আলিবাবা উন্মোচন করল Qwen3-Omni: ওপেন সোর্স মাল্টিমোডাল এআই মডেল

নেটিভ মাল্টিমোডাল প্রতিদ্বন্দ্বীর উন্মুক্ত উৎসে যাত্রা

আলিবাবা উন্মোচন করেছে Qwen3-Omni, একটি নেটিভ মাল্টিমোডাল কৃত্রিম বুদ্ধিমত্তার মডেল, যা ইনপুট হিসেবে লেখা, ছবি, অডিও ও ভিডিও গ্রহণ করে এবং লিখিত উত্তর বা কৃত্রিমভাবে তৈরি কণ্ঠে সাড়া দেয়। Apache 2.0 লাইসেন্সের আওতায় মডেলটি ওপেন সোর্স হিসেবে পাওয়া যাচ্ছে। এই লাইসেন্স বাণিজ্যিক ব্যবহার, পরিবর্তন ও পুনর্বিতরণের অনুমতি দেয় এবং পেটেন্ট ব্যবহারের অধিকারও দেয়। বিস্তৃত সক্ষমতা ও নমনীয় লাইসেন্সিংয়ের এই সমন্বয় Qwen3-Omni-কে যুক্তরাষ্ট্রের শীর্ষস্থানীয় ক্লোজড সিস্টেমগুলোর সরাসরি প্রতিদ্বন্দ্বী করে তুলেছে, পাশাপাশি স্টার্টআপ, গবেষক ও বড় প্রতিষ্ঠানের জন্য এটি গ্রহণের বাধাও কমিয়েছে।

Qwen3-Omni এসেছে ওমনি মডেলের দিকে শিল্পের ঝোঁকের মধ্যে। এ ধরনের সিস্টেম রিয়েল টাইমে বিভিন্ন মাধ্যম বুঝতে ও সেগুলোর ভিত্তিতে কাজ করতে তৈরি। টেক্সট মডেলের ওপর স্পিচ বা ভিশনের ব্যবস্থা জুড়ে দেওয়া স্ট্যাকগুলোর বিপরীতে, আলিবাবার ভাষ্য, Qwen3-Omni শুরু থেকেই একটি এন্ড-টু-এন্ড মাল্টিমোডাল সিস্টেম হিসেবে তৈরি। চিন্তা করার সময় এটি সরাসরি অডিও ও ভিডিও প্রক্রিয়া করে এবং একটি নির্দিষ্ট স্পিচ মডিউলের মাধ্যমে কথা তৈরি করে। ফলে পুরো ফাইল শেষ হওয়ার অপেক্ষা না করেই কথোপকথনের ছন্দ, স্বর ও প্রসঙ্গ ধরে রাখতে পারে।

প্রথম সংস্করণে ৩০ বিলিয়ন প্যারামিটারের একটি পরিবার রয়েছে, যা দ্রুত ও সম্প্রসারণযোগ্য ইনফারেন্সের জন্য Mixture of Experts নকশা ব্যবহার করে। আলিবাবার হিসাবে, অডিওর ক্ষেত্রে প্রথম প্যাকেট পৌঁছানোর বিলম্ব ২৩৪ মিলিসেকেন্ড পর্যন্ত কম, আর ভিডিওর ক্ষেত্রে ৫৪৭ মিলিসেকেন্ড। একাধিক কাজ একসঙ্গে চললেও RTF (রিয়েল-টাইম ফ্যাক্টর) একের নিচে থাকে। সিস্টেমটি টেক্সটের জন্য ১১৯টি ভাষা, স্পিচ ইনপুটের জন্য ১৯টি এবং স্পিচ আউটপুটের জন্য ১০টি ভাষা সমর্থন করে। এতে বহুভাষিক সহকারী, কল সেন্টার ও লাইভ অনুবাদের সম্ভাবনা তৈরি হয়েছে।

আলিবাবা যখন তার ক্লাউড ব্যবসাকে পূর্ণাঙ্গ এআই সেবা প্রদানকারী হিসেবে প্রতিষ্ঠা করছে এবং ডেভেলপার প্ল্যাটফর্মগুলোতে চীনা ওপেন মডেলের জনপ্রিয়তা বাড়ছে, তখনই এই মডেলটির উদ্বোধন হলো। কয়েক দিনের মধ্যেই Qwen3-Omni-এর বিভিন্ন সংস্করণ Hugging Face-এর ট্রেন্ডিং র‍্যাঙ্কিংয়ের শীর্ষে উঠে আসে, যা বিশ্বজুড়ে আগ্রহের প্রতিফলন। প্রতিষ্ঠানটি আরও দ্রুতগতির একটি API সংস্করণ দিচ্ছে এবং সরাসরি ডাউনলোড ও স্থানীয়ভাবে ব্যবহারের জন্য মডেলের ওজনও প্রকাশ করেছে।

Qwen3-Omni-কে যা আলাদা করেছে

Qwen3-Omni একই সঙ্গে চিন্তা ও কথা বলার জন্য তৈরি। Thinker অংশটি মাল্টিমোডাল যুক্তি বিশ্লেষণের কাজ করে। Talker অংশটি Thinker-এর আউটপুটকে স্বাভাবিক কথায় রূপান্তর করে এবং সরাসরি অডিও ও ভিজ্যুয়াল বৈশিষ্ট্যের ওপর নির্ভর করে। এই বিভাজনের ফলে কথা তৈরি হওয়ার আগে ডেভেলপাররা Thinker ধাপে তথ্য পুনরুদ্ধার, নিরাপত্তা যাচাই বা ব্যবসায়িক লজিক যুক্ত করতে পারেন, যা নিয়ন্ত্রিত কর্মপ্রক্রিয়ায় কাজে লাগে।

Thinker ও Talker

Thinker হলো একটি বৃহৎ ভাষা মডেল, যা প্রায় ২ ট্রিলিয়ন টোকেন ব্যবহার করে লেখা, স্পিচ, ছবি ও ভিডিওর ওপর প্রশিক্ষিত। এতে Mixture of Experts রাউটিং ব্যবহৃত হয়, ফলে প্রতিটি টোকেনের জন্য প্যারামিটারের ছোট একটি অংশই সক্রিয় হয়। এতে কম্পিউটিং খরচ কমে এবং কাজের গতি বাড়ে। Talker হলো হালকা স্পিচ জেনারেটর, যা কণ্ঠের স্বর ও উচ্চারণের ওঠানামা ধরে রাখতে মাল্টি-কোডবুক অটোরিগ্রেসিভ পদ্ধতি এবং দ্রুত অডিও তৈরিতে সংক্ষিপ্ত Code2Wav নেটওয়ার্ক ব্যবহার করে।

রিয়েল-টাইম স্ট্রিমিং ও ক্যাশিং

কথোপকথনে বিলম্ব গুরুত্বপূর্ণ। আলিবাবার হিসাবে, স্ট্রিমিংয়ের ক্ষেত্রে অডিওতে প্রথম শ্রবণযোগ্য টোকেন আসতে প্রায় এক-চতুর্থাংশ সেকেন্ড এবং ভিডিও প্রসঙ্গে প্রায় আধা সেকেন্ড লাগে। অডিও স্ট্যাকে রয়েছে নতুন Audio Transformer এনকোডার, যা ২ কোটি ঘণ্টার তত্ত্বাবধানে সংগৃহীত অডিওর ওপর প্রশিক্ষিত। এই ডেটার বেশির ভাগই চীনা ও ইংরেজি ASR ডেটা, পাশাপাশি অন্যান্য ভাষার বৈশ্বিক উপাত্তও রয়েছে। এনকোডারটি লাইভ কলের জন্য অনলাইন ক্যাশিং এবং ব্যাচ কাজের জন্য অফলাইন এনকোডিং—দুটিই সমর্থন করে।

ভাষা ও দীর্ঘ প্রসঙ্গ

ডেভেলপাররা দীর্ঘ প্রম্পট ও ট্রান্সক্রিপ্ট দিতে পারেন। Thinking Mode-এ প্রসঙ্গের সীমা সর্বোচ্চ ৬৫,৫৩৬ টোকেন, আর যুক্তির ধারার সীমা ৩২,৭৬৮ টোকেন পর্যন্ত। Non Thinking Mode-এ প্রসঙ্গের সীমা সর্বোচ্চ ৪৯,১৫২ টোকেন। মডেলটি ইনপুট হিসেবে সর্বোচ্চ ১৬,৩৮৪ টোকেন গ্রহণ এবং টেক্সটে সর্বোচ্চ ১৬,৩৮৪ টোকেন আউটপুট দিতে পারে। বর্তমানে স্পিচ সিস্টেমটি আউটপুটে ১০টি ভাষা সমর্থন করে, যা গ্রাহকসেবা ও মাঠপর্যায়ের কাজে বৈশ্বিক পরীক্ষামূলক ব্যবহারের জন্য বাস্তবসম্মত পরিসর।

মডেল, মোড ও মূল্য

বিভিন্ন চাহিদা অনুযায়ী ব্যবহারের সুযোগ দিতে আলিবাবা ৩০বি পরিবারের তিনটি সংস্করণ প্রকাশ করছে। Instruct মডেলে পূর্ণ Thinker ও Talker স্ট্যাক একত্রিত হয়েছে। এটি অডিও, ভিডিও ও টেক্সট ইনপুট নিয়ে টেক্সট ও স্পিচ তৈরি করে। Thinking মডেল জটিল যুক্তি বিশ্লেষণ ও দীর্ঘ চিন্তার ধারায় মনোযোগী। এটি একই মাল্টিমোডাল ইনপুট ব্যবহার করলেও শুধু টেক্সট আউটপুট দেয়, যা গবেষণা, বিশ্লেষণ ও নিয়ম মেনে সংরক্ষণযোগ্য প্রাতিষ্ঠানিক নথির জন্য উপযোগী। Captioner মডেলটি অডিও ক্যাপশনের জন্য ফাইন-টিউন করা বিশেষায়িত সংস্করণ। এর লক্ষ্য হলো কম হ্যালুসিনেশনসহ সংগীত, কথোপকথন ও মিশ্র অডিওর নির্ভুল বর্ণনা দেওয়া।

Qwen3-Omni মডেল হাবে ডাউনলোডের জন্য, কোড ও ওজনসহ GitHub-এ এবং API হিসেবে আলিবাবা ক্লাউডে পাওয়া যাচ্ছে। ইন্টারঅ্যাকটিভ সেবার জন্য আরও দ্রুত Flash সংস্করণও রয়েছে। নতুন ব্যবহারকারীরা ১০ লাখ টোকেন বিনামূল্যে পান, যা সক্রিয় করার পর ৯০ দিন পর্যন্ত ব্যবহার করা যাবে। অর্থের বিনিময়ে ব্যবহারের ক্ষেত্রে প্রতি হাজার টোকেনের ভিত্তিতে মূল্য নির্ধারিত হয়। টেক্সট ইনপুটের মূল্য ০.০০০২৫ ডলার, ছবি বা ভিডিও ইনপুটের ০.০০০৪৬ ডলার এবং অডিও ইনপুটের ০.০০২২১ ডলার। আউটপুটের ক্ষেত্রে, ইনপুটে শুধু টেক্সট থাকলে টেক্সটের মূল্য ০.০০০৯৬ ডলার; ইনপুটে ছবি বা অডিও থাকলে তা বেড়ে ০.০০১৭৮ ডলার হয়। ডেভেলপাররা টেক্সট ও অডিও—দুই ধরনের আউটপুট চাইলে প্রতি হাজার টোকেনে অডিও অংশের মূল্য ০.০০৮৭৬ ডলার; টেক্সট অংশ বিনামূল্যে।

API-তে অডিও আউটপুট কেবল Non Thinking Mode-এ পাওয়া যায়। এতে স্ট্রিমিং স্পিচের সময়সূচি সহজ হয় এবং দীর্ঘ সময় ধরে চলা কাঠামোবদ্ধ যুক্তি বিশ্লেষণের সঙ্গে সংঘাত এড়ানো যায়। দীর্ঘ যুক্তির ধারা দরকার এমন দলগুলো পরিকল্পনা বা তথ্য পুনরুদ্ধারের জন্য Thinking মডেল ব্যবহার করে পরে চূড়ান্ত উত্তর অডিও রেন্ডারার বা স্পিচ তৈরির জন্য Instruct মডেলে দিতে পারে।

বেঞ্চমার্ক ও সেগুলো বোঝার উপায়

আলিবাবার হিসাবে, ৩৬টি প্রকাশ্য পরীক্ষায় মডেলটি ভালো ফল করেছে; এর মধ্যে ২২টিতে সর্বাধুনিক ফল এবং ওপেন মডেলগুলোর মধ্যে ৩২টিতে শীর্ষস্থান অর্জন করেছে। সংখ্যাগুলো ইঙ্গিত দেয়, স্পিচে এগিয়ে যাওয়ার পাশাপাশি মডেলটি টেক্সট ও ভিজ্যুয়াল মানও ধরে রেখেছে। যুক্তি বিশ্লেষণের পরীক্ষায় Qwen3-Omni AIME25-এ ৬৫.০ এবং ZebraLogic-এ ৭৬.০ পেয়েছে। WritingBench-এর স্কোর ৮২.৬। অডিও ট্রান্সক্রিপশনে Wenetspeech-এ মডেলটির শব্দ-ভুলের হার ৪.৬৯ ও ৫.৮৯ এবং Librispeech other-এ ২.৪৮, যা ওই ডেটাসেটের জন্য খুবই কম। সংগীত ট্যাগিং ও শ্রেণিবিন্যাসে GTZAN-এ ৯৩.০ এবং RUL-MuchoMusic-এ ৫২.০-এর মতো স্কোর থেকে বোঝা যায়, সংগীতের ধরন ও অডিও বৈশিষ্ট্য শনাক্ত করার ক্ষমতা ভালো।

ভিশন ও গণিতের বেঞ্চমার্কেও শক্তিশালী ফল দেখা গেছে। HallusionBench-এ স্কোর ৫৯.৭, MMMU_pro-তে ৫৭.০ এবং MathVision_full-এ ৫৬.৩। ভিডিও বোঝার পরীক্ষায় Qwen3-Omni MLVU-তে ৭৫.২ পেয়েছে। আলিবাবার প্রকাশিত তথ্য অনুযায়ী, এসব নির্দিষ্ট পরীক্ষায় GPT 4o ও Gemini 2.0 Flash-সহ অনেক ক্লোজড মডেলের চেয়ে এটি এগিয়ে।

বেঞ্চমার্ক ব্যবহারকারীদের সব ধরনের পরিস্থিতির চিত্র তুলে ধরে না। বাস্তব কথোপকথনে পটভূমির শব্দ বেশি হতে পারে, উচ্চারণে ভিন্নতা থাকে, আলো বদলায় এবং ব্যবসায়িক কাজে প্রায়ই একাধিক টুলের ধারাবাহিক ব্যবহার লাগে। প্রাথমিক কিছু স্বাধীন পর্যালোচনায় বলা হয়েছে, সাজানো পরীক্ষায় ভালো ফল করলেও ছোট মডেলগুলো কখনো কখনো সেই পরিবেশের বাইরে সমস্যায় পড়ে। ডেভেলপারদের নিজেদের ডেটা দিয়ে ধারণার প্রমাণ যাচাই করা উচিত, বিশেষ করে ক্ষেত্রবিশেষের পরিভাষা, বিশেষায়িত ডায়াগ্রাম বা একাধিক ব্যক্তির একসঙ্গে কথা বলার মতো ব্যতিক্রমী পরিস্থিতিতে।

GPT 4o, Gemini ও Gemma-র সঙ্গে তুলনা

Qwen3-Omni প্রতিযোগিতামূলক একটি বাজারে এসেছে, যেখানে OpenAI-এর GPT 4o এবং গুগলের Gemini 2.5 রয়েছে। এসব সিস্টেম শক্তিশালী এবং ইতিমধ্যে বড় বড় প্ল্যাটফর্মে যুক্ত। তবে এগুলো ক্লোজড সোর্স। ব্যবহারকারীরা প্রতিবার ব্যবহারের জন্য অর্থ দেন, কিন্তু মূল মডেল আইনগতভাবে পরিবর্তন বা পুনর্বিতরণ করতে পারেন না। অন্যদিকে Qwen3-Omni Apache 2.0 লাইসেন্সে প্রকাশিত হয়েছে। এই নমনীয় লাইসেন্স বাণিজ্যিক ব্যবহার, কোড ও মডেলের ওজনে পরিবর্তন এবং পুনর্বিতরণের অনুমতি দেয়। এতে পেটেন্ট ব্যবহারের অধিকারও রয়েছে। এই সমন্বয় এমন প্রতিষ্ঠানগুলোর আইনি ঝুঁকি কমায়, যাদের পণ্যে বা ব্যক্তিগত অবকাঠামোতে সরাসরি এআই যুক্ত করতে হয়।

কার্যগতভাবে, Qwen3-Omni টেক্সট, ছবি, অডিও ও ভিডিও গ্রহণ করে এবং টেক্সট বা স্পিচে উত্তর দিতে পারে। GPT 4o টেক্সট, ছবি ও অডিও ইনপুট নিয়ে টেক্সট ও স্পিচে উত্তর দেয়, তবে এর মূল কনফিগারেশনে ভিডিও ক্লিপ ইনপুট হিসেবে নেওয়া যায় না। Gemini 2.5 Pro ভিডিও ইনপুট বিশ্লেষণ করতে পারে এবং গুগলের সেবার মাধ্যমে টেক্সট ও স্পিচে উত্তর দেয়। আলিবাবা Qwen3-Omni-কে এমন একটি নেটিভ মাল্টিমোডাল সিস্টেম হিসেবে তুলে ধরছে, যেখানে স্পিচ ও ভিশন টেক্সট-ভিত্তিক মূল মডেলের ওপর বসানো অ্যাডাপ্টার নয়, বরং মৌলিক সক্ষমতা।

গুগল Apache 2.0 লাইসেন্সে Gemma 3n-ও ওপেন সোর্স হিসেবে দিচ্ছে। Gemma 3n ভিডিও, অডিও, টেক্সট ও ছবি গ্রহণ করলেও কেবল টেক্সট আউটপুট দেয়। লাইভ স্পিচ আউটপুটসহ পুরোপুরি উন্মুক্ত স্ট্যাক চাওয়া দলগুলোর জন্য, নমনীয় লাইসেন্স এবং শুরু থেকেই স্পিচ তৈরির সুবিধাসহ বর্তমানে Qwen3-Omni-ই একমাত্র বিকল্প হতে পারে।

গ্রহণকারীদের জন্য Apache 2.0 কেন গুরুত্বপূর্ণ

লাইসেন্স ঠিক করে দেয় একটি মডেল কোথায় চালানো যাবে এবং কীভাবে পণ্যে রূপ দেওয়া যাবে। Apache 2.0 ডেরিভেটিভ মডেল প্রকাশ করতে বাধ্য না করেই ফাইন-টিউনিং ও ক্লোজড পুনর্বিতরণের অনুমতি দেয়। এতে পেটেন্ট ব্যবহারের অধিকার এবং অবদানের লাইসেন্সও রয়েছে। মেধাস্বত্বের অধিকার খুঁটিয়ে দেখে এমন নিয়ন্ত্রিত শিল্পে এই শর্তগুলো ইন্টিগ্রেশনের ঝুঁকি কমায়। প্রতিষ্ঠানগুলো নিজেদের সার্ভার, পছন্দের ক্লাউড বা এজ ডিভাইসে Qwen3-Omni চালাতে পারে এবং নিজেদের কাস্টম মডেল ব্যক্তিগত রাখতে পারে।

প্রতিষ্ঠান ও ডেভেলপারদের ব্যবহার

Qwen3-Omni নানা ধরনের কাজে ব্যবহারের লক্ষ্য নিয়ে তৈরি। এর বহুভাষিক টেক্সট ও স্পিচ স্ট্যাক ১৯টি ইনপুট ভাষা ও ১০টি আউটপুট ভাষায় কল সেন্টারের ট্রান্সক্রিপশন এবং লাইভ অনুবাদ চালাতে পারে। অডিও ক্যাপশনার সংগীত, পরিবেশের শব্দ ও মিশ্র অডিও ক্লিপের বর্ণনা দিতে পারে, যা সম্পাদক, আর্কাইভবিদ ও সহায়ক টুলের কাজে লাগবে। ভিশন পাইপলাইন স্ক্রিনশট ও ছবির লেখা এবং বিন্যাস পড়তে পারে, যা দাপ্তরিক কাজ স্বয়ংক্রিয় করা এবং গ্রাহক নিবন্ধনে সহায়ক।

ভিডিও বোঝার সক্ষমতা মডেলটির একটি স্বতন্ত্র বৈশিষ্ট্য। কোনো সহায়তাকারী কর্মী ফোনে ধারণ করা ছোট ভিডিও বিশ্লেষণ করে ত্রুটির বাতি বা ভুলভাবে সংযুক্ত তার শনাক্ত করতে পারেন। রক্ষণাবেক্ষণ অ্যাপ লাইভ ভিডিও দেখে নিশ্চিত হতে পারে যে ভালভটি খুলেছে কি না। Thinker ও Talker পাশাপাশি চলায়, সিস্টেমটি আসা ফ্রেম প্রক্রিয়া করতে করতেই কথা বলা শুরু করতে পারে। এতে হাত ব্যবহার না করে কাজ করার পরিস্থিতিতেও মানুষের কথার কাছাকাছি গতি বজায় থাকে।

চিন্তা ও কথা বলার কাজ আলাদা করে দেওয়ায় ডেভেলপারদের হাতে নিয়ন্ত্রণ থাকে। তথ্য পুনরুদ্ধার ব্যবস্থা প্রতিষ্ঠানের নথি যুক্ত করতে পারে। নীতিমালা-সংক্রান্ত ফিল্টার বিষয়বস্তু যাচাই করতে পারে। Talker অডিও তৈরি করার আগে নিরাপত্তা যাচাইয়ে যুক্তির ধারা পরীক্ষা করা যায়। এই পদ্ধতি ব্র্যান্ডের সঙ্গে সামঞ্জস্য বজায় রাখতে হয় এমন ভোক্তা সহকারী, তথ্য ফাঁস এড়াতে হয় এমন প্রাতিষ্ঠানিক সারাংশ তৈরির ব্যবস্থা এবং ধাপে ধাপে নির্দেশনা দরকার এমন মাঠপর্যায়ের টুলের উপযোগী।

টুল ব্যবহার ও এজেন্ট

জটিল কাজের জন্য Qwen3-Omni-কে বাইরের টুল ও সেবার সঙ্গে যুক্ত করা যায়। এর মধ্যে সার্চ চালানো, ডেটাবেসে অনুসন্ধান বা কর্মপ্রবাহ ইঞ্জিন সক্রিয় করা রয়েছে। আলিবাবা তাদের ক্লাউড প্ল্যাটফর্মে এজেন্ট ফ্রেমওয়ার্কও তৈরি করছে, যাতে কম কোড বা বেশি কোডে কাজ করা দলগুলো টুল একত্র করতে, কাজের সময়সূচি নির্ধারণ করতে এবং উৎপাদন পরিবেশে সেগুলো চালু করতে পারে। Non Thinking Mode-এ প্রসঙ্গের সীমা ৪৯,০০০ টোকেনের বেশি হওয়ায় মডেলটি দীর্ঘ, বহু-ধাপের সেশন ধরে রাখতে এবং আগের কাজগুলোর হিসাব রাখতে পারে।

গ্রহণযোগ্যতা, বাজার ও কৌশল

ডেভেলপারদের আগ্রহ দ্রুত বেড়েছে। Qwen3 পরিবারের বিভিন্ন সংস্করণ প্রধান মডেল হাবের ট্রেন্ডিং তালিকায় একাধিক শীর্ষস্থান দখল করেছে; Qwen3-Omni-30B-A3B প্রায়ই প্রথম স্থানে রয়েছে। এই দৃশ্যমানতা গবেষণা ও শিল্প—দুই ক্ষেত্রেই মনোযোগ আকর্ষণ করা চীনা ওপেন মডেলের বৃহত্তর ঢেউয়ের প্রতিফলন।

বাজারের ইঙ্গিতও একই দিকে। এআই ও ক্লাউড ব্যবসা সম্প্রসারণে আলিবাবার উদ্যোগ নিয়ে আস্থা বাড়ায় প্রতিষ্ঠানটির শেয়ারের দাম বেড়েছে; বিশ্লেষকেরা নতুন করে মূল্যায়ন উন্নীত করেছেন এবং বৈশ্বিক তহবিলের আগ্রহও ফিরেছে। চীনের বাইরের গ্রাহকদের সহায়তায় প্রতিষ্ঠানটি ডেটা সেন্টারের বিস্তার ঘটাচ্ছে। ব্রাজিল, ফ্রান্স ও নেদারল্যান্ডসে নতুন কেন্দ্র তৈরি হচ্ছে এবং অন্য অঞ্চলেও অতিরিক্ত সক্ষমতা গড়ার পরিকল্পনা রয়েছে। আলিবাবা এআই অবকাঠামোতেও বড় বিনিয়োগ করছে; আগামী তিন বছরে কয়েক হাজার কোটি ডলার ব্যয়ের প্রতিশ্রুতি দিয়েছে এবং এআইয়ে মোট মূলধনি ব্যয় বাড়বে বলে জানিয়েছে।

হার্ডওয়্যার অংশীদারত্বও পরিকল্পনার অংশ। প্রশিক্ষণ, সিমুলেশন ও যাচাইয়ের মতো ক্ষেত্রে এআই ডেভেলপমেন্ট টুল যুক্ত করতে আলিবাবা Nvidia-র সঙ্গে সফটওয়্যার সহযোগিতার ঘোষণা দিয়েছে। প্রতিষ্ঠানটি উন্নত কোড তৈরি ও এজেন্টের আচরণের জন্য এক ট্রিলিয়নের বেশি প্যারামিটারসমৃদ্ধ বড় Qwen3 Max মডেলেরও আগাম ধারণা দিয়েছে। এতে বোঝা যায়, ইন্টারঅ্যাকটিভ সহকারী থেকে ভারী গবেষণা মডেল পর্যন্ত বিস্তৃত একটি পরিবারের অংশ হিসেবেই Qwen3-Omni এসেছে।

আলিবাবার বক্তব্য

আলিবাবা গ্রুপের প্রধান নির্বাহী এডি উ হাংঝৌতে প্রতিষ্ঠানের বার্ষিক সম্মেলনে পরবর্তী প্রবৃদ্ধির দুই চালিকাশক্তি হিসেবে এআই ও ক্লাউডকে তুলে ধরেন। আন্তর্জাতিক ডেটা সেন্টার সম্প্রসারণ এবং প্রশিক্ষণ ও স্থাপন নিয়ে অংশীদারত্ব আরও গভীর করার পরিকল্পনাও তিনি জানান।

এআইয়ে বিনিয়োগ বাড়ানোর কারণ ব্যাখ্যা করতে উ বলেন:

ই-কমার্সের পাশাপাশি এআই ও ক্লাউড আলিবাবার প্রবৃদ্ধির চালিকাশক্তি। বৈশ্বিক চাহিদা মেটাতে আমরা ব্যয় ও সক্ষমতা বাড়াব।

Qwen দলের গবেষক লিন জুনইয়াং ব্যাখ্যা করেন, স্পিচ ও ভিশন নিয়ে আগের কাজগুলোকে কাজে লাগিয়ে কীভাবে নতুন সিস্টেমটি তৈরি করা হয়েছে।

Qwen3 Omni তৈরি করতে আমরা অডিও ও ছবি নিয়ে মৌলিক প্রকল্পগুলোকে একত্র করেছি।

ঝুঁকি, সীমাবদ্ধতা ও নজরে রাখার বিষয়

বেঞ্চমার্কে ভালো ফলের পরও কিছু প্রশ্নের উত্তর শুধু উৎপাদন পরিবেশে ব্যবহার করেই পাওয়া সম্ভব। বাস্তবের অডিওতে পটভূমির জোরালো শব্দ, একসঙ্গে একাধিক ব্যক্তির কথা বা বিরল উচ্চারণ থাকতে পারে। ভিডিওতে আলোর ঝলক, নড়াচড়ায় অস্পষ্টতা বা দৃশ্য আড়াল হয়ে যাওয়ার ঘটনা দেখা যায়। বিশেষায়িত ডায়াগ্রামে খুব বেশি তথ্য শনাক্ত করার সক্ষমতা বা নির্দিষ্ট ক্ষেত্রে নিয়ম মেনে ট্রান্সক্রিপশনের প্রয়োজন হলে ডেটা বাছাই ও ক্ষেত্রভিত্তিক ফাইন-টিউনিংয়ের জন্য সময় রাখুন।

বর্তমান সংস্করণে স্পিচ আউটপুটের জন্য ১০টি ভাষা রয়েছে, যা অনেক বাজারের জন্য যথেষ্ট। তবে কম প্রচলিত ভাষার প্রয়োজন হলে দলগুলোকে টেক্সট আউটপুট বা তৃতীয় পক্ষের স্পিচ ইঞ্জিন ব্যবহার করতে হবে। Thinker ও Talker-এর বিভাজনও কিছু সিদ্ধান্তের সুযোগ তৈরি করে। কোনো কোনো প্রতিষ্ঠান দীর্ঘ যুক্তি বিশ্লেষণ শুধু টেক্সটে রাখতে এবং কেবল চূড়ান্ত উত্তরের জন্য স্পিচ তৈরি করতে চাইতে পারে। অন্যরা দ্রুত কথার উত্তর পাওয়ার বিনিময়ে সংক্ষিপ্ত আউটপুট মেনে নিতে পারে। ব্যবহারকারীর অভিজ্ঞতার লক্ষ্য অনুযায়ী এসব সমঝোতা যাচাই করা উচিত।

ওপেন সোর্স লাইসেন্স পণ্য নির্মাতাদের জন্য একটি সুবিধা, তবে এর অর্থ যে কেউ মডেলটি নিজের প্রয়োজনমতো বদলাতে পারে। অপব্যবহার ঠেকাতে প্রতিষ্ঠানের বিষয়বস্তু ফিল্টার, অপব্যবহার শনাক্তকরণ ও ব্যবহার পর্যবেক্ষণ ব্যবস্থা কাজে লাগানো উচিত। অন্যদিকে, Apache 2.0-তে পেটেন্ট ব্যবহারের অধিকার থাকায় গ্রহণকারীদের মেধাস্বত্ব-সংক্রান্ত ঝুঁকি কমে, যা প্রাতিষ্ঠানিক নিয়মপালন দলগুলোর জন্য গুরুত্বপূর্ণ।

লক্ষ্য হলো এমন একটি মাল্টিমোডাল সহকারী, যা মানুষের কাছাকাছি সময়ের মধ্যে টেক্সট, দৃশ্য ও শব্দের ভিত্তিতে ভাবতে পারে। সাজানো মূল্যায়নের বাইরেও Qwen3-Omni নিজের কার্যকারিতা প্রমাণ করতে পারলে, স্থানীয় নিয়ন্ত্রণ, অনুমানযোগ্য খরচ ও বিস্তৃত ডেভেলপার কমিউনিটি চায় এমন দলগুলোর কাছে এটি নিয়মিত পছন্দ হয়ে উঠতে পারে।

মূল বিষয়গুলো

• Qwen3-Omni টেক্সট, ছবি, অডিও ও ভিডিও ইনপুট গ্রহণ করে এবং টেক্সট ও স্পিচ আউটপুট দেয়।
• মডেলটি বাণিজ্যিক ব্যবহারের জন্য পেটেন্ট ব্যবহারের অধিকারসহ Apache 2.0 লাইসেন্সে ওপেন সোর্স।
• Thinker যুক্তি বিশ্লেষণ করে, Talker স্পিচ তৈরি করে; গতি বাড়াতে দুটিই Mixture of Experts ব্যবহার করে।
• প্রথম প্যাকেট পৌঁছানোর বিলম্ব অডিওতে ২৩৪ মিলিসেকেন্ড এবং ভিডিওতে ৫৪৭ মিলিসেকেন্ড বলে জানানো হয়েছে।
• টেক্সটের জন্য ১১৯টি, স্পিচ ইনপুটের জন্য ১৯টি এবং স্পিচ আউটপুটের জন্য ১০টি ভাষা সমর্থন করে।
• Instruct, Thinking ও Captioner—এই তিনটি সংস্করণ পাওয়া যাচ্ছে।
• API-তে প্রতি হাজার টেক্সট টোকেনের মূল্য শুরু ০.০০০২৫ ডলার থেকে; বিনামূল্যে পরীক্ষায় ১০ লাখ টোকেন পাওয়া যায়।
• বেঞ্চমার্কে স্পিচ, ভিডিও ও যুক্তি বিশ্লেষণের বহু পরীক্ষায় শীর্ষস্থানীয় ফল দেখা গেছে।
• Hugging Face-এর র‍্যাঙ্কিং ও বিনিয়োগকারীদের আগ্রহ দ্রুত গ্রহণযোগ্যতার ইঙ্গিত দেয়।
• Qwen3 পরিবারের বিস্তারের পাশাপাশি আলিবাবা ডেটা সেন্টার সম্প্রসারণ করছে এবং Nvidia-র সঙ্গে সহযোগিতা গভীর করছে।