নাজটেক লোকাল ভয়েস এআই

এটি কী

এমন একটা ভয়েস অ্যাসিস্ট্যান্ট, যেখানে শোনা আর বলা — দুটোই হয় সার্ভারের নিজের সিপিইউতে, আর কেবল চিন্তাটুকু যায় ক্লাউডে। তিনটে ধাপ, আর অ্যাপটা নিজেই সেভাবে নাম দিয়েছে: কান আপনার কথাকে লেখায় বদলায়, মস্তিষ্ক ঠিক করে কী বলা হবে, মুখ সেটা বলে।

কান হলো faster-whisper, চলে স্থানীয়ভাবে। মুখ — বাংলার জন্য Piper, ইংরেজির জন্য Pocket TTS, সেটাও স্থানীয়, সঙ্গে বেছে নেওয়ার মতো একগুচ্ছ কণ্ঠ। কেবল মস্তিষ্কটাই — Gemini — নেটওয়ার্ক কল।

এভাবে বানানো হলো কেন

রিয়েলটাইম স্পিচ-টু-স্পিচ এপিআই দুই দিকের প্রতি সেকেন্ড অডিওর জন্য বিল করে। এখানে অডিও মেশিন ছেড়ে যায়ই না, তাই বিলযোগ্য ট্রাফিক কেবল লেখা — আর বাংলার ক্ষেত্রে ট্রান্সক্রিপশনের জন্য পাঠানো অডিওটুকু, কারণ স্থানীয় বাংলা রিকগনিশন এখনো যথেষ্ট ভালো নয়।

একই কথোপকথনের ওপর মাপা, অ্যাপের নিজের Cost পাতায়: প্রতি টার্নে $০.০০৯৭২, বনাম রিয়েলটাইম বেসলাইনের $০.০২০৬ — সাশ্রয় ৫২.৯%। পাতাটা শুধু সিদ্ধান্ত নয়, হিসাবটাও দেখায়।

এখনই যা করে দেখতে পারেন

Start Conversation চাপুন, তারপর বোতামটা বা স্পেস বার চেপে ধরে কথা বলুন। ছেড়ে দিলেই উত্তর দেবে। আছে হ্যান্ডস-ফ্রি মোড, আর একটা ইন্টারাপ্ট বোতাম — মানুষ যেভাবে মাঝপথে থামিয়ে দেয়, সেভাবেই থামানো যায়। ইংরেজি আর বাংলার মধ্যে ভাষা বদলানোরও সুযোগ আছে।

সেখানে গিয়ে দুটো পাতা খুলে দেখার মতো:

• Benchmark — যে মেশিনে চলছে সেখানেই প্রতিটি ধাপের সময়, টার্ন ধরে ধরে।
• Cost — রিয়েলটাইম বেসলাইনের সঙ্গে চলমান তুলনা, ব্যবহারের সঙ্গে সঙ্গে হালনাগাদ।

মাপা, অনুমান নয়

২২টি সত্যিকারের টার্নে: গড় স্পিচ-টু-টেক্সট ৪৪৯ মিলিসেকেন্ড, Gemini-র প্রথম টোকেন ১৭৩৮ মিলিসেকেন্ড, আর প্রথম শব্দ শোনা যাওয়া পর্যন্ত গড়ে ১.৪৬ সেকেন্ড।

এই সাইটের ভয়েস অ্যাসিস্ট্যান্টের পিছনেও এটাই — আপনি যে বাংলা বলেন, সেটা এখানেই লেখায় বদলায়।