Web Analytics

মিস্ট্রাল এআই প্রকাশ করেছে ভক্সট্রাল টিটিএস, তাদের প্রথম টেক্সট-টু-স্পিচ মডেল যা বহুভাষিক ও আবেগপ্রকাশে সক্ষম বাস্তবসম্মত কণ্ঠ তৈরি করতে পারে। চার বিলিয়ন প্যারামিটারের এই মডেলটি ইংরেজি, ফরাসি, জার্মান, স্প্যানিশ, ডাচ, পর্তুগিজ, ইতালীয়, হিন্দি ও আরবি ভাষায় কাজ করে। এটি বিভিন্ন উপভাষা সমর্থন করে, কম লেটেন্সি বজায় রাখে এবং নতুন কণ্ঠে দ্রুত অভিযোজিত হতে পারে, যা এন্টারপ্রাইজ পর্যায়ের ভয়েস এজেন্ট ব্যবহারের জন্য উপযোগী। ভক্সট্রাল টিটিএস মিস্ট্রাল স্টুডিওতে পরীক্ষার জন্য এবং প্রতি ১,০০০ অক্ষরে ০.০১৬ ডলারে এপিআইয়ের মাধ্যমে পাওয়া যাচ্ছে।

মডেলটি প্রাসঙ্গিক বোঝাপড়া ও বক্তার স্বরভঙ্গি ধরতে বিশেষভাবে দক্ষ, যা প্রাকৃতিক ছন্দ, বিরতি ও আবেগ প্রকাশে সহায়তা করে। মানব মূল্যায়নে দেখা গেছে, এটি ইলেভেনল্যাবস ফ্ল্যাশ v2.5-এর তুলনায় বেশি স্বাভাবিক কণ্ঠ তৈরি করে এবং একই ধরনের লেটেন্সি বজায় রাখে। মাত্র তিন সেকেন্ডের রেফারেন্স অডিও ব্যবহার করে এটি কাস্টম কণ্ঠে অভিযোজিত হতে পারে এবং ক্রস-লিংগুয়াল অ্যাকসেন্ট স্থানান্তরও করতে সক্ষম।

ভক্সট্রাল টিটিএস মিস্ট্রালের অডিও ইন্টেলিজেন্স ইকোসিস্টেমের অংশ, যা ভক্সট্রাল ট্রান্সক্রাইবের সঙ্গে কাজ করে এবং হাগিং ফেসে ওপেন ওয়েটস হিসেবে CC BY NC 4.0 লাইসেন্সে উপলব্ধ।

Card image

Related Threads

logo
No data found yet!

সহজে ব্যবহারের সুবিধার্থে একনজরের ওয়েব অ্যাপটি সেটাপ করে নিন।