যেখানে টাইপ করা ধীর, সেখানে ভয়েস কাজের: নোট বলে লেখানো, কথা বলে বুকিং, প্রবন্ধ জোরে শোনা, কিংবা যাঁদের পড়তে অসুবিধা তাঁদের সহায়তা। উপসাগরীয় অঞ্চলের ব্যবসাগুলো আরবি ভয়েসও চায়, আর সেখানে আঞ্চলিক উপভাষা যতটা গুরুত্বপূর্ণ, অনেকে তা আন্দাজই করেন না।
এই গাইডে আছে মূল উপাদানগুলো, লঞ্চের আগে কী পরীক্ষা করবেন, আর প্রথম কার্যকর সংস্করণের জন্য Uttra-কে কীভাবে বলবেন।
একটি ভয়েস অ্যাপ তিনটির মধ্যে একটি কাজ করে: কথাকে লেখায় রূপ দেয়, লেখাকে কণ্ঠে শোনায়, অথবা দুটো মিলিয়ে কথোপকথন চালায়। কাজটা আপনি Uttra-কে সহজ ভাষায় বলতে পারেন, তবে উচ্চারণের নির্ভুলতা, মাইক্রোফোনের অনুমতি ও রেকর্ডিংয়ের গোপনীয়তা নিয়ে সচেতন সিদ্ধান্ত নিতে হবে।
তিনটি মূল উপাদান
স্পিচ-টু-টেক্সট মাইক্রোফোনে শুনে লিখিত শব্দ ফেরত দেয়। টেক্সট-টু-স্পিচ বেছে নেওয়া কণ্ঠে লেখা পড়ে শোনায়। ভয়েস অ্যাসিস্ট্যান্ট এ দুটোকে জোড়ে: শোনে, লেখাটি AI মডেলে পাঠায়, তারপর উত্তর মুখে বলে।
- ডিক্টেশন: ব্যবহারকারী বলেন, লেখা ফর্মে বা নোটে বসে যায়।
- পড়ে শোনানো: প্রবন্ধ বা পাঠে একটি বোতাম লেখাটিকে অডিও হিসেবে চালায়।
- ভয়েস অ্যাসিস্ট্যান্ট: মুখে প্রশ্ন করুন, উত্তর শুনুন।
- ভয়েস কমান্ড: “আমার অর্ডারগুলো খোলো” ধরনের ছোট বাক্য।
উচ্চারণ ও উপভাষা: আসল কণ্ঠে পরীক্ষা করুন
শনাক্তকরণের মান ভাষা, উপভাষা, পেছনের শব্দ ও মাইক্রোফোনভেদে বদলায়। যে মডেল প্রমিত আরবি ভালো বোঝে, সে নজদি বা হিজাজি কথা, নাম এবং আরবি-ইংরেজি মেশানো বাক্যে হোঁচট খেতে পারে। ডেমো দেখে ভরসা করবেন না; আপনার আসল ব্যবহারকারীদের দিয়ে দশটি বাক্য রেকর্ড করান এবং ফল দেখুন।
শনাক্ত করা লেখা সবসময় দেখান, যাতে অর্ডার বা অ্যাপয়েন্টমেন্টের মতো গুরুত্বপূর্ণ কিছু নিশ্চিত হওয়ার আগে ব্যবহারকারী ভুল শুধরে নিতে পারেন।
অনুমতি, HTTPS ও গোপনীয়তা
ব্রাউজার শুধু নিরাপদ পেজে এবং ব্যবহারকারী সম্মতি দিলেই মাইক্রোফোন খুলতে দেয়, তাই অনুমতির বার্তা আসার আগে কেন মাইক্রোফোন লাগছে তা বুঝিয়ে বলুন। ভয়েস ব্যক্তিগত তথ্য। অডিও জমা থাকে কি না, কতদিন, আর কে শুনতে পারে তা জানান; যে রেকর্ডিং দরকার নেই তা রাখবেন না।
বাইরের প্রদানকারীর ভয়েস ও টেক্সট সেবার জন্য API কী লাগে, যা আপনি প্রজেক্টের সিক্রেট হিসেবে দেবেন। বিশেষ করে শিশু বা স্বাস্থ্যসংক্রান্ত বিষয়বস্তুতে প্রদানকারী অডিও কীভাবে সামলায়, তাদের শর্তে তা দেখে নিন।
- পরিষ্কার একটি মাইক্রোফোন বোতাম, যার শুনছে-অবস্থা চোখে পড়ে।
- গোলমালের জায়গা এবং অনুমতি না-দেওয়া ব্যবহারকারীদের জন্য টাইপ করার বিকল্প।
- বোতামের পাশে ছোট একটি গোপনীয়তার নোট।
একটি প্রম্পট যা পেস্ট করতে পারেন
ছোট করে শুরু করুন এবং ব্যবহারকারীর মুহূর্তটি বর্ণনা করুন। যেমন:
“আমার ক্লিনিক অ্যাপের নোট পেজে একটি ডিক্টেশন বোতাম যোগ করো। ব্যবহারকারী আরবিতে বলবেন, লেখা নোটের ঘরে আসবে এবং সেভ করার আগে সম্পাদনা করা যাবে। প্রতিটি নোটের জন্য পড়ে শোনানোর বোতাম দাও, মাইক্রোফোন বন্ধ থাকলে টাইপ করার বিকল্প দাও, আর একটি ছোট লাইনে জানাও যে অডিও জমা রাখা হয় না।”