Fish Audio মুক্ত ওজনের 35B টেক্সট-টু-স্পিচ মডেল Drama 3 প্রকাশ করেছে

ভয়েস এআই কোম্পানি Fish Audio নতুন টেক্সট-টু-স্পিচ মডেল Drama 3 প্রকাশ করেছে, যা ১৪ অক্টোবর, ২০২৬ তারিখে ঘোষণা করা হয়। মডেলটিতে মোট ৩৫ বিলিয়ন প্যারামিটার রয়েছে এবং এটি মিক্সচার-অফ-এক্সপার্টস (MoE) নকশায় তৈরি। Fish Audio মডেলের ওজন সর্বসাধারণের জন্য উন্মুক্ত করছে।

প্রকাশিত তথ্য অনুযায়ী, Drama 3 একবারে প্রায় ৩ বিলিয়ন প্যারামিটার সক্রিয় করে। MoE ব্যবস্থায় প্রতিটি ইনপুট পরিচালনা করে কেবল বিশেষায়িত উপ-নেটওয়ার্কের একটি অংশ, ফলে মডেল বড় সামগ্রিক ক্ষমতা ধরে রাখতে পারে আর চালানোর জন্য প্রয়োজনীয় কম্পিউট তুলনামূলকভাবে সীমিত থাকে।

সহজ ভাষায় নির্দেশনা

এই মডেলের একটি প্রধান বৈশিষ্ট্য হলো, ব্যবহারকারীরা প্রযুক্তিগত সেটিংসের বদলে সাধারণ লিখিত নির্দেশনার মাধ্যমে ভয়েসের আউটপুট নিয়ন্ত্রণ করতে পারেন, যেমন কণ্ঠের ধরন, আবেগ বা উপস্থাপনার ভঙ্গি বর্ণনা করে। Drama 3 ৮৩টি ভাষা সমর্থন করে বলে জানানো হয়েছে।

মডেলের নাম এবং প্রাকৃতিক ভাষায় নির্দেশনার ওপর গুরুত্ব দেখে মনে হয়, এটি অভিব্যক্তিপূর্ণ, পারফরম্যান্স-ধাঁচের বক্তৃতার ওপর জোর দিচ্ছে। তবে সর্বসাধারণের জন্য প্রকাশিত সারসংক্ষেপে অডিও মানের বেঞ্চমার্ক তুলনা বা প্রতিটি ভাষা কতটা ভালোভাবে সমর্থিত, তার বিস্তারিত বিশ্লেষণ অন্তর্ভুক্ত নেই।

লাইসেন্সের শর্তাবলি

ওজনগুলো রাজস্ব সীমাসহ একটি কমিউনিটি লাইসেন্সের অধীনে বিতরণ করা হচ্ছে। এই ধরনের লাইসেন্সে সাধারণত ব্যক্তি, গবেষক ও ছোট কোম্পানি মডেলটি বিনামূল্যে ব্যবহার করতে পারে, তবে নির্দিষ্ট রাজস্বের সীমার বেশি আয়ের ব্যবসাগুলোকে আলাদা বাণিজ্যিক শর্তে সম্মত হতে হয়। Fish Audio কোন সীমা বেছে নিয়েছে, তা উপলব্ধ তথ্যে নির্দিষ্ট করা হয়নি।

উন্মুক্ত ওজনের কারণে ডেভেলপাররা মডেলটি নিজেদের হার্ডওয়্যারে চালাতে, ফাইন-টিউন করতে এবং হোস্টেড সেবার ওপর নির্ভর না করে পণ্যে যুক্ত করতে পারেন। টেক্সট-টু-স্পিচ বাজারের বড় অংশ বন্ধ, API-ভিত্তিক সেবার মাধ্যমে চলে, তাই এই আকারের একটি উন্মুক্ত মডেল ভয়েসওভার, গেম ও অ্যাক্সেসিবিলিটি টুলে কাজ করা দলগুলোর জন্য মূল্যায়নের আরেকটি বিকল্প দেয়।