Whizi-তে AI ভয়েস কথোপকথন: ভয়েস মোড কীভাবে কাজ করে

সংক্ষিপ্ত উত্তর

ভয়েস মোড হলো একটা রিয়েল-টাইম কথ্য কথোপকথন: আপনি কথা বলেন, মডেল জোরে উত্তর দেয়, আর আপনি তাকে থামিয়ে দিতে পারেন। প্রতিটা পেইড প্ল্যানে ভয়েস মিনিট অন্তর্ভুক্ত থাকে: Starter-এ মাসে 10টা, Pro-তে 80টা, আর Powerhouse-এ 500টা।

সেশনটা একটা ট্রান্সক্রিপ্ট তৈরি করে যা আপনার চ্যাট ইতিহাসে চলে যায়, তাই একটা কথ্য কথোপকথন পরে টাইপ করা কথোপকথনের মতোই আবার পড়া যায়। ভয়েস মিনিট নিজস্ব মিটারের বিপরীতে গোনা হয় আর কোনো ক্রেডিট খরচ করে না।

একটা সেশন শুরু করা আর নিয়ন্ত্রণ করা

চ্যাট থেকে ভয়েস মোড খুলুন, আর সেশনটা কানেক্ট হয়ে শোনা শুরু করে। কোনো পুশ-টু-টক ধাপ নেই: আপনি শুধু কথা বলা শুরু করেন। উত্তরগুলো একটা প্রিসেট ভয়েসে আসে, Sulafat নামে একটা উষ্ণ ভয়েস, আর ভয়েস চলে Gemini Live API-তে: Whizi একটা স্বল্পস্থায়ী সেশন টোকেন তৈরি করে আর আপনার ব্রাউজার সরাসরি Google-এ অডিও স্ট্রিম করে, তাই কোনো অডিও Whizi সার্ভারের মধ্য দিয়ে যায় না।

সেশনের সময় নিয়ন্ত্রণগুলো ইচ্ছাকৃতভাবে ন্যূনতম। আপনি মাইক্রোফোন মিউট করতে পারেন, যা সেশন শেষ না করেই এটাকে আপনার কথা শোনা বন্ধ করে দেয়, আর আপনি পুরো সেশনটাও শেষ করতে পারেন। স্টেট ইন্ডিকেটর দেখায় Whizi এখন শুনছে নাকি বলছে, যা শোনার চেয়ে বেশি গুরুত্বপূর্ণ, কারণ আপনার কথা শোনা হয়েছে কিনা তা জানাটাই একটা ভয়েস ইন্টারফেসকে সহনীয় করে তোলার বেশিরভাগ অংশ।

কথোপকথনটা টার্ন-বেসড না হয়ে রিয়েল-টাইম হওয়ায়, মডেল তখনও কথা বলতে থাকা অবস্থায় আপনি মাঝখানে বলতে পারেন, ঠিক যেমন একজন মানুষের সাথে করতেন। এটা ছাড়া, একটা লম্বা ভুল উত্তর আপনাকে দিক পরিবর্তন করার আগে পুরোটা শুনে যেতে হতো।

যেকোনো সময়, এমনকি সেশনের মাঝখানেও, ট্রান্সক্রিপ্ট চ্যাটে খোলা যায়। কিছু নিখুঁত হওয়া দরকার হলে সেটাই এস্কেপ হ্যাচ: ধরে নেওয়ার বদলে আসলে কী ধরা পড়েছে তা পড়ুন। নাম, সংখ্যা আর টেকনিক্যাল টার্মে স্পিচ রিকগনিশন যেকোনো ভয়েস ইন্টারফেসের সবচেয়ে দুর্বল অংশ, তাই সেশনের মাঝখানে ট্রান্সক্রিপ্টে একবার দেখে নেওয়াই পরের উত্তরকে প্রভাবিত করার আগে একটা ভুল শোনা ধরার সবচেয়ে দ্রুত উপায়।

মিনিট কীভাবে গোনা হয়

মিনিট সেশনের সময় গোনে, আর অ্যালাউন্স প্রতি অ্যাকাউন্টে গোনা হয় আর আপনার বিলিং পিরিয়ডের সাথে রিসেট হয়। একটা একক সেশন সর্বোচ্চ 15 মিনিট চলে: স্টার্ট কল আপনার অ্যালাউন্স থেকে সময় সংরক্ষণ করে আর সেশনকে বলে দেয় এটা কতক্ষণ চলতে পারে, তাই আপনার বাকি মিনিট এর চেয়ে কম হলে সেশনটা সেই অনুযায়ী ছোট করা হয়।

অ্যালাউন্স প্ল্যান অনুসরণ করে: Starter-এ মাসে 10 মিনিট, Pro-তে 80, আর Powerhouse-এ 500। ফ্রি অ্যাকাউন্ট কিছুই পায় না। Powerhouse মাসে আট ঘণ্টার একটু বেশি সমান, বা প্রতিটা কর্মদিবসে মোটামুটি বিশ মিনিট। ভয়েস কথোপকথন স্বাভাবিকভাবেই ছোট হয়, ফরম্যাটটা ঘণ্টাব্যাপী সেশনের চেয়ে পাঁচ মিনিটের বিনিময়ের জন্য বেশি উপযুক্ত, তাই উচ্চতর টিয়ারগুলো খুব কমই একটা বাধ্যকর সীমাবদ্ধতা হয়ে ওঠে।

মাইক্রোফোন মিউট করলে ঘড়ি থামে না। সেশন শেষ করলে থামে। আপনি যদি সরে যাচ্ছেন, তাহলে মিউট না করে সেশনটা শেষ করুন।

ভয়েস মিনিট নিজস্ব একটা অ্যালাউন্স আর অন্য কিছু থেকে টানে না। ভয়েস মিনিট, ক্রেডিট আর ইমেজ জেনারেশন আলাদা মিটার যা কোনো পুল শেয়ার করে না, তাই একটা লম্বা কথ্য কথোপকথন সেই মাসে আপনি যতগুলো Claude বা GPT মেসেজ পাঠাতে পারেন তা কমায় না। এর মানে এটাও যে যে অ্যাকাউন্টের ক্রেডিট শেষ হয়ে গেছে তার তখনও ভয়েস মিনিট আছে, আর যে অ্যাকাউন্ট তার ভয়েস অ্যালাউন্স শেষ করে ফেলেছে সে তখনও টাইপ করতে পারে।

একটা সেশনের পেছনে থাকা ট্রান্সক্রিপ্টটা একটা সাধারণ চ্যাট, তাই এটা রাখতে আর কিছু খরচ হয় না আর এটা আপনার টাইপ করা সব কিছুর পাশাপাশি আপনার ইতিহাসে থাকে।

ভয়েস আসলে কীসে ভালো

ভয়েস টাইপিংয়ের একটা দ্রুততর সংস্করণ না, আর এভাবে এটা ব্যবহার করা হতাশাজনক। তিনটা ক্ষেত্র যেখানে এটা আসলেই জেতে:

জোরে চিন্তা করা। যে সমস্যা আপনি এখনও গুছিয়ে ওঠেননি তা নিয়ে কথা বলা লিখে করার চেয়ে অনেক সহজ, কারণ একটা বাক্য কোথায় শেষ হবে তা জানার আগেই আপনাকে সেটাতে প্রতিশ্রুতিবদ্ধ হতে হয় না। পরে ট্রান্সক্রিপ্টটা সাধারণত আপনি টাইপ করলে যা লিখতেন তার চেয়ে সমস্যার একটা ভালো বর্ণনা হয়।

হাত ব্যস্ত বা চোখ অন্য কোথাও। রান্না করা, গাড়ি চালানো, হাঁটা, বা শারীরিক কিছু নিয়ে কাজ করা। এটা স্পষ্ট একটা কারণ আর এটা বাস্তব।

একটা কথোপকথন অনুশীলন করা। ইন্টারভিউয়ের উত্তর, একজন ক্লায়েন্টকে একটা কঠিন মেসেজ, একটা পিচ। জোরে বলা আর একটা প্রতিক্রিয়া শোনা সেই বিশ্রী বাক্যগঠন সামনে আনে যা পাতায় ঠিকঠাক লাগে।

যেখানে এটা হারে: কোড, সঠিক সংখ্যা, বানান করা কঠিন নাম, বা লম্বা স্ট্রাকচার্ড আউটপুট যা আপনি কপি করতে চাইবেন এমন যেকোনো কিছু। সেগুলো টাইপ করুন।

আপনি কী করছেন	কথ্য নাকি টাইপ করা	কেন
একটা সমস্যা নিয়ে চিন্তা করা যা আপনি এখনও গুছিয়ে ওঠেননি	কথ্য	একটা বাক্য কোথায় শেষ হবে তা জানার আগেই আপনাকে সেটাতে প্রতিশ্রুতিবদ্ধ হতে হয় না
রান্না করা, গাড়ি চালানো, হাঁটা, বা শারীরিক কিছু নিয়ে কাজ করা	কথ্য	হাত ব্যস্ত আর চোখ অন্য কোথাও, আর ট্রান্সক্রিপ্টটা পরে আপনার ইতিহাসে থাকে
ইন্টারভিউয়ের উত্তর, একটা কঠিন মেসেজ, বা একটা পিচ অনুশীলন করা	কথ্য	জোরে বলা সেই বিশ্রী বাক্যগঠন সামনে আনে যা পাতায় ঠিকঠাক লাগে
কোড, সঠিক সংখ্যা, বানান করা কঠিন নাম, লম্বা আউটপুট যা আপনি কপি করবেন	টাইপ করা	নাম, সংখ্যা আর টেকনিক্যাল টার্মে স্পিচ রিকগনিশন সবচেয়ে দুর্বল