"Hey Google" বললে কীভাবে কাজ করে?

তুমি বলো "Hey Google, আজ আবহাওয়া কেমন?" — কয়েক সেকেন্ডে উত্তর আসে। ভেতরে চারটি সম্পূর্ণ ভিন্ন প্রযুক্তি ধাপে ধাপে কাজ করে।

কেন এত ধাপ দরকার — মানুষের কথা বোঝা কেন এত কঠিন কম্পিউটারের জন্য?

কম্পিউটার স্বাভাবিকভাবে শুধু সংখ্যা বোঝে, শব্দ তরঙ্গও না, ভাষার অর্থও না। মানুষের কথা বোঝাতে প্রথমে শব্দকে টেক্সটে (যা প্রক্রিয়াযোগ্য), তারপর সেই টেক্সটের অর্থ (কী চাওয়া হচ্ছে) বুঝতে হয় — দুটোই আলাদা, জটিল সমস্যা, প্রতিটির জন্য আলাদা AI মডেল দরকার।

ধাপ ১ — জেগে ওঠা (Wake Word)

ফোন সবসময় শুধু একটা নির্দিষ্ট শব্দ খোঁজে — "Hey Google"। এই Wake Word শোনার আগ পর্যন্ত কিছু রেকর্ড বা ইন্টারনেটে পাঠানো হয় না — এটি একটি গোপনীয়তা সুরক্ষা ব্যবস্থা, ডিভাইস প্রতিনিয়ত সব কথা "শোনে" ঠিকই (স্থানীয়ভাবে যাচাই করতে) কিন্তু Wake Word না পেলে কিছু সংরক্ষণ বা প্রেরণ করে না।

ধাপ ২ — কথা → লেখা (Speech-to-Text)

তোমার কণ্ঠ একটা শব্দতরঙ্গ (Analog Signal)। AI মডেল এই তরঙ্গ বিশ্লেষণ করে ধ্বনি (Phoneme) চিনে লেখায় রূপান্তর করে — "আজ আবহাওয়া কেমন"। এই প্রক্রিয়ায় মডেল লক্ষ লক্ষ কণ্ঠস্বরের নমুনা দিয়ে ট্রেনিং করা থাকে, যাতে বিভিন্ন উচ্চারণ, আঞ্চলিক টান বুঝতে পারে।

ধাপ ৩ — অর্থ বোঝা (NLP)

শুধু লেখায় রূপান্তর করলেই যথেষ্ট নয় — "আজ আবহাওয়া কেমন" বাক্যটির প্রকৃত উদ্দেশ্য বুঝতে হয়। Natural Language Processing (NLP) দিয়ে AI বের করে তুমি কী চাও:

NLP-র কাজ শুধু শব্দ চেনা নয় — একই প্রশ্ন ভিন্নভাবে ("আজ কি বৃষ্টি হবে?", "বাইরের আবহাওয়া কী?") বললেও একই Intent শনাক্ত করতে পারা।

ধাপ ৪ — উত্তর তৈরি ও বলা

সিস্টেম আবহাওয়ার সার্ভার (API) থেকে তথ্য আনে, একটা প্রাকৃতিক বাক্য বানায়, তারপর Text-to-Speech প্রযুক্তি দিয়ে সেটা কৃত্রিম কণ্ঠে রূপান্তর করে শোনায়।

"Hey Google" (Wake Word) → কণ্ঠ → Speech-to-Text → NLP (অর্থ/Intent) → সার্ভার থেকে তথ্য আনা → বাক্য গঠন → Text-to-Speech → উত্তর শোনানো

বাস্তব জীবনের সাথে মিল

🏠 অ্যানালজি: পুরো প্রক্রিয়াটা একজন দক্ষ সচিবের কাজের মতো — সচিব প্রথমে তোমার মুখের কথা মনোযোগ দিয়ে শোনে (Speech-to-Text), তারপর ঠিক কী করতে বলছ তা বোঝে (NLP), প্রয়োজনীয় তথ্য সংগ্রহ করে (Database/API), অবশেষে গুছিয়ে মুখে জবাব দেয় (Text-to-Speech)।

কেন Voice Assistant ইন্টারনেট ছাড়া কাজ করে না (বেশিরভাগ ক্ষেত্রে)?

Speech-to-Text ও NLP-র জটিল AI মডেল এত বিশাল যে সাধারণত ফোনে সম্পূর্ণ চালানো সম্ভব নয় — বেশিরভাগ প্রসেসিং দূরবর্তী শক্তিশালী সার্ভারে (Cloud) হয়। এ কারণেই ইন্টারনেট সংযোগ ছাড়া "Hey Google" প্রায়ই কাজ করে না (যদিও কিছু সাধারণ কমান্ড এখন স্থানীয়ভাবেও চলে)।

🔗 HSC সিলেবাস সংযোগ

• অধ্যায় ১: কৃত্রিম বুদ্ধিমত্তা (AI) — Voice Assistant AI-র সরাসরি প্রয়োগ।
• অধ্যায় ২: উত্তর আনতে ইন্টারনেট ও সার্ভার যোগাযোগ।

📝 HSC পরীক্ষার প্রস্তুতি

• AI কী? যন্ত্রে মানুষের মতো বুদ্ধিমত্তা অনুকরণ করার প্রযুক্তি।
• Speech Recognition কী? কথা/শব্দকে লেখায় রূপান্তর (Speech-to-Text)।
• NLP কী? মানুষের ভাষার প্রকৃত অর্থ/উদ্দেশ্য বোঝার প্রযুক্তি।
• Voice Assistant উদাহরণ: Google Assistant, Alexa, Siri।

📚 সারাংশ

Wake Word শুনে জাগে → কথা লেখায় বদলায় (Speech-to-Text) → NLP দিয়ে অর্থ/উদ্দেশ্য বোঝে → তথ্য এনে উত্তর বানায় → Text-to-Speech দিয়ে কণ্ঠে শোনায়। পুরোটাই একাধিক AI মডেলের সমন্বিত কাজ।