২০২৬ সাল এখনও অর্ধেকও পার হয়নি, এরই মধ্যে ৩০টিরও বেশি এআই চশমা উন্মোচন করা হয়েছে।
হুয়াওয়ে, আলিবাবার কিয়ানওয়েন, রোকিড, থান্ডারবার্ড এবং শাওমির মতো প্রতিষ্ঠিত ব্র্যান্ডগুলো ছাড়াও, এমনকি রোবাম অ্যাপ্লায়েন্সেসও এআই কুকিং গ্লাস বাজারে এনেছে এবং বিওই (BOE) সাইক্লিং গ্লাস তৈরি করেছে… বাজারে এত বিভিন্ন ধরণের পণ্য থাকায়, তারা সবাই মূলত তিনটি বিষয়ের উপরই মনোযোগ দিচ্ছে: কে এটিকে আরও হালকা করে তৈরি করতে পারে, কার ক্যামেরা আরও স্পষ্ট, এবং কার লেন্স একটি বড় ও উন্নত ডিসপ্লে স্ক্রিনের জন্য উপযুক্ত।
এই উত্তেজনার মাঝে একটি পরিসংখ্যান প্রায়শই উপেক্ষিত হয়।
বর্তমানে, মূলধারার ই-কমার্স প্ল্যাটফর্মগুলিতে এআই চশমা ফেরত আসার হার উদ্বেগজনকভাবে বেশি, যা সাধারণত প্রায় ৩০% । লাইভ-স্ট্রিমিং চ্যানেলগুলিতে, যেখানে বেশিরভাগ মানুষই হুট করে কেনাকাটা করে, সেখানে এই হার এমনকি ৪০% থেকে ৫০% পর্যন্তও পৌঁছে যেতে পারে।
ব্যবহারকারীরা নতুনত্বের টানে অর্ডার দেন, কয়েকদিন ব্যবহার করেন এবং তারপর নীরবে ফেরত দিয়ে দেন। শুরুতে বেশি বিক্রি এবং তারপর তা কমে যাওয়া, এর সাথে ক্রমাগত উচ্চ হারে ফেরত আসা—এগুলোই অনেক এআই চশমার সাধারণ 'জীবনচক্র' গঠন করে।
সোজাসুজি বলতে গেলে, নতুনত্বের আকর্ষণ কমে গেলে ভোক্তারা ভাবতে শুরু করবে: এটি পরার পর ঠিক কী করতে পারে?
আজ আইফ্লাইটেক ম্যাকাউতে তাদের প্রথম এআই চশমা উন্মোচন করেছে। ৪০ গ্রাম ওজনের এই চশমাটিতে চিত্তাকর্ষক পিক্সেল সংখ্যা, পূর্ণ-রঙিন স্ক্রিন বা ফ্যাশনেবল কোনো সহযোগিতার জাঁকজমক নেই; বরং, এটি তার মূল সক্ষমতাকে একটি আপাতদৃষ্টিতে সাধারণ কাজের উপর কেন্দ্রীভূত করেছে— আর তা হলো অনুবাদ ।
কিন্তু অনুবাদ কেবল সূচনা, শেষ নয়।
সংবাদ সম্মেলনের প্রাক্কালে, অ্যাপসো (APPSO) আইফ্লাইটেক (iFlytek)-এর ভাইস প্রেসিডেন্ট ওয়াং ওয়েই এবং ওয়্যারেবল ডিভাইসেস বিজনেস ইউনিটের জেনারেল ম্যানেজার লিন হুইজিয়ের সাথে কথা বলেছে। কথোপকথনের শেষার্ধে, আলোচনার বিষয় নির্দিষ্ট পণ্য প্রযুক্তি থেকে একটি বৃহত্তর প্রশ্নে মোড় নেয়: এআই চশমার পরবর্তী পর্যায়ের চাবিকাঠি কি হার্ডওয়্যার স্তরে, নাকি এআই ওয়ার্কফ্লোতে?
এআই চশমার বিশেষত্ব হলো এই যে, মানুষ এগুলো একটানা পরতে চাইবে।
স্মার্ট গ্লাস প্রস্তুতকারকদের মধ্যে তীব্র প্রতিযোগিতার পর, বিদ্যমান সরবরাহ শৃঙ্খলের মধ্যেই একটি স্মার্ট গ্লাস পণ্য তৈরি করা কঠিন কিছু নয়; হুয়াচিয়াংবেই (শেনঝেনের একটি প্রধান ইলেকট্রনিক্স বাজার) মাত্র দুই সপ্তাহে একটি প্রোটোটাইপ তৈরি করতে পারে। আসল চ্যালেঞ্জ হলো ব্যবহারকারীদেরকে এটি 'সবসময় পরে থাকার' একটি কারণ দেওয়া।
প্রথমবারের মতো এআই চশমা তৈরি করা আইফ্লাইটেকের জন্য এটি একটি অনিবার্য বাধা ছিল।
যখন ওয়াং ওয়েই অ্যাপসো-কে আইফ্লাইটেকের এআই গ্লাস প্রকল্পের সূচনা সম্পর্কে বলেছিলেন, তখন জানা যায় যে এর উৎস ছিল একটি খুব নির্দিষ্ট পরিস্থিতি: ভেবে দেখুন, প্রদর্শনী এবং ছোটখাটো ব্যবসায়িক আলোচনার মতো ক্ষেত্রে অনুবাদ যন্ত্র খুবই দরকারি, এমনকি একটি কোম্পানিও এটি ভাগাভাগি করে ব্যবহার করতে পারে। কিন্তু বিদেশে ভ্রমণের সময় বা বিশেষ কোনো অনুষ্ঠানে এমন মুহূর্ত আসে যখন ডিভাইসটি বের করে স্ক্রিনের দিকে তাকানোটা অসুবিধাজনক হয়ে পড়ে, এবং আপনি নিশ্চয়ই চাইবেন না যে অনুবাদের ফলাফলের জন্য অপেক্ষা করতে গিয়ে আপনার কথা বলার স্বাভাবিক ছন্দে ব্যাঘাত ঘটুক।
আপনি চান যোগাযোগ হোক একান্ত ও সাবলীল, যেখানে থাকবে নিরবচ্ছিন্ন চোখের যোগাযোগ, সাবলীল কথোপকথন এবং এমন অনুবাদ যা অদৃশ্য বলে মনে হবে। ব্যবহারকারীর সেই ‘অবাধ্যতামূলক’ অভিজ্ঞতার প্রত্যাশাই এই চশমাগুলোর মূল ভিত্তি।
অনুবাদ মেশিন ব্যবহারকারীদের কাছ থেকে পাওয়া অগণিত বাস্তব প্রতিক্রিয়া পর্যালোচনা করার পর আইফ্লাইটেক এই 'শারীরিক বাধা' নামক সমস্যাটি চিহ্নিত করেছে। এআই চশমা প্রস্তুতকারী সংস্থা রাতারাতি গড়ে উঠতে পারে, কিন্তু অনুবাদের ভিত্তি স্থাপনে তাড়াহুড়ো করা যায় না।
আইফ্লাইটেকের অনুবাদ যন্ত্র ১০ লক্ষ ইউনিট বিক্রি হয়েছে এবং ১০০ কোটি বার অনুবাদ করেছে। আইফ্লাইটেকের যুগপৎ দোভাষী পরিষেবা ৪ লক্ষ ২০ হাজার আন্তর্জাতিক সম্মেলন সম্পন্ন করেছে, যা ৫০টিরও বেশি দেশ এবং ৪০ কোটি দর্শকের কাছে পৌঁছেছে এবং টানা আট বছর ধরে জাতীয় গণ কংগ্রেস ও চীনা গণ রাজনৈতিক পরামর্শ সম্মেলনে পরিষেবা দিয়ে আসছে।
এই সংখ্যাগুলো শুধু অ্যালগরিদমকেই নয়, বরং বাস্তব জগতের খুঁটিনাটি পরিস্থিতি সম্পর্কেও একটি বোঝাপড়া তুলে ধরে: কখন ব্যবহারকারীদের কাছে অনুবাদ ধীরগতির মনে হয়, কোন পরিস্থিতিতে হ্যান্ডহেল্ড ডিভাইস ব্যবহার করা অসুবিধাজনক হয়, এবং কোন কোলাহলপূর্ণ পরিবেশে নির্ভুলতা মারাত্মকভাবে কমে যায়…
গত অক্টোবরে, আইফ্লাইটেক একটি অনুবাদ হেডসেট চালু করে। হেডসেটটি দুটি বিষয় প্রমাণ করেছে: ব্যবহারকারীদের সত্যিই হ্যান্ডস-ফ্রি পরিধানযোগ্য অনুবাদের প্রয়োজন আছে; এবং পরিধানযোগ্য ডিভাইসে ২ সেকেন্ডেরও কম প্রতিক্রিয়া সময়ে এন্ড-টু-এন্ড যুগপৎ অনুবাদ সম্ভব।
তবে, হেডফোন শুধুমাত্র কানের জন্যই ব্যবহৃত হয়। লিন হুইজির মতে, হেডফোনের সীমাবদ্ধতা হলো এটি একটি "শ্রবণ" যন্ত্র (এবং এখন এর সাথে ক্যামেরাও যুক্ত হচ্ছে)। অন্যদিকে, চশমা একটি চাক্ষুষ মাধ্যম যোগ করতে পারে। একাধিক মাধ্যমের সমন্বয়ে আন্তঃভাষিক যোগাযোগের জন্য তথ্যের আদান-প্রদান অনেক বেশি সমৃদ্ধ হয়ে ওঠে।
সহজ কথায় বলতে গেলে, এই চশমাটিতে ছবি তোলার ও অনুবাদ করার জন্য একটি ক্যামেরা, ফোনের দিকে না তাকিয়ে সাবটাইটেল দেখানোর জন্য একটি ডিসপ্লে এবং দিকনির্দেশক শব্দ কমানোর জন্য আরও মাইক্রোফোন রয়েছে।
ওয়াং ওয়েইয়ের ভাষায়, "চশমা মানুষের চোখ, কান ও মুখের সবচেয়ে কাছে থাকে। এটি ভৌত জগৎ ও ডিজিটাল জগতের মধ্যে একটি স্বাভাবিক সেতুবন্ধন, যা শ্বাস-প্রশ্বাসের মতোই স্বাভাবিকভাবে অনুবাদের সুযোগ করে দেয়।"
২০২৬ সাল নাগাদ সরবরাহ শৃঙ্খলের খরচ কমতে শুরু করেছিল এবং জাতীয় ভর্তুকি কর্মসূচিতে প্রথমবারের মতো স্মার্ট গ্লাস অন্তর্ভুক্ত হয়েছিল। এছাড়াও, স্পার্ক এক্স২ লার্জ মডেলের উন্নত ক্লাউড অনুবাদ ক্ষমতা সঠিক সময় ও পরিস্থিতির নিখুঁত সদ্ব্যবহার করেছিল।
লিন হুইজি বেশ স্পষ্টভাষী ছিলেন: "আমরা এই মুহূর্তটি বেছে নিয়েছি কারণ আমরা দেখেছি যে প্রবৃদ্ধির হার সবেমাত্র শুরু হয়েছে।" ওয়াং ওয়েই আরও সরাসরি বললেন: "আমরা 'আইফোন মুহূর্ত' শব্দটি ব্যবহার করতে চাই না, কিন্তু এর আসল অর্থ এটাই। আমরা সিঙ্গুলারিটিতে পৌঁছাতে চলেছি।"
৪০ গ্রাম, একটি সিস্টেম ইঞ্জিনিয়ারিং সমস্যা
আইফ্লাইটেকের এআই গ্লাস সম্পর্কে আমার প্রথম ধারণা ছিল যে, এগুলো আমার প্রত্যাশার চেয়ে হালকা। এতে একটি ক্ষুদ্র ডিসপ্লে, ক্যামেরা, ৫+১ মাইক্রোফোন ম্যাট্রিক্স এবং স্পিকার সমন্বিত করা হয়েছে, তবুও এর মোট ওজন ৪০ গ্রামেই সীমাবদ্ধ রাখা হয়েছে।
এই সংখ্যাটি অনেকের কাছে স্পষ্ট নাও হতে পারে, তাই আসুন একটি আনুভূমিক তুলনা করা যাক:
- মেটা রে-ব্যানটির ওজন ৪৯ গ্রাম, কিন্তু এতে কোনো ডিসপ্লে স্ক্রিন নেই;
- রোকিড গ্লাসেস-এর ওজনও ৪৯ গ্রাম এবং এতে একটি ডিসপ্লে রয়েছে, কিন্তু এটি আইফ্লাইটেক-এর চেয়ে প্রায় ২৫% বেশি ভারী।
- হুয়াওয়ের এআই গ্লাসগুলো সত্যিই হালকা, এর ওজন মাত্র ৩৫.৫ গ্রাম, কিন্তু এগুলোতে কোনো ডিসপ্লে স্ক্রিন নেই।
ডিসপ্লেযুক্ত স্মার্ট গ্লাসের জগতে, আইফ্লাইটেক বর্তমানে এই শিল্পের সবচেয়ে হালকা গ্লাসটি তৈরি করতে সক্ষম হয়েছে।
ঠিক ৪০ গ্রাম কেন? লিন হুইজি ব্যাখ্যা করেছেন যে এই সংখ্যাটি পুঙ্খানুপুঙ্খ গবেষণা এবং সিমুলেশনের ফল। ইউরোপীয় এবং আমেরিকানদের মাথার আকৃতি ও শারীরিক গঠন সাধারণত বেশি সহনশীল, তাই তারা মেটার ৫০ গ্রামের বেশি ওজনকেও গ্রহণযোগ্য মনে করে। তবে, এশীয়রা তাদের ভিন্ন খুলির গঠন এবং নাকের উচ্চতার কারণে ওজনের ব্যাপারে অত্যন্ত সংবেদনশীল।
চীনা ব্যবহারকারীদের জন্য, ৪৫ গ্রাম একটি নির্ণায়ক ওজন; এই ওজন অতিক্রম করলে দীর্ঘক্ষণ পরিধানের পর লক্ষণীয় চাপ সৃষ্টি হবে। দীর্ঘক্ষণ পরিধানের জন্য ৪০ গ্রাম হলো ‘আরামদায়ক সীমা’।
ওই কয়েক গ্রাম ওজন কমানোর জন্য দলটি প্রকৌশলগত দিক থেকে সরবরাহ শৃঙ্খলের সাথে দীর্ঘ সময় ধরে আলোচনা করেছে। সবচেয়ে গুরুত্বপূর্ণ পদক্ষেপটি ছিল প্রচলিত কাচের লেন্সের পরিবর্তে রেজিন লেন্স ব্যবহার করা।
প্রচলিত চশমায় দীর্ঘদিন ধরে রেজিনেরই প্রাধান্য ছিল, কিন্তু স্মার্ট গ্লাসে এটি কেন ব্যবহার করা হয়নি? কারণ এর উৎপাদন প্রক্রিয়াটি অত্যন্ত শ্রমসাধ্য। স্মার্ট গ্লাসের লেন্সের জন্য 'ফুল ল্যামিনেশন' প্রয়োজন হয়, যেখানে ডিসপ্লে লেয়ার এবং লেন্সকে একসাথে চাপ দিয়ে জোড়া লাগানো হয়। রেজিন উপাদান ছাঁচনির্মাণ এবং তাপ দেওয়ার সময় খুব সহজেই ক্ষুদ্র বায়ু বুদবুদ তৈরি করে। আঠালো অংশে সামান্যতম ফাঁক থাকলেও আলোর প্রতিসরণের বক্রতা নষ্ট হয়ে যায়, ফলে পুরো লেন্সটিই ব্যবহারের অযোগ্য হয়ে পড়ে। কাচের তুলনায় এর উৎপাদন নিয়ন্ত্রণ করা অনেক বেশি কঠিন।
লিন হুইজি প্রকাশ করেছেন যে, ডিসপ্লেযুক্ত স্মার্ট গ্লাসে ফুল-ল্যামিনেশন রেজিন প্রক্রিয়া সফলভাবে প্রয়োগকারী শিল্পে আইফ্লাইটেক সম্ভবত প্রথম সংস্থা। ডিসপ্লে লেন্সে রেজিন উপাদান ব্যবহারে অবশেষে সফল হওয়ার আগে গবেষণা ও উন্নয়ন প্রক্রিয়ায় অসংখ্য পরীক্ষা-নিরীক্ষা ও ব্যর্থতা জড়িত ছিল। তবে, এর সুফল হয়েছে ব্যাপক; শুধুমাত্র লেন্সগুলোই কাচের সমাধানের চেয়ে ৩০% থেকে ৪০% হালকা।
এছাড়াও, একটি বিশেষভাবে ডিজাইন করা ০.১৫সিসি ক্ষুদ্রাকৃতির অপটিক্যাল ইঞ্জিন এবং ক্ষুদ্রাকৃতির ক্যামেরা মডিউল ব্যবহার করা হয়েছে, এবং ফ্রেম ও টেম্পল একটি একক ইউনিট হিসেবে ঢালাই করা হয়েছে। চিপ নির্বাচন এবং অ্যালগরিদম একে অপরের সাথে গভীরভাবে জড়িত: একই কাজের জন্য, অন্যান্য কোম্পানির ১০০mAh ব্যাটারির প্রয়োজন হতে পারে, যেখানে iFlytek-এর জন্য মাত্র ৫০mAh-ই যথেষ্ট।
সুতরাং, পরিশেষে আমরা যে iFlytek AI Glasses-টি দেখি, সেটি সামগ্রিকভাবে হালকা, কিন্তু এর ব্যাটারি লাইফে কোনো ঘাটতি হয় না।
এটি একটি সিস্টেমস ইঞ্জিনিয়ারিং সমস্যা, যার কোনো সংক্ষিপ্ত পথ নেই। উৎপাদন হার উন্নত করার জন্য সরবরাহ শৃঙ্খলের প্রতিটি ধাপে বারবার সমন্বয় সাধন করতে হয়। রেজিন লেন্স, মাইক্রো-অপটিক্যাল ইঞ্জিন, স্বল্প-শক্তির চিপ এবং অ্যালগরিদম-হার্ডওয়্যার সংযোগ—এর যেকোনো একটি ধাপ ব্যর্থ হলে ওজন আবার ৫০ গ্রামের বেশি হয়ে যাবে।
ঠোঁটের নড়াচড়া শনাক্তকরণের মাধ্যমে শব্দ কমানো: কানকে শুনতে সাহায্য করার জন্য চোখের ব্যবহার।
অনুবাদ নিঃসন্দেহে আইফ্লাইটেকের একটি স্বাচ্ছন্দ্যের জায়গা, কিন্তু এই চশমাগুলোতে আইফ্লাইটেক কিছুটা ভবিষ্যৎমুখী একটি প্রযুক্তিরও সূচনা করেছে— ঠোঁটের নড়াচড়া শনাক্তকরণে শব্দ কমানো, যা মাল্টিমোডাল নয়েজ রিডাকশন সিস্টেমের মূল অংশ ।
এই প্রথমবার এআই চশমায় ঠোঁটের নড়াচড়া শনাক্তকরণ ও শব্দ কমানোর প্রযুক্তি যুক্ত করা হয়েছে । এর পেছনের কার্যপ্রণালী হলো, চশমার সামনের ক্যামেরাটি বক্তার ঠোঁটকে লক করে। একই সাথে, চশমায় থাকা পাঁচটি এয়ার কন্ডাকশন মাইক্রোফোন এবং একটি বোন কন্ডাকশন মাইক্রোফোন মিলে একটি ছয়-চ্যানেলের অডিও স্ট্রিম তৈরি করে।
সিস্টেমটি 'কার মুখ নড়ছে' তার রিয়েল-টাইম পর্যবেক্ষণের মাধ্যমে 'কার কণ্ঠস্বর শুনতে হবে' তা নির্ধারণ করতে সাহায্য করে, ফলে একাধিক কণ্ঠস্বরের কোলাহলপূর্ণ মিশ্রণ থেকে লক্ষ্য ব্যক্তির কণ্ঠস্বর নির্ভুলভাবে আলাদা করতে পারে।
এর ফলে "কে কাকে অনুবাদ করছে তা দেখা যায়"; আপনার চশমা যার দিকেই তাক করা থাকুক না কেন, আপনার কানে ও লেন্সে ভেসে ওঠা অনূদিত সাবটাইটেলগুলো তারই হবে।
অনেক ক্ষেত্রে এই প্রযুক্তি সরাসরি অনুবাদের মান নির্ধারণ করে, কারণ অডিওটি স্পষ্টভাবে শোনা যাচ্ছে কি না, তার উপরেই অনুবাদের নির্ভুলতা নির্ভর করে।
একটি শান্ত মিটিং রুমে, বর্তমান অনুবাদ সফটওয়্যার এবং হার্ডওয়্যার বেশ ভালোভাবে যোগাযোগ পরিচালনা করতে পারে। তবে, আইফ্লাইটেক এআই গ্লাসের একটি প্রধান ব্যবহারকারী গোষ্ঠী হলো ব্যবসায়িক পেশাজীবীরা। অনুবাদের ক্ষেত্রে তাদের আসল প্রয়োজনগুলো কী? প্রদর্শনী, ব্যবসায়িক অভ্যর্থনা এবং বিমানবন্দরে তাদের এটি প্রয়োজন, যেখানে পারিপার্শ্বিক শব্দের মাত্রা সহজেই ৮০ থেকে ৯০ ডেসিবেলে পৌঁছাতে পারে। এই ধরনের পরিবেশে, প্রচলিত অনুবাদ সরঞ্জামগুলোর নির্ভুলতা মারাত্মকভাবে হ্রাস পায়।
উচ্চ কোলাহলের পরিস্থিতিতে, ঠোঁটের নড়াচড়া শনাক্তকরণে শব্দ কমানোর ব্যবস্থা শনাক্তকরণের নির্ভুলতা ৫০%-এর বেশি বাড়িয়ে দেয়। লিন হুইজি ব্যাখ্যা করেছেন যে, এটি কেবল ঠোঁটের নড়াচড়া দেখার বিষয় নয়; এটি একটি সম্পূর্ণ মাল্টিমোডাল শব্দ কমানোর সিস্টেমকে একীভূত করে, যার মধ্যে শব্দের উৎসের অবস্থান উন্নত করা এবং লক্ষ্য ব্যক্তিকে লক করা অন্তর্ভুক্ত, এবং বাস্তব ব্যবহারে সমস্ত সংকেত স্বয়ংক্রিয়ভাবে সমন্বয় সাধন করে।
এই সক্ষমতাটি কোনো খেয়ালবশে তৈরি হয়নি। iFlytek বহু বছর ধরে বৃহৎ পরিসরের কনফারেন্স সিস্টেম এবং ইন্টেলিজেন্ট অটোমোটিভ ককপিটে মাল্টি-চ্যানেল স্পিচ সেপারেশন ও মাল্টি-মোডাল নয়েজ রিডাকশন নিয়ে কাজ করে আসছে এবং CHiME ইন্টারন্যাশনাল স্পিচ সেপারেশন কম্পিটিশনে টানা ছয়টি চ্যাম্পিয়নশিপ জিতেছে।
ওয়াং ওয়েই কয়েক বছর আগের একটি অভ্যন্তরীণ ডেমোও শেয়ার করেছেন: সেখানে বেশ কয়েকজন গবেষক একই সাথে কথা বলছিলেন, এবং মানুষের কান তাদের কথার মধ্যে কোনো পার্থক্যই করতে পারছিল না। সিস্টেমটি অত্যন্ত পরিষ্কার ও সুস্পষ্টভাবে প্রত্যেক ব্যক্তির কণ্ঠস্বর আলাদা করে দিয়েছিল এবং কে কী বলেছেন তা পরিষ্কার বোঝা যাচ্ছিল।
মজার ব্যাপার হলো, অতীতে বড় সম্মেলন আয়োজন করার সময় মাইক্রোফোন, সার্ভারের কম্পিউটিং ক্ষমতা এবং পাওয়ার আউটলেট বসানোর জন্য পর্যাপ্ত জায়গা থাকত। এখন এই জটিল দৃশ্য-শ্রাব্য সংমিশ্রণ অ্যালগরিদমটিকে অত্যন্ত সীমিত কম্পিউটিং ক্ষমতা ও বিদ্যুৎ খরচসহ একজোড়া ৪০-গ্রামের চশমার মধ্যে ঠেসে ঢোকাতে হয়।
ওয়াং ওয়েই বিশ্বাস করেন যে, হার্ডওয়্যারের ক্ষেত্রে এটাই হলো আইফ্লাইটেকের আসল শক্তি: কীভাবে বড় ডিভাইসগুলোতে মূল অ্যালগরিদমগুলোকে উচ্চ হারে সংকুচিত করে ছোট ও হালকা মোবাইল ডিভাইসে স্থানান্তর করা যায় এবং একই সাথে অফলাইনে রিয়েল টাইমে একাধিক ভয়েস ডেটা প্রসেস করা যায় ।
আইফ্লাইটেকের হার্ডওয়্যার উন্নয়নের পথ হলো "বৃহৎ পরিসরে ডিভাইস যাচাইকরণ, ক্ষুদ্র পরিসরে ডিভাইস স্থানান্তর"। কনফারেন্সিং সিস্টেম এবং গাড়িতে সফল প্রমাণিত অ্যালগরিদমগুলোকে এই চশমার ডিভাইসে সংকুচিত করা হয়। ঠোঁটের নড়াচড়া শনাক্তকরণে শব্দ কমানোর জন্য প্রয়োজন দৃশ্য-শ্রাব্য যুগল ডেটা, ডিভাইসে রিয়েল-টাইম প্রক্রিয়াকরণের ক্ষমতা এবং একাধিক মাইক্রোফোন হার্ডওয়্যারের যৌথ অপটিমাইজেশন, যা কেবল বিদ্যমান অ্যালগরিদমগুলোকে একীভূত করে অর্জন করা কঠিন।
শব্দ কমানোর নির্ভুলতা সরাসরি অনুবাদের নির্ভুলতা নির্ধারণ করে, যা পুরো কার্যপ্রক্রিয়ার প্রথম বাধা।
‘অল-ইন-ওয়ান ট্রান্সলেশন’-এর পেছনের অবকাঠামো
একবার আপনি এটি স্পষ্টভাবে শুনতে পেলে, তখনই আপনি এটি নির্ভুলভাবে অনুবাদ করতে পারবেন।
আইফ্লাইটেক এআই গ্লাস ১২২টি ভাষার রিয়েল-টাইম অনুবাদ সমর্থন করে এবং এটি চারটি মোডে বিভক্ত: যুগপৎ অনুবাদ (বক্তৃতা শোনা), মুখোমুখি অনুবাদ (ব্যবসায়িক আলোচনা), কল অনুবাদ (আন্তর্জাতিক ফোন কল), এবং অনলাইন যুগপৎ অনুবাদ (টেনসেন্ট মিটিং বা জুমে সংযোগ)। এর ক্যামেরা দিয়ে সরাসরি পিপিটি-র ছবি তোলা এবং বিদেশি ভাষার ডকুমেন্টও অনুবাদ করা যায়।
অন-সাইট অভিজ্ঞতার সময় আমার কাছে সবচেয়ে আকর্ষণীয় বিষয় ছিল কল অনুবাদ ।
সম্ভবত এটিই বাজারের একমাত্র চশমা যা একই সাথে আন্তঃসীমান্ত অনুবাদ করতে এবং আপনার ফোন কল রেকর্ড করতে পারে। এটি যেভাবে কাজ করে তা হলো: চশমাটি ব্লুটুথের মাধ্যমে আপনার ফোনের সাথে সংযুক্ত হয়, অপর প্রান্ত থেকে বলা ইংরেজি গ্রহণ করে, সম্পূর্ণ স্বয়ংক্রিয় অনুবাদের জন্য একটি এন্ড-টু-এন্ড যুগপৎ অনুবাদ মডেল ব্যবহার করে এবং তারপর আপনার চীনা উত্তরটি এক সেকেন্ডেরও কম সময়ে ইংরেজিতে অনুবাদ করে দেয়।
অন্য কথায়, আপনি যখন ফোনে চীনা ভাষায় কথা বলেন, তখন অপর প্রান্তের বিদেশী ব্যক্তিটি আপনার কণ্ঠস্বরের একটি নকল সংস্করণসহ ইংরেজি শুনতে পান। ফোন রাখার পর, চশমাটি আপনাকে সভার একটি সুসংগঠিত কার্যবিবরণীও পাঠিয়ে দিতে পারে।
অতীতে, প্রচলিত অনুবাদ ব্যবস্থাগুলো তিনটি প্রধান ধাপ নিয়ে গঠিত ছিল: স্বয়ংক্রিয় বাক্ শনাক্তকরণ (ASR) → পাঠ্য অনুবাদ (MT) → টেক্সট-টু-স্পিচ (TTS)। এই পদ্ধতির সবচেয়ে বড় সমস্যা ছিল এর দীর্ঘ বিলম্ব, এবং প্রতিটি ধাপে তথ্যের অর্থগত ক্ষতি বৃদ্ধি পেত।
এবার, iFlytek এই চশমাটিতে একটি এন্ড-টু-এন্ড ভয়েস সাইমালটেনিয়াস ইন্টারপ্রিটেশন মডেল যুক্ত করেছে, যা মধ্যবর্তী টেক্সট অনুবাদের ধাপটি বাদ দিয়ে সরাসরি 'ভয়েস ইন, ভয়েস আউট' বাস্তবায়ন করে এবং প্রথম শব্দে সাড়া দেওয়ার সময় ২ সেকেন্ডে কমিয়ে আনে। এর ক্লাউড সাপোর্ট হলো Spark X2 মডেল (একটি MoE আর্কিটেকচার, যার ২৯৩ বিলিয়ন প্যারামিটার রয়েছে এবং যা Huawei Ascend-এ প্রশিক্ষিত)।
লিন হুইজি বলেছেন যে, তাঁরা অনুবাদের দৃশ্যকল্পগুলোকে অত্যন্ত সূক্ষ্ম অংশে বিভক্ত করেছেন, কারণ বিভিন্ন দৃশ্যকল্পে প্রয়োজনীয় শিল্পক্ষেত্রের জ্ঞানভিত্তি এবং অপ্রয়োজনীয় তথ্য বাদ দেওয়ার পদ্ধতিগুলো সম্পূর্ণ ভিন্ন।
এই চশমা জোড়ার ট্রান্সলেশন ফাংশনে আইফ্লাইটেক যে প্রচেষ্টা করেছে, তা অনেকটা মোবাইল ফোন ইন্ডাস্ট্রির ইমেজিং পদ্ধতির মতোই। সব ফোনেই ক্যামেরা ফাংশন থাকে, কিন্তু এটাতে আছে ২০০ মিলিয়ন পিক্সেল, ১০x টেলিফটো, ৪কে লাইভ ইমেজ, এবং এটি এমনকি প্রফেশনাল ফটোগ্রাফির কাজও করতে পারে।
অনুবাদ সম্পন্ন হওয়ার পরেই এআই কার্যপ্রবাহ শুরু হয়।
এই পর্যায়ে আপনি বুঝতে পারবেন যে, iFlytek-এর উচ্চাকাঙ্ক্ষা শুধু একটি 'অনুবাদ সরঞ্জাম' তৈরির মধ্যেই সীমাবদ্ধ নয়। সম্ভবত এ কারণেই এটিকে 'অনুবাদ চশমা' বলা হয় না, বরং 'আপনার ঠিক সামনেই থাকা এক সুপার এআই সহকারী' হিসেবে দেখা হয়।
লিন হুইজি বিশ্বাস করেন যে, " এই চশমাগুলো অনেকটা চোখের সামনে পরা একটি সুপারকম্পিউটারের মতো, যেটিতে ডিসপ্লে, ক্যামেরা এবং ভয়েস ক্ষমতা রয়েছে; এর গঠন মূলত একটি মোবাইল ফোন বা পিসির মতোই। "
এই সক্ষমতার স্তরটি iFlytek-এর GlassClaw দ্বারা সমর্থিত। এই এজেন্টটি বৃহৎ মডেলের সক্ষমতা আহ্বান করতে, ইকোসিস্টেম পরিষেবাগুলো অ্যাক্সেস করতে এবং মাল্টিমোডাল আন্ডারস্ট্যান্ডিং সম্পাদন করতে পারে, যা বোঝা থেকে শুরু করে কাজ করা পর্যন্ত সম্পূর্ণ প্রক্রিয়াটিকে সংযুক্ত করে। এটি OpenClaw-এর মতো থার্ড-পার্টি এজেন্টদের অ্যাক্সেসও সমর্থন করে।
আপনি ঠিকই পড়েছেন, এগুলো এখনও "লবস্টার" গ্লাসই।
লিন হুইজি গ্লাসক্ল ব্যবহার করে তার দৈনন্দিন কাজের পদ্ধতি শেয়ার করেছেন: বাইরে গেলে তাকে আর ঘন ঘন ফোন বের করতে হয় না। হাঁটার সময়, তিনি সরাসরি তার কণ্ঠস্বর দিয়ে গ্লাসক্ল চালু করে ফোনের কন্ট্যাক্টস দেখতে, ক্লায়েন্ট খুঁজে বের করতে এবং তাদের ডায়াল করতে পারেন; কলটি সংযুক্ত হলেই অনুবাদ স্বয়ংক্রিয়ভাবে শুরু হয়ে যায়।
কোনো ক্লায়েন্টের সাথে সামনাসামনি কথা বলার সময়, যদি হঠাৎ আপনার আগের কোনো চুক্তির সারাংশ পর্যালোচনা করার প্রয়োজন হয়, তাহলে আপনি কেবল আপনার চশমাকে নির্দেশ দিতে পারেন। চশমাটি আপনার কম্পিউটারে মূল বিষয়গুলো খুঁজে বের করে সেগুলোকে লেন্সের সাথে মিলিয়ে নেবে।
মিটিংয়ের পরেও, চশমাটি স্বয়ংক্রিয়ভাবে বহুবিধ ভূমিকা পৃথকীকরণ (কে কী বলেছে) করে একটি সুসংগঠিত সারসংক্ষেপ তৈরি করে দিল। এরপর সে সরাসরি কণ্ঠে বলল: "সারসংক্ষেপটি ইমেইলের মাধ্যমে প্রজেক্ট টিমের কাছে পাঠিয়ে দাও এবং আগামী বুধবারের ডিব্রিফিং মিটিংটি ক্যালেন্ডারে সিঙ্ক করে নাও।"
আপনি যদি কখনো চিংড়ি চাষ করে থাকেন, তাহলে সম্ভবত এই বৈশিষ্ট্যগুলোর সাথে পরিচিত, তবে এবারের মিথস্ক্রিয়াটি ঘটে আপনার মুখে।
যে টেলিপ্রম্পটার ফাংশনটি প্রাথমিকভাবে এআই চশমাকে জনপ্রিয় করেছিল, এই চশমা জোড়াটিতে সেটিকেও আপগ্রেড করা হয়েছে।
আইফ্লাইটেক এআই গ্লাসেস-এর ইন্টেলিজেন্ট টেলপ্রম্পটার ফাংশনটি যান্ত্রিকভাবে দ্রুত স্ক্রল করার পরিবর্তে, যা বলা হয় তার সাথে নির্ভুলভাবে সাড়া দিয়ে অর্থগত অনুসরণ সাধন করে। এটি স্বাভাবিক ও বুদ্ধিদীপ্তভাবে অর্থ অনুধাবন এবং অনুসরণ করতে পারে। এর সাথে থাকা চার্জিং ক্যাপসুলটি রিমোট কন্ট্রোল হিসেবেও ব্যবহার করা যায়, যেখানে টেক্সট পরিবর্তন ও থামানোর জন্য বাটন রয়েছে।
এটিই হলো "ডিভাইস-এজ-ক্লাউড" এই ত্রি-স্তরীয় সহযোগিতা, যা অ্যাস্ট্রনক্ল (AstronClaw) আর্কিটেকচার তার অন্তর্নিহিত স্তরে পালন করে: চশমার ডিভাইস অংশটি পরিবেশগত উপলব্ধি এবং প্রিপ্রসেসিংয়ের জন্য দায়ী, এজ অংশটি সিদ্ধান্ত গ্রহণ করে, এবং ক্লাউডে থাকা স্পার্কএক্স২ (SparkX2) জটিল ইনফারেন্স পরিচালনা করে। গ্লাসক্ল (GlassClaw) আইফ্লাইটেক (iFlytek)-এর নিজস্ব উদ্ভাবিত এজেন্ট সক্ষমতার উপর ভিত্তি করে তৈরি, এবং এটি ওপেনক্ল (OpenClaw)-এর মতো তৃতীয় পক্ষের এজেন্টদের অ্যাক্সেসও সমর্থন করে।
ওয়াং ওয়েই বিশ্বাস করেন যে ভবিষ্যতে চশমা আর শুধু একজোড়া সাধারণ চশমা থাকবে না, বরং একটি সুবিধাজনক ব্যক্তিগত সহকারী হয়ে উঠবে ।
বাজারে এমন অনেক পণ্য রয়েছে যা শুধুমাত্র অনুবাদ করে অথবা শুধুমাত্র এআই অ্যাসিস্ট্যান্টের কাজ করে, কিন্তু 'অনুবাদ + রেকর্ডিং + সারাংশ + ক্রস-প্ল্যাটফর্ম এক্সিকিউশন'-কে একটি মসৃণ কর্মপ্রবাহে সংযুক্ত করতে হলে, চারটি অন্তর্নিহিত সক্ষমতা—ভয়েস, অনুবাদ, লার্জ মডেল এবং ইন্টেলিজেন্ট এজেন্ট—একই সাথে অনলাইন এবং পরস্পর সংযুক্ত থাকা আবশ্যক ।
আইফ্লাইটেকের পূর্ণাঙ্গ প্রযুক্তিগত সক্ষমতা চশমার মাধ্যমে একটি উপযুক্ত আবদ্ধ ক্ষেত্র খুঁজে পেয়েছে।
এআই চশমা যুগের দ্বিতীয়ার্ধে সাফল্যের চাবিকাঠি কী হবে?
গত দুই বছরে, তথাকথিত "নেক্সট জেন" প্রবেশপথের সন্ধানে এআই-এর ঢেউ পুরো হার্ডওয়্যার শিল্পকে গ্রাস করেছে।
এআই পিন ব্যর্থ হয়েছে এবং বিভিন্ন স্মার্ট পেন্ডেন্টও কোনো কাজে আসেনি। যদিও এআই হার্ডওয়্যার পণ্য এবং প্রযুক্তিতে ভিন্নতা রয়েছে, শিল্পটি ধীরে ধীরে একটি ঐকমত্যে পৌঁছাচ্ছে: এআই-এর চোখ প্রয়োজন ; এটিকে অবশ্যই মানুষের বসবাস করা ত্রিমাত্রিক ভৌত জগৎকে রিয়েল টাইমে উপলব্ধি করতে সক্ষম হতে হবে।
এআই চশমা হয়তো চূড়ান্ত রূপ নয়, কিন্তু বর্তমানে এটিই একমাত্র মাধ্যম যা দিনরাত ফার্স্ট-পার্সন দৃষ্টিকোণ থেকে দৃশ্য ও শ্রাব্য তথ্য গ্রহণ করতে পারে।
এক সাক্ষাৎকারে ওয়াং ওয়েই একটি আকর্ষণীয় ভবিষ্যদ্বাণী করেছেন: "ভবিষ্যতের ডিজিটাল জীবনের তিনটি অপরিহার্য জিনিস সম্ভবত হবে কম্পিউটার, মোবাইল ফোন এবং চশমা। চশমা শুধু মোবাইল ফোনের আনুষঙ্গিক জিনিস নয়; এগুলো হলো স্বতন্ত্র কম্পিউটার ইউনিট যা আপনার নাকের উপরে বসে থাকে।"
চশমা স্বাভাবিকভাবেই ভৌত এবং ডিজিটাল জগৎকে সংযুক্ত করার যন্ত্র হিসেবে উপযুক্ত। অধিকন্তু, হার্ডওয়্যারটির নিজস্ব বিকাশের জন্য দীর্ঘ সুযোগ রয়েছে: ডিসপ্লেগুলো সাদাকালো থেকে পূর্ণ রঙিন এবং ২কে থেকে ৪কে-তে রূপান্তরিত হবে; ক্যামেরা এবং মাইক্রোফোনগুলো এআই-ভিত্তিক টোকেন এনকোডিং পদ্ধতিতে আপগ্রেড হবে। ওয়াং ওয়েই বলেছেন, এই প্রযুক্তিগত পথগুলো ইতোমধ্যেই তুলনামূলকভাবে সুস্পষ্ট বিকাশের দিকনির্দেশনা দেখাচ্ছে।
লিন হুইজি প্রকাশ করেছেন যে আইফ্লাইটেকের দ্বিতীয় প্রজন্মের এআই চশমা ইতিমধ্যেই পরিকল্পনা পর্যায়ে রয়েছে এবং ২০২৬ সালের শরতের শুরুতেই এটি বাজারে আসতে পারে, যা আরও বিস্তৃত পরিসরের মানুষকে লক্ষ্য করে তৈরি হবে এবং কিছু বিশেষায়িত খাতের সম্ভাবনাও খতিয়ে দেখবে।
গত এক বছরে, অ্যাপসো অসংখ্য এআই চশমা পরীক্ষা ও উন্নয়ন করেছে। এআই চশমা প্রস্তুতকারকদের মধ্যে তীব্র প্রতিযোগিতার দিকে ফিরে তাকালে দেখা যায়, এই শিল্পটি প্রকৃতপক্ষে দুটি স্বতন্ত্র পথে বিভক্ত হয়ে পড়েছে:
একটি পন্থা হলো " সেরা চশমা তৈরি করা এবং এআই-কে একটি অতিরিক্ত সুবিধা হিসেবে রাখা ।" মেটা রে-ব্যান এই যুক্তিই অনুসরণ করে: ফ্যাশনেবল ডিজাইন এবং ব্র্যান্ড সংস্কৃতি ব্যবহার করে ব্যবহারকারীদের এআই সক্ষমতার স্বল্প-প্রয়োজনীয় কিন্তু অপরিহার্য চাহিদাকে পূরণ করা।
অন্য পথটি হলো "আরও গভীর এআই ওয়ার্কফ্লো তৈরি করা এবং চশমাকে নতুন কম্পিউটারে পরিণত করা।" আইফ্লাইটেক এই পথটিই বেছে নিয়েছে। এই দুটি পথ প্রতিযোগিতার ভিন্ন ভিন্ন মাত্রার দিকে নিয়ে যায়, কিন্তু পরেরটি আরও কঠিন, কারণ এর জন্য হার্ডওয়্যার ইঞ্জিনিয়ারিং সক্ষমতা এবং ফুল-স্ট্যাক এআই সক্ষমতা—উভয়েরই প্রয়োজন—এগুলোর কোনোটিরই ঘাটতি চলবে না।
এআই চশমা যুগের দ্বিতীয়ার্ধের আসল সন্ধিক্ষণ নির্ভর করছে কারা এআই-কে অত্যন্ত খণ্ডিত বাস্তব-জগতের পরিস্থিতিতে একীভূত করতে পারে এবং ব্যবহারকারীদের জন্য গতানুগতিক কাজগুলো সামলে নিতে পারে তার উপর।
চশমা চশমাই থাকুক, এবং এআই সততার সাথে 'কর্মঠ ঘোড়া' হিসেবে তার ভূমিকা পালন করুক।
আমার মনে হয়, শেষ পর্যন্ত যে সরঞ্জামটি থেকে যাবে, তা হবে অনেকটা এইরকম: যখন আপনি এটি খুলে ফেলবেন, তখন হঠাৎ আপনার মনে হবে যে আপনার চারপাশের জগৎটা ভারী ও অকার্যকর হয়ে পড়েছে।
iFanr-এর অফিসিয়াল WeChat অ্যাকাউন্ট iFanr (WeChat ID: ifanr) ফলো করুন, যেখানে যত তাড়াতাড়ি সম্ভব আপনার জন্য আরও আকর্ষণীয় কন্টেন্ট উপস্থাপন করা হবে।