কৃত্রিম বুদ্ধিমত্তার ভয়ংকর রূপ

ধরুন, একদিন সকালে ঘুম থেকে উঠে জানতে পারলেন, আপনার একটা কল রেকর্ড সামাজিক যোগাযোগমাধ্যমে ছড়িয়ে পড়েছে। তাতে স্পষ্ট শোনা যাচ্ছে, আপনি কোনো দলের হয়ে সমাজে অস্থিতিশীল পরিবেশ সৃষ্টির পরিকল্পনা করছেন। অথবা ধরুন, ভাইরাল হয়ে যাওয়া সেই কল রেকর্ডে আপনি এক জনপ্রিয় শিল্পীকে খুব খারাপ ভাষায় গালমন্দ করছেন। কিংবা আরও ভয়ংকর বা বিব্রতকর কিছু। কতটা ভয় পাবেন যদি হুবহু আপনার কণ্ঠেই এ রকম একটা মিথ্যা কল রেকর্ড সামাজিক যোগাযোগমাধ্যমে ছড়িয়ে পড়ে?

আইনের ধকল না হয় বাদ দিলাম। পারিবারিক বা সামাজিক জীবনে এ রকম মিথ্যাচার কী প্রভাব ফেলবে, তা নিশ্চয়ই উপলব্ধি করতে পারছেন।

কৃত্রিম বুদ্ধিমত্তার যে ভয়ংকর রূপ এত দিন বড় পর্দায় দেখে এসেছেন বা কল্পকাহিনিতে পড়েছেন, হয়তো সেই রূপই বাস্তব হতে যাচ্ছে শিগগিরই। আর এর পেছনে রয়েছে বিখ্যাত (কিংবা কুখ্যাত) সামাজিক যোগাযোগমাধ্যম ফেসবুকের এআই দল।

মাইক্রোসফট ও গুগলের মতো টেক জায়ান্টদের পর এবার ফেসবুকখ্যাত মেটাও (Meta) কৃত্রিম বুদ্ধিমত্তার প্রতিযোগিতায় নেমেছে। তবে বাজারে প্রচলিত আর দশটা টেক্সট বা ইমেজ জেনারেটিভ এআই নিয়ে নয়। মেটার এআই মডেলটি সম্পূর্ণ ভিন্ন ধরনের।

ভয়েসবক্স (Voicebox) নামের এই এআই কাজ করে মানুষের বুলি নিয়ে। জেনারেটিভ এআই হিসেবে এটিই প্রথম মাল্টিলিঙ্গুয়াল সিনথেসিস (অর্থাৎ বিভিন্ন ভাষাভাষী) ক্ষমতাসম্পন্ন স্পিচ-বেজড (কথানির্ভর) কৃত্রিম বুদ্ধিমত্তা, যা যেকোনো টেক্সট থেকে নতুন অডিও তৈরি করতে পারে।

শুনে হয়তো ভয়েসবক্সকে ইন্টারনেটে বিনা মূল্যে পাওয়া যায়, এমন আর দশটা টেক্সট-টু-স্পিচ টুলের মতো মনে হতে পারে। টেক্সট-টু-স্পিচ টুলের কাজ হলো লেখা বা টেক্সটকে অডিওতে রূপান্তর করা। তবে ভয়েসবক্স কোনো সাধারণ টেক্সট-টু-স্পিচ জেনারেটর নয়। এটা অনেকটা মাইক্রোসফটের ভাল.ই (Vall.E) বা এনভিডিয়ার ইউটিটিএস (YouTTS) মডেলের মতো। মেটার ভাষ্যমতে, এটি অন্যান্য স্পিচ সিনথেসিস মডেলের চেয়ে ২০ গুণ বেশি কার্যকর।

হ্যাঁ, ভয়েসবক্স যেকোনো টেক্সট-টু-স্পিচ জেনারেটরের মতো টেক্সট বা লেখা থেকে হিউম্যান স্পিচ বা ভয়েস আউটপুট দিতে পারে। তবে এর আউটপুট অন্যান্য ভয়েস জেনারেটরের মতো রোবোটিক নয়। অনলাইনে ফ্রি টেক্সট-টু-স্পিচ জেনারেটরের আউটপুটগুলো শুনতে অনেকটা ওয়াল-ই বা সিথ্রিপিওর মতো। রোবোটিক। কিন্তু ভয়েসবক্সের ছয়টি ভয়েস বা স্বরের কথা অনেকটা প্রাকৃতিক। স্বাভাবিক। শুনলে মনে হবে, আসলেই কোনো মানুষের ভয়েস রেকর্ডিং শুনছেন। কৃত্রিম বা রোবোটিক বলে মনে হবে না।

ভয়েসবক্সের এই স্বাভাবিক স্বরগুলো কিন্তু এর অনন্য বৈশিষ্ট্য নয়। যে কারণে এই এআই মডেল পত্রিকায় শিরোনাম হয়েছে, তা হলো এর ‘স্টাইল ট্রান্সফার’ ক্ষমতা। লেখা বা টেক্সটের পাশাপাশি যে কারও স্বরের নমুনা ইনপুট হিসেবে দেওয়া যায় ভয়েসবক্সে। তারপর যে আউটপুট পাওয়া যাবে, তা শুনতে হুবহু সেই নমুনা স্বরের মতোই হবে। অর্থাৎ আমি যদি আপনার ফেসবুক বা ইনস্টাগ্রামের কোনো ভিডিও থেকে অথবা আপনার সঙ্গে আমার ফোনালাপের কিছু অংশ রেকর্ড করে ভয়েসবক্সকে দিই, আর পাশে একটা টেক্সট লিখে দিই, তাহলেই হয়েছে। এটি এমন একটি ভয়েস রেকর্ডিং তৈরি করে ফেলবে, যা শুনে মনে হবে, আপনি নিজেই সে কথাগুলো বলেছেন। সেটার রেকর্ড বাজছে।

তা ছাড়া স্টাইল ট্রান্সফার ব্যবহার করে এই কৃত্রিম বুদ্ধিমত্তা মডেল যেকোনো অডিও রেকর্ডিংয়ের সুনির্দিষ্ট একটি অংশ, এমনকি কথার মধ্যে একটি নির্দিষ্ট শব্দ পর্যন্ত পরিবর্তন করতে পারবে। আরও আশ্চর্যের বিষয় হলো, ভয়েসবক্সে অডিও নমুনা এক ভাষায় দিয়ে আপনার কথার রেকর্ডিং অন্য ভাষায় আউটপুট হিসেবে বের করা যাবে। অর্থাৎ আপনি হয়তো ইংরেজি ভাষায় একটি বাক্য সামাজিক যোগাযোগমাধ্যমের কোনো ভিডিওতে বলেছেন। এখন সেই লাইন ভয়েসবক্সে দিয়ে স্প্যানিশ ভাষায় কিছু একটা লিখে দিলে ভয়েসবক্স যে আউটপুট দেবে, সেটা শুনে মনে হবে, আপনি নিজেই ওই বিদেশি ভাষায় কথা বলেছেন। যদিও স্প্যানিশ ভাষায় আপনি কোনো দিন কোনো শব্দ উচ্চারণই করেননি। ভয়েসবক্স মডেলটি একটি অডিও নমুনা থেকে বুঝে ফেলে আপনার কথা বলার ধরন স্প্যানিশ ভাষায় কেমন হতে পারে। মেটা ভয়েসবক্সের এই বৈশিষ্ট্যের নাম দিয়েছে ক্রস ল্যাঙ্গুয়েজ স্টাইল ট্রান্সফার।

আপাতত ভয়েসবক্স ইংরেজি, স্প্যানিশ, ফ্রেঞ্চ, জার্মান, পর্তুগিজ ও পোলিশ ভাষায় স্টাইল ট্রান্সফার করতে পারে। তবে মডেলটিকে বাংলা বা অন্য যেকোনো ভাষায় ট্রেইন করা হলে, সেটা ওই ভাষাতেও পারদর্শী হয়ে উঠবে। অর্থাৎ চাইলে যেকোনো ভাষাভাষী যেকোনো মানুষকে যেকোনো ভাষায় যেকোনো কিছু বলিয়ে নেওয়া যাবে এই এইআই মডেল দিয়ে। তবে ভয়েসবক্সের মতো এআই মডেলের ভালো ব্যবহারের সুযোগ আছে অনেক।