অফলাইন ট্রান্সক্রিপশন

ট্রান্সক্রিপশন করা AI মডেলগুলো বড়—শত শত মিলিয়ন প্যারামিটার। সেগুলো চালানো কনজিউমার হার্ডওয়্যারে ধীর এবং ব্যাটারি নিষ্কাশন করত।

Apple-এর Neural Engine এটা বদলে দিয়েছে। এটা AI কাজের জন্য একটি ডেডিকেটেড চিপ, এবং এটা প্রতিটি M-series Mac এবং সাম্প্রতিক iPhone-এ আছে। Whisper Large v3 Turbo এখন MacBook Air-এ আরামে চলে।

ফোনে, আমরা মোবাইল চিপের জন্য অপটিমাইজড ছোট মডেল ব্যবহার করি। সেগুলো বড় মডেলের মতো সঠিক নয়, কিন্তু বেশিরভাগ বিল্ট-ইন ডিক্টেশনের চেয়ে ভালো।

এটা আমাদের অবাক করেছে। আমরা আশা করেছিলাম স্থানীয় মডেলগুলো "যথেষ্ট ভালো" হবে। আসলে সেগুলো বেশ ভালো।

Whisper Large v3-এ বেশিরভাগ সিস্টেম ডিক্টেশনের চেয়ে কম শব্দ ত্রুটির হার আছে। এবং স্থানীয় ও ক্লাউড API-এর মধ্যে পার্থক্য বেশ ছোট হয়ে গেছে। বেশিরভাগ ব্যবহারের ক্ষেত্রে, আপনি সম্ভবত পার্থক্য লক্ষ্য করবেন না।

এটা হিসাব বদলে দেয়। যদি সঠিকতা তুলনীয় হয়, অডিও আপলোড করার প্রধান কারণ অদৃশ্য হয়ে যায়।

আমরা এখানে আপনাকে ক্লাউড সেবা সম্পর্কে ভয় দেখাতে আসিনি। বেশিরভাগই দায়িত্বশীলভাবে ডেটা পরিচালনা করে।

কিন্তু "তারা প্রতিশ্রুতি দেয় অপব্যবহার করবে না" এবং "তাদের কাছে কখনো ছিল না" এর মধ্যে পার্থক্য আছে। আপনার কণ্ঠ বায়োমেট্রিক—পাসওয়ার্ডের বিপরীতে, কিছু ভুল হলে আপনি এটা বদলাতে পারেন না।

স্থানীয় ট্রান্সক্রিপশনে, আপনার অডিও আপনার ডিভাইসে থাকে। এনক্রিপ্টেড-তারপর-আপলোডেড নয়। শুধু... থাকে। কিছু মানুষের কাছে এটা অনেক গুরুত্বপূর্ণ। অন্যদের কাছে, হয়তো না। আমরা প্রথম দলের জন্য তৈরি করেছি।