ট্রিমিংয়ে চলে না।

পোস্টের হিসাবে, এআই৪ভারতের ইন্ডিকভয়েসেস সেটের যাচাই করা উচ্চারণে ভাষা শনাক্তকরণের ত্রুটি ২২টি ভাষা মিলিয়ে ৫.২২% আর সবচেয়ে বেশি বলা দশটি ভাষায় ২.৯%। সরাসরি ব্যবহারের জন্য স্ট্রিমিংয়ে প্রথম টোকেনের সময় ১৫০ মিলিসেকেন্ডের নিচে বলা হয়েছে। ৩০ সেকেন্ডের কম ক্লিপ যায় সিঙ্ক্রোনাস ইন্টারফেস দিয়ে, আর ব্যাচ ইন্টারফেস দুই ঘণ্টা পর্যন্ত ফাইল নেয়, চাইলে বক্তার লেবেলসহ। বিজনেস স্ট্যান্ডার্ড ২৫ সেপ্টেম্বর প্রকাশের খবর দেয় এবং সর্বমের সংখ্যাগুলো হুবহু উদ্ধৃত করে। ভারতীয় কণ্ঠ মডেল নিয়ে tuput-এর আগের একটি সংকলনে ভি৪-এর ইন্ডিকক্ন্টেক্সটইভ্যাল ফল আর সারস ভি৩ কত স্কোর পেয়েছিল তা আছে, তাই এখানে আর পুনরাবৃত্তি করা হলো না।

বুলবুল ভি৪ ফ্ল্যাশ বানানো হয়েছে গতি আর দামের কথা ভেবে

১৩ অক্টোবরের পোস্টে সর্বম বলেছে, ফ্ল্যাশ বাস্তব ব্যবহারে অনুরোধ থেকে প্রথম শব্দ পর্যন্ত ২৫০ মিলিসেকেন্ডের কমে পৌঁছায় এবং তুলনীয় চাপে বুলবুল ভি৩-এর চেয়ে ৪০% পর্যন্ত দ্রুত চলে। দাম ১০,০০০ অক্ষরে ২০ টাকা, ভি৩-এর ৩০ টাকার বিপরীতে, আর ১২ নভেম্বর ২০২৬-এ পড়া দামের পাতায় একই হার দেখানো আছে ১,০০০ অক্ষরে ২.০০ ও ৩.০০ টাকা। অ্যানালিটিক্স ইন্ডিয়া ম্যাগাজিন ১৪ অক্টোবর একই সংখ্যাসহ প্রকাশের খবর দেয়।

মানের পেছনে সর্বম দুটি কারণ দেখায়। তাদের কথায়, নিজস্ব কণ্ঠ-তথ্য ভি৩-এর তুলনায় প্রায় সাত গুণ বাড়ানো হয়েছে এবং ভারতীয় ভাষার প্রতিনিধিত্বকে প্রধান লক্ষ্য করে মডেলটি গোড়া থেকে প্রিট্রেন করা হয়েছে। এর গবেষণা সংস্করণগুলো ৪০০ বিলিয়নের বেশি অডিও টোকেনে (শব্দের টুকরোর মতো ধ্বনির ছোট টুকরো) প্রশিক্ষিত, আর সেই মাপেও উন্নতি থামেনি, এবং ফ্ল্যাশ হলো সেগুলোর শেখানো বিদ্যা থেকে ছেঁকে তৈরি একটি ছোট মডেল।

দ্বিতীয় জোর সংখ্যা ও নাম ঠিকভাবে জোরে পড়ায়। একটি টেক্সট নরমালাইজেশন স্তর প্রতিটি অংশ প্রসঙ্গ দেখে পড়ে এবং ঠিক করে কীভাবে উচ্চারিত হবে: ইসরো একটি শব্দ হিসেবে, ইএমআই অক্ষর ধরে ধরে, প্যান একটি শব্দ হিসেবে, আধার তার পরিচিত উচ্চারণে। পোস্টের ডেমোগুলোর মধ্যে আছে একটি রেল হেল্পলাইন কল আর একটি ঋণের অনুস্মারক, যেখানে পিএনআর নম্বর, ট্রেন নম্বর, অঙ্ক ও তারিখ আছে। ফ্ল্যাশ চালু হয়েছে ৮৩টি কণ্ঠ ও ২২৪টি কণ্ঠ-ও-ধরনের সমন্বয় নিয়ে, যা গ্রাহকসেবা, বিক্রি, আদায়, ব্যাংকিং, ই-কমার্স ও শিক্ষায় কাজে লাগে, আর এটি চলে সর্বম এপিআই, তার প্লেগ্রাউন্ড ও কনটেন্ট স্টুডিওতে।

ভাষার সংখ্যা নিয়ে সর্বমের নিজের পাতাগুলোতেই অমিল আছে। প্রকাশের পোস্ট আর অ্যানালিটিক্স ইন্ডিয়া ম্যাগাজিন বলে ১১টি ভাষা। ১২ নভেম্বর পড়া ডেভেলপার ডকুমেন্টেশন বলে, ফ্ল্যাশ কণ্ঠ-তালিকায় আছে হিন্দি, ইংরেজি, ইংরেজি-হিন্দি মেশানো একটি ধরন, বাংলা, গুজরাটি, কন্নড়, মারাঠি, পাঞ্জাবি, তামিল ও তেলুগু, আর বুলবুল ভি৩-এ থাকা মালয়ালম ও ওড়িয়া এখনো ফ্ল্যাশে নেই। পোস্ট যেখানে ৮৩টি কণ্ঠ ও ২২৪টি সমন্বয় গোনে, ডকুমেন্টেশন সেখানে গোনে ২২২টি কণ্ঠ আইডি। দুটি ফারাকের কোনোটিরই ব্যাখ্যা সর্বম দেয়নি।

ওয়ার্ড এরর রেট ভারতীয় কথার ভুল বিচার করে বলে সর্বম ও এআই৪ভারতের যুক্তি

বাক-শনাক্তকরণের স্কোরে সাধারণত ওয়ার্ড এরর রেট (ডব্লিউইআর) ব্যবহার হয়, অর্থাৎ মানুষের লেখা প্রতিলিপি থেকে যত শতাংশ শব্দ আলাদা। সর্বমের ২০২৬ সালের ২ এপ্রিলের পোস্টের যুক্তি, ডব্লিউইআর, ক্যারেক্টার এরর রেট আর বিএলইইউ মূলত ইংরেজির কথা ভেবে বানানো, যেখানে প্রতিটি শব্দের একটিই স্বীকৃত বানান। পোস্টে দুটি উদাহরণ আছে।

প্রথমটিতে একজন বক্তা “তারা একসঙ্গে কাজ করে” অর্থের একটি চলতি তামিল বাক্য বলেন, আর সিস্টেম সেটি লেখে কথ্য রূপে, যেখানে রেফারেন্সে আছে মান্য রূপ। পাঁচটির মধ্যে চারটি শব্দ ভুল ধরা হয়, ডব্লিউইআর ৮০%, যদিও পোস্টের মতে মাতৃভাষী শ্রোতা শুনবেন নিখুঁত প্রতিলিপি। দ্বিতীয়টিতে একটি হিন্দি বাক্যে “ডাক্তার” শব্দটি রেফারেন্সে ইংরেজি অক্ষরে আর আউটপুটে দেবনাগরীতে। পাঁচটির মধ্যে একটি শব্দ ভুল ধরা হয়, অর্থাৎ ২০%, যদিও অর্থ অভিন্ন। পোস্ট যোগ করে, অ্যাকাউন্ট, ব্যালান্স আর ট্রান্সফারের মতো ধার করা শব্দে ভরা মেশানো হিন্দি সামলানো একটি ব্যাংক বট আসলের চেয়ে ১৫% খারাপ দেখাতে পারে।

সর্বমের প্রতিকার স্তরে স্তরে সাজানো কয়েকটি স্কোর। এলএলএম-ডব্লিউইআর আগে স্বাভাবিক তুলনা চালায়, তারপর একটি ভাষা মডেলকে জিজ্ঞেস করে প্রতিটি অমিল অংশের অর্থ বা উচ্চারণ একই কি না, আর নিশ্চিত না হলে ধরে নেয় “আলাদা”। ইন্টেন্ট স্কোর একটি অনুবাদকে ১ বা ০ দেয়, তার মূল অর্থ টিকেছে কি না তা দেখে। এনটিটি প্রিজার্ভেশন স্কোর গোনে নাম, সংখ্যা ও তারিখের কত অংশ পৌঁছেছে, আর পোস্টের সুপারিশ ব্যাংকিং, চিকিৎসা বা পথনির্দেশের কাজে অন্তত ০.৯৫। বিচারকের কাজ করে গুগলের ভার্টেক্স এআইয়ের মধ্য দিয়ে জেমিনি, আর সর্বম কোড গিটহাবে প্রকাশ করেছে। পোস্ট নিজেই বলেছে, তারা এই পদ্ধতিকে ইন্ডিক এএসআর মূল্যায়নের “চূড়ান্ত কথা” মনে করে না।

অন্য গবেষকেরাও একই উদ্বেগ ভাগ করেন। ইন্ডিকভয়েসেস ও বিস্তার পরীক্ষার সেটের পেছনের আইআইটি মাদ্রাজ ল্যাব এআই৪ভারত ২০২৬ সালের মার্চে আইসিএএসএসপি ২০২৬-এর জন্য বানান-সচেতন ডব্লিউইআর নিয়ে একটি গবেষণাপত্র প্রকাশ করে। এতে জানানো হয়েছে, বৈধ বানানভেদ মেনে নিলে ত্রুটির হার গড়ে ৬.৩ পয়েন্ট কমে, আর দুটি সিস্টেমের ফারাক ১৮.১ থেকে ১১.৫ পয়েন্টে নেমে আসে।

সংখ্যাগুলোর পেছনের প্রকাশ্য পরীক্ষা

সর্বমের পোস্টে উল্লিখিত বেশ কয়েকটি পরীক্ষা কোম্পানির বাইরে তৈরি। ২০২৩ সালের এআই৪ভারতের বিস্তার (Vistaar) ভারতীয় ভাষা ও ক্ষেত্র জুড়ে ৫৯টি বেঞ্চমার্ক জড়ো করেছে, আর এর লেখকেরা হুইস্পার মডেলকে সূক্ষ্ম সমন্বয় করে ইন্ডিকহুইস্পার বানান, যার ডব্লিউইআর ৫৯টির মধ্যে ৩৯টিতে সবচেয়ে কম ছিল। ২০২৪ সালের ডেটাসেট ইন্ডিকভয়েসেসে আছে ২২টি ভাষাজুড়ে ১৪৫টি জেলার ১৬,২৩৭ জন বক্তার ৭,৩৪৮ ঘণ্টা কথা, যার ১,৬৩৯ ঘণ্টা গবেষণাপত্র প্রকাশের সময় প্রতিলিপি করা হয়েছিল। বিস্তারের জন্য সারস ভি৪-এর পোস্ট দশটি ভাষার ফল জানায় ডব্লিউইআর ও এলএলএম-ডব্লিউইআর দুই রূপেই, আর সংখ্যাগুলো দেখা যায় কেবল চার্টে।

ইংরেজির দিকে সাতটি পরীক্ষার সেটের মধ্যে ছয়টি পোস্টের কথায় হুগিং ফেসের ওপেন এএসআর লিডারবোর্ড থেকে প্রকাশিত অবস্থায় নেওয়া। সপ্তমটি ভারতীয় উচ্চারণের ইংরেজির এআই৪ভারত সেট স্বরাহ, আর নরমালাইজেশন ও স্কোরিং লিডারবোর্ডের কোড অনুসরণ করে। সেই লিডারবোর্ডের গবেষণাপত্র ১২টি ডেটাসেটে ৮৬টি সিস্টেমের একটি পুনরুৎপাদনযোগ্য তুলনার বর্ণনা দেয়।

কিটার্মের সংখ্যাটির ভিত্তি ইন্ডিকক্ন্টেক্সটইভ্যাল, যা এআই৪ভারত ও সর্বম এআইয়ের গবেষকদের কাজ, ইন্টারস্পিচ ২০২৬-এ গৃহীত। এতে আছে ৮টি ভাষা ও ২৩টি পেশাগত ক্ষেত্রের ৫৫৫ জন বক্তার ৫৬ ঘণ্টা কথা, যা যোগ করা প্রসঙ্গের সাতটি স্তরে পরীক্ষিত। সর্বম বলছে, নিজস্ব লিপিতে মূল শব্দের তালিকা দিলে সারস ভি৪ সবচেয়ে কম ডব্লিউইআর, ১৬.০৩%, পায়। ১৭ জুন জমা দেওয়া গবেষণাপত্র, ভি৪ ঘোষণার তিন মাস আগে, বরং পরীক্ষা করেছে সর্বম অডিওকে আর সেই স্তরে তার ফল জানিয়েছে ১৫.৭০%, জেমিনি ৩ ফ্ল্যাশের ১৭.৪৬% আর জিপিটি-৪ও ট্রান্সক্রাইবের ২৬.০৪%-এর বিপরীতে। এগুলো আলাদা মডেল, আর ভি৪-এর পোস্ট বলেনি তাদের পরীক্ষাও একই আটটি ভাষায় চালানো হয়েছিল কি না।

যা এখনো দেখানো হয়নি

২০২৬ সালের ১২ নভেম্বর পর্যন্ত tuput সারস ভি৪-এর জন্য সর্বমের পোস্টের লেখায় ডেটাসেট ধরে ধরে কোনো স্কোর-তালিকা পড়তে পারেনি। পোস্টে ইলেভেনল্যাবস স্ক্রাইব ভি২, ডিপগ্রাম নোভা৩ আর জিপিটি-৪ও ট্রান্সক্রাইবের নমুনা আউটপুট দেখানো আছে, কিন্তু তাদের কোনো স্কোর ছাপা নেই। তাই ২২টি ভাষাতেই সেরা ফলের দাবি সর্বমের নিজের। বুলবুল ভি৩-এর জন্য সর্বম জোশ টকসের চালানো একটি ব্লাইন্ড শোনার সমীক্ষার কথা জানিয়েছিল, যাকে তারা স্বাধীন বলে বর্ণনা করে, প্রতি ভাষায় ৫০ থেকে ৭০ জন মূল্যায়নকারী নিয়ে, আর সেই সমীক্ষায় ফুল-ব্যান্ড অডিও মানে এগিয়ে ছিল ইলেভেনল্যাবস ভি৩ আলফা। ভি৪ ফ্ল্যাশের পোস্টে শোনার কোনো স্কোর জানানো নেই।

সর্বমের পাতাগুলোতে ভয়েস এজেন্টের বিজ্ঞাপনও আছে, মডেলসহ মিনিটে ৩ টাকা থেকে। সেটি কণ্ঠ মডেলগুলো থেকে আলাদা একটি পণ্য, আর দামের পাতায় পে-অ্যাজ-ইউ-গো প্ল্যানে স্পিচ-টু-টেক্সটের দাম লেখা আছে মিনিটে ০.৪৯ টাকা।

সর্বম ইন্ডিয়াএআই মিশনের আওতায় বাছাই হওয়া বারোটি দলের একটি, আর ২০২৬ সালের ১৩ ফেব্রুয়ারির পিআইবি সংযোজনীতে তার জন্য ২৪৬.৭২ কোটি টাকার কম্পিউট সহায়তা তালিকাভুক্ত আছে, আর মিশনের কম্পিউট ও মডেল নিয়ে আলাদা একটি লেখা আছে। কোনো কণ্ঠ-পোস্টই বলেনি যে কণ্ঠ মডেলগুলোয় মিশনের কম্পিউট ব্যবহৃত হয়েছে। ভাষিণী ও এআই৪ভারত একই ২২টি ভাষার জন্য প্রকাশ্য কণ্ঠ-সরঞ্জাম দেয়, যে ভাষাগুলো সংবিধানের অষ্টম তফসিলে আছে, আর তা বিশদ আছে ২২টি ভাষা নিয়ে আমাদের ব্যাখ্যায়।

বুলবুল ভি৪ প্রো, যেটিকে সর্বম আগাম দেখিয়েছে একটি বড় মডেল হিসেবে, যা হাসতে, দীর্ঘশ্বাস ফেলতে আর ফিসফিস করতে পারে, ২০২৬ সালের ১২ নভেম্বর পর্যন্ত তার কোনো ঘোষিত প্রকাশের তারিখ বা দাম নেই।

Share
Copied!

সূত্র ও আরও পড়ার জন্য

  1. Sarvam AI: Introducing Saaras V4 (25 September 2026)
  2. Sarvam AI: Introducing Bulbul V4 Flash (13 October 2026)
  3. Sarvam AI: Evaluating Indian Language ASR (2 April 2026)
  4. Sarvam AI: Introducing Bulbul V3 (February 2026)
  5. Sarvam API docs: Saaras speech to text model page (read 12 November 2026)
  6. Sarvam API docs: Bulbul text to speech model page (read 12 November 2026)
  7. Sarvam API docs: Text to speech voices and the Bulbul v4 Flash catalogue (read 12 November 2026)
  8. Sarvam AI: API pricing (read 12 November 2026)
  9. Business Standard: Saaras V4, Sarvam AI's new speech model can transcribe 22 Indian languages (25 September 2026)
  10. Analytics India Magazine: Sarvam AI launches Bulbul V4 Flash for real-time speech in 11 Indian languages (14 October 2026)
  11. arXiv: Vistaar, Diverse Benchmarks and Training Sets for Indian Language ASR (Interspeech 2023)
  12. arXiv: IndicVoices, Towards building an Inclusive Multilingual Speech Dataset for Indian Languages (4 March 2024)
  13. arXiv: Towards Orthographically-Informed Evaluation of Speech Recognition Systems for Indian Languages (1 March 2026, ICASSP 2026)
  14. arXiv: IndicContextEval, a Benchmark for Evaluating Context Utilisation in Audio Large Language Models Across 8 Indic Languages (17 June 2026, Interspeech 2026)
  15. arXiv: Open ASR Leaderboard, Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation (revised 30 March 2026)
  16. GitHub: sarvamai/llm_wer, Sarvam's open-source LLM-WER evaluation code
  17. PIB: IndiaAI Mission progress, with Annexure I of support to foundation model builders (13 February 2026)
  18. AI4Bharat, IIT Madras: home page and research areas

এই লেখাটি AI সরঞ্জামের সহায়তায় গবেষণা ও রচনা করা হয়েছে এবং নির্ভুলতার জন্য সম্পাদনা করা হয়েছে। এটি কেবল সাধারণ তথ্য ও আলোচনার জন্য, পেশাদার পরামর্শ নয়। আমাদের সম্পাদকীয় মান ও দাবিত্যাগ দেখুন। কোনো ভুল চোখে পড়ল? আমাদের জানান।

#sarvam ai#saaras v4#bulbul v4 flash#speech recognition#text to speech#indic languages#word error rate#ai4bharat

ভালো লাগল? পরেরটিও পড়ুন।

একবারে একটি ভালো লেখা, সরাসরি আপনার ইনবক্সে। কোনো স্প্যাম নয়, যখন খুশি বন্ধ করতে পারেন।

একই বিভাগে আরও: এআই ও প্রযুক্তি
সর্বম ২২টি ভারতীয় ভাষায় প্রায় ১৯ শতাংশ শব্দ-ভুলের হিসাব দিয়েছে আর মেটা ঢেকেছে ১,৬০০ ভাষা, কিন্তু প্রকাশিত কথা-শনাক্তকরণের বেশিরভাগ স্কোর এসেছে নির্মাতাদের নিজেদের কাছ থেকেই
হিন্দি ফোন-কলে বেশ কয়েকটি সিস্টেম ৮ শতাংশের নিচে স্কোর করছে, অথচ তামিল, মালয়ালম আর ভোজপুরিতে ফারাক বড়। এখানে আছে স্কোরগুলো, প্রতিটি মডেল কোন কোন ভাষা ধরে, আর কেন সংখ্যাগুলোকে এখনো একটি লিগ টেবিলে রাখা যায় না।
ভাষিণী ২২টি ভারতীয় ভাষায় কণ্ঠস্বর আর ৩৬টিতে লেখা পরিষেবা দিচ্ছে, আর আইআইটি মাদ্রাজের একটি ল্যাব ২২টি তফসিলভুক্ত ভাষার সবকটির জন্য খোলা অনুবাদ মডেল বানিয়েছে
একটি সরকারি প্ল্যাটফর্ম আর একটি বিশ্ববিদ্যালয়ের ল্যাব ভাগ করে নিয়েছে হিন্দি, তামিল, সাঁওতালি ও বাকি ভাষাগুলো যন্ত্রকে শেখানোর কাজ। নথিতে থাকা সংখ্যা, গবেষণাপত্র আর ব্যবহারের ঘটনা, তারিখসহ।
গুগলের আটজন লেখক ২০১৭ সালের ১২ জুন ট্রান্সফর্মার পেপার প্রকাশ করেন, আর আটটি GPU-তে সাড়ে ৩ দিনের প্রশিক্ষণের পর এর বড় মডেল ইংরেজি থেকে জার্মান অনুবাদে ২৮.৪ BLEU পায়
আজকের চ্যাটবটগুলোর পেছনের নকশাটি ধরে ধরে বোঝানো হয়েছে, পেপারের নিজের টেবিল আর নদীর দিকে তাকাতে হওয়া একটি শব্দ নিয়ে গুগলের নিজের উদাহরণ দিয়ে। ২০১৭ সালের নকশার কোন অংশ পরের মডেলগুলো রেখেছে, বদলেছে বা ছেড়েছে, তাও আছে।
← সব লেখা