অন-ডিভাইস প্রযুক্তি যেভাবে ব্যাকগ্রাউন্ড নয়েজ দূর করে

অফিসের ব্যস্ত পরিবেশ, কোলাহলপূর্ণ রাস্তা কিংবা কফি শপের গ্যাঞ্জাম—ফোনে কথা বলার সময় পেছনের এই অনাকাঙ্ক্ষিত শব্দ চিরকালের এক বিরক্তিকর সমস্যা। অতীতে ব্যাকগ্রাউন্ড নয়েজ দূর করার জন্য সাধারণ স্পেকট্রাল সাবট্রাকশন প্রযুক্তির ওপর নির্ভর করা হতো, যা প্রায়শই মূল মানুষের কণ্ঠস্বরকেও বিকৃত করে ফেলত। তবে বর্তমান নিউরাল নেটওয়ার্ক এবং অন-ডিভাইস কৃত্রিম বুদ্ধিমত্তার কল্যাণে এই চিত্রে আমূল পরিবর্তন এসেছে। এখন ফোনের শক্তিশালী প্রসেসরে থাকা লোকাল নিউরাল নেটওয়ার্ক অ্যালগরিদম বাস্তব সময়ে আপনার ভয়েস আলাদা করে ব্যাকগ্রাউন্ড নয়েজ দূর করতে সক্ষম। এই নিবন্ধে আমরা আলোচনা করব কীভাবে এই আধুনিক প্রযুক্তি নয়েজ ফিল্টারিংয়ের পুরো প্রক্রিয়াকে নতুন রূপ দিচ্ছে।

স্পেকট্রাল সাবট্রাকশন থেকে গভীর নিউরাল নেটওয়ার্কের উত্থান

পূর্বে ফোনের অডিও সিগন্যাল প্রক্রিয়াজাত করতে মূলত অ্যালগরিদম ভিত্তিক স্পেকট্রাল সাবট্রাকশন পদ্ধতি ব্যবহৃত হতো। এই পদ্ধতিতে অডিওর একটি নির্দিষ্ট কম্পাঙ্ক বা ফ্রিকোয়েন্সি মেপে শব্দ কমিয়ে দেওয়া হতো। কিন্তু এতে সমস্যা ছিল—যদি ব্যাকগ্রাউন্ড নয়েজের ফ্রিকোয়েন্সি মানুষের কণ্ঠস্বরের কাছাকাছি হতো, তবে সিস্টেমটি আসল ভয়েসকেও কেটে বাদ দিয়ে দিত। ফলে অপরপ্রান্তের মানুষটি রোবোটিক বা যান্ত্রিক শব্দ শুনতেন।

বর্তমান ডিপ লার্নিং অ্যালগরিদম এই প্রক্রিয়ায় বিপ্লব এনেছে। প্রথাগত গাণিতিক সূত্রের বদলে এখন নিউরাল নেটওয়ার্ককে হাজার হাজার ঘণ্টার কোলাহলপূর্ণ এবং স্পষ্ট অডিও ডাটা দিয়ে প্রশিক্ষণ দেওয়া হয়। এর ফলে এআই সিস্টেমটি মানুষের ভয়েস প্যাটার্ন এবং ব্যাকগ্রাউন্ড নয়েজের সূক্ষ্ম পার্থক্য সহজে চিনতে পারে।

অন-ডিভাইস লোকাল প্রসেসিং কীভাবে কাজ করে?

আধুনিক স্মার্টফোনে যুক্ত থাকা নিউরাল প্রসেসিং ইউনিট (NPU) সরাসরি ডিভাইসের ভেতরেই অ্যালগরিদম চালু রাখে। যখনই আপনি কথা বলতে শুরু করেন, মাইক্রোফোন থেকে সংগৃহীত অডিও অডিটরিয়াম ফ্রেম তৈরি করে অন-ডিভাইস প্রসেসরে পাঠায়।

রিয়েল-টাইম অডিও ফিল্টারিংয়ের ধাপসমূহ:

• ফ্রিকোয়েন্সি স্পেকট্রাম বিশ্লেষণ: মাইক্রোফোনের অডিও সিগন্যালকে মুহূর্তের মধ্যে ছোট ছোট ফ্রিকোয়েন্সি ব্যান্ডে বিভক্ত করা হয়।
• ভয়েস ও নয়েজের শ্রেণীবদ্ধকরণ: প্রশিক্ষিত মডেলটি মাইক্রোসেকেন্ডের মধ্যে কোনটি মানুষের ভয়েস এবং কোনটি গাড়ির হর্ন বা বাতাসের শব্দ তা চিহ্নিত করে।
• আইসোলেশন ও ফিউশন: অনাকাঙ্ক্ষিত শব্দগুলোকে ফিল্টার করে বাদ দেওয়া হয় এবং ব্যবহারকারীর ভয়েসকে পরিচ্ছন্ন করে পুনর্গঠন করা হয়।

সবচেয়ে বড় সুবিধা হলো এই পুরো অডিও ফিল্টারিং প্রক্রিয়াটি সম্পন্ন হতে কয়েক মিলিযোগাযোগের বেশি সময় লাগে না, ফলে কলে কোনো ডিলে হয় না।

ক্লাউড বনাম লোকাল নিউরাল নেটওয়ার্ক: প্রাইভেসি ও স্পিড

পূর্বে জটিল নয়েজ ফিল্টারিংয়ের জন্য ক্লাউড সার্ভারের সাহায্য নিতে হতো। তবে এতে দুটি বড় অসুবিধা ছিল—ইন্টারনেট সংযোগের প্রয়োজনীয়তা এবং ব্যক্তিগত গোপনীয়তার ঝুঁকি। ক্লাউডে ভয়েস ডাটা পাঠানোর সময় কল কেটে যাওয়া বা অডিও ড্রপ হওয়ার আশঙ্কা থাকত।

কেন অন-ডিভাইস সমাধানই ভয়েস কলের ভবিষ্যৎ?

লোকাল নিউরাল নেটওয়ার্ক সম্পূর্ণ অফলাইনে আপনার ফোনেই কাজ করে। এর ফলে ইন্টারনেটের গতি কম থাকলেও আপনার কলের স্পষ্টতা কমে না। সবচেয়ে গুরুত্বপূর্ণ বিষয় হলো, আপনার অডিও ডাটা বা ভয়েস সাম্পল ডিভাইসের বাইরে যায় না, যা গোপনীয়তা সম্পূর্ণ সুরক্ষিত রাখে। এছাড়া ফোনের ব্যাটারি সাশ্রয়েও অন-ডিভাইস নয়েজ দূর করার অ্যালগরিদম বেশ কার্যকরী ভুমিকা রাখছে।

ফোনে কথা বলার সময় কোলাহলমুক্ত অভিজ্ঞতার জন্য আপনি কি ডিভাইসের এই ফিচারগুলো ব্যবহার করেন? আপনার অভিজ্ঞতা নিচে মন্তব্য করে আমাদের জানান!