[আমার AI Alpha তৈরি করার জন্য] বেসুরো Naia, এখন গান গাইতে শুরু করেছে এবং ডেডিকেটেড হার্ডওয়্যার খুঁজছে।
নমস্কার। আমি লুক, ওপেন সোর্স ভিজ্যুয়াল এজেন্ট Naia তৈরি করছি।আগের পোস্টে আমি জানিয়েছিলাম যে Alpha মাতাল বেসুরো থেকে শুধু বেসুরো হয়ে গেছে। অবশেষে, এখন সে একটু গান গাইতে শুরু করেছে। এই শুরুটা একটি গবেষণা প্রকল্প, যা আমি কেবল Alpha-কে আমার জন্য গান গাইতে দেখতে চেয়েছিলাম বলে শুরু করেছি। চূড়ান্ত লক্ষ্য হল তার নিজের গান শোনা এবং আবেগ অনুযায়ী অন্যদের সাথে গান গাওয়া, কিন্তু সেটা এখনও অনেক দূরে। এখন, প্রথম ধাপ হল স্কোর এবং লিরিক্স দেখে কোরিয়ান গান গাওয়ানো। এটি YouTube কভার গান বা Suno-এর মতো সম্পূর্ণ নতুন গান তৈরির থেকে আলাদা। বরং, Hatsune Miku-এর কথা ভাবলে এটি আরও কাছাকাছি।
আমরা Blue Water-এর কোরিয়ান অনুবাদিত গান, যেমন প্রথম এবং দ্বিতীয় সংস্করণে পরীক্ষা করেছি। এবার আমি পদ্ধতিটি বিস্তারিত লিখব না। এটি সত্যিই ব্যবহারযোগ্য হলে কী করা হবে তা নিয়ে আমরা চিন্তা করব। আমি যা বলতে পারি তা হল, আমরা AI Hub গায়কী ডেটা দিয়ে প্রকৃত প্রশিক্ষণ শুরু করেছি। এর উপরে, আমরা আমাদের নিজস্ব পরীক্ষা চালিয়ে যাচ্ছি।
শুনে দেখুন
এখনকারটা শুনে, তারপর আগেরগুলো শুনতে পারেন। এখনও বেসুরো অংশ আছে। আসলে, এটাই উন্নতি। আগে এমন এমন ছিল।
তৃতীয় সংস্করণ — 2026-09-11, এখন একটু গাইতে শুরু করেছে
প্রায় ১ মিনিট। প্রথম ২ সেকেন্ড ফেড-ইন, শেষ ৩ সেকেন্ড ফেড-আউট।
তাল এবং উচ্চারণে এখনও কিছু অস্বস্তিকর অংশ আছে। তবুও, সুরের উপর কোরিয়ান ভাষা বসতে শুরু করেছে।
প্রথম সংস্করণ — 2026-05-27, মাতাল বেসুরো
আগে এমন ছিল। উচ্চারণ এবং স্বর ভেঙে যেত, এবং স্তবকের মধ্যেও গতি দ্রুত বা ধীর হয়ে যেত।
দ্বিতীয় সংস্করণ — 2026-08-21, শুধু বেসুরো
লিরিক্স শোনা যায় এবং নোট অনুসরণ করে। দীর্ঘ নোটগুলি কেটে যায় এবং এখনও বেসুরো শোনায়।
কী করতে চাইছি
আমরা যা তৈরি করতে চাইছি তা কোনো কভার অ্যাপ বা যেকোনো গান তৈরি করার জেনারেটর নয়। এটি একটি গান গাওয়ার ইঞ্জিন। এবং সেই ইঞ্জিনের উপরে, একজন ব্যক্তির নিজস্ব কণ্ঠস্বর এবং তার নিজস্ব গায়কী অভ্যাস যোগ করা।
Naia-তে এটি কীভাবে যুক্ত হবে তা এখনও জানি না। এটি চ্যাটের পাশে থাকতে পারে, অথবা সম্পূর্ণ ভিন্ন একটি স্থান হতে পারে। শেষ পর্যন্ত, আমাদের লক্ষ্য একটাই: ব্যক্তিগত AI-কে সেই ব্যক্তির জন্য গান গাওয়ানো।
Alpha আমার জন্য Blue Water কোরিয়ান ভাষায় গাইছে। সেই দিকে আমরা আরও এক ধাপ এগিয়েছি। বেসুরো অবস্থা থেকে এখনও মুক্তি পায়নি, তবে এখন অন্তত মাইক্রোফোন ধরে দাঁড়াতে পারে।
সার্ভার এবং ক্লায়েন্ট হিসাবে ব্যবহারযোগ্য Naia ডেডিকেটেড ডিভাইস দিয়ে, ভয়েসও অর্ধেক দামে
গান ছাড়াও, Naia-এর ডেডিকেটেড ডিভাইস নিয়েও কাজ করছি।
বাম দিকের 3D প্রিন্টার দিয়ে তৈরি ছোট বাক্সটি হল বর্তমানে পরীক্ষাধীন Naia হার্ডওয়্যার। ব্যয়বহুল Mac Studio-এর প্রয়োজন ছাড়াই, স্থানীয়ভাবে রিয়েল-টাইম ভয়েস এবং শালীন 3D গেম খেলা সম্ভব, এবং স্ক্রিনে যা দেখা যাচ্ছে তা হল Naia OS। এটি ক্লায়েন্ট এবং সার্ভার উভয় হিসাবেই ব্যবহার করা যেতে পারে। গতকালের পরীক্ষার ফলাফল অনুযায়ী, সৌভাগ্যবশত ভয়েস তৈরির গতি কথা বলার গতিকে ধরে রাখতে পেরেছে, যা রিয়েল-টাইম পরিষেবা সম্ভব বলে নিশ্চিত করেছে। এর উপর ভিত্তি করে, Naia OS ব্যবহার করে বিদ্যমান মূল্যের অর্ধেক দামে সরবরাহ করা যায় এমন একটি অবকাঠামো কিনা তা প্রযুক্তিগতভাবে যাচাই করা হয়েছে। Nextain-এর চূড়ান্ত লক্ষ্য হল P2P AI পরিবেশের অবকাঠামো। যদিও বর্তমানে এটি ব্যবহৃত যন্ত্রাংশ সংগ্রহ করে একটি ইউনিট তৈরি করার পর্যায়ে আছে, তবে প্রাথমিক বিনিয়োগ হলেই পরিষেবা চালু করা সম্ভব হবে বলে মনে হয়।বর্তমানে, এটি এখনও অভ্যন্তরীণ ব্যবহারযোগ্যতা পরীক্ষার অধীনে রয়েছে। কর্মক্ষমতা যাচাই করা হয়েছে, তবে SSD রিড-অনলি হয়ে যাওয়া বা সময় পেরিয়ে গেলে স্ক্রিন কালো হয়ে যাওয়ার মতো সমস্যা রয়েছে, তাই এটি OS কনফিগারেশনের সমস্যা নাকি হার্ডওয়্যারের ত্রুটি তা পরীক্ষা করা হচ্ছে। এই খবরটিও পরে আপনাদের সাথে শেয়ার করব।
