প্রকল্প সম্পর্কে

RTranslator হলো রিয়েল-টাইম অনুবাদের জন্য একটি Android অ্যাপ যা সম্পূর্ণভাবে ডিভাইসেই চলে, কোনো ডেটা বাইরের সার্ভারে পাঠায় না। এটিকে প্রায় সম্পূর্ণ ওপেন সোর্স বলা হয়েছে, তবে প্রকল্পে উল্লেখ আছে যে কিছু বাহ্যিক উপাদানের লাইসেন্স কম অনুমতিপ্রদ। প্রধান মোডসমূহ: - কথোপকথন মোড: অ্যাপটি চালিত দুই বা ততোধিক ফোন পরস্পরের সাথে সংযুক্ত হয়। কথা ধারণ করা হয় (ফোনের মাইক্রোফোন বা ব্লুটুথ হেডসেট), টেক্সটে রূপান্তরিত হয়, অন্য ডিভাইসে পাঠানো হয়, সেখানে অনুবাদ হয় এবং অন্য ব্যবহারকারীর স্পিকার বা হেডসেটে উচ্চারিত হয়। এটি উভয় দিকেই কাজ করে এবং বিভিন্ন সমন্বয়ে দুইয়ের বেশি অংশগ্রহণকারীকে সমর্থন করে। - WalkieTalkie মোড: পথ জিজ্ঞাসা বা দোকান সহকারীর সাথে কথা বলার মতো ছোট আলাপের জন্য তৈরি। এটি একটি ফোনেই কাজ করে, একসাথে দুটি নির্বাচনযোগ্য ভাষায় শোনে, কোন ভাষায় কথা বলা হচ্ছে তা শনাক্ত করে, অনুবাদ করে এবং ফলাফল উচ্চারণ করে। ব্যবহারকারীরা পালাক্রমে কথা বলেন; এই মোডে ব্লুটুথ হেডসেট সমর্থিত নয়। - টেক্সট অনুবাদ মোড: একটি প্রচলিত টেক্সট অনুবাদক, যেখানে সংস্করণ 2.1-এ speak ও copy বোতাম যোগ করা হয়েছে। অ্যাপটি ব্যাকগ্রাউন্ডে কাজ চালিয়ে যেতে পারে, এমনকি ফোন স্ট্যান্ডবাই থাকলে বা অন্য অ্যাপ ব্যবহৃত হলে, যদিও README-তে উল্লেখ আছে যে কিছু ফোন ব্যাকগ্রাউন্ড পাওয়ার সীমিত করে এবং অ্যাপটি খোলা রাখা ভালো হতে পারে। মডেল ও প্রযুক্তি: সংস্করণ 2.x অনুবাদের জন্য Meta-র NLLB (KV cache সহ NLLB-Distilled-600M) এবং বাক্‌স্বীকৃতির জন্য OpenAI-র Whisper (KV cache সহ Whisper-Small-244M) ব্যবহার করে, উভয়ই ONNX-এ রূপান্তরিত এবং int8-এ কোয়ান্টাইজড, গুণমান হ্রাস সীমিত করতে কিছু ওয়েট বাদ দিয়ে। README-তে জানানো হয়েছে যে অপ্টিমাইজেশনে NLLB-এর RAM ব্যবহার 2.5 GB থেকে 1.3 GB-এ এবং 75 টোকেনের নির্বাহ সময় 8s থেকে 2s-এ কমেছে, আর Whisper-এর RAM 1.4 GB থেকে 0.9 GB-এ এবং 11s অডিওর নির্বাহ সময় 1.9s থেকে 1.6s-এ কমেছে। 8 GB-এর কম RAM-যুক্ত ফোনে প্রায় 0.5 GB ব্যবহারকারী কম-মেমরি Whisper কনফিগারেশন ব্যবহৃত হয়। সংস্করণ 3.0 বিটা NLLB-এর বদলে Mozilla Bergamot মডেল, Madlad 400 3B এবং HY-MT 1.5 1.8B-এর মধ্যে একটি নির্বাচনের সুযোগ দেয়, এবং MLKit-এর বদলে ওপেন সোর্স বিকল্প (FastText ও Lingua) ব্যবহার করে, ফলে অ্যাপটি সম্পূর্ণ ওপেন সোর্স হয়। এটি beam search, বহুভাষিক অভিধান এবং Tatoeba ইন্টিগ্রেশনের মতো কৌশলও যোগ করে। Mozilla মডেল ব্যবহার করে টেক্সট অনুবাদের জন্য একটি স্ব-হোস্টেড ওয়েব সংস্করণ পরিকল্পিত। তালিকাভুক্ত অন্যান্য বাহ্যিক উপাদানের মধ্যে রয়েছে BluetoothCommunicator এবং GalleryImageSelector (দুটোই একই লেখকের ওপেন সোর্স), OnnxRuntime এবং SentencePiece। সংস্করণ 2.x-এ WalkieTalkie মোডে ভাষা শনাক্তকরণের জন্য MLKit ব্যবহৃত হতো। ভাষাসমূহ: প্রধান সমর্থিত সেটে রয়েছে আরবি, বুলগেরিয়ান, কাতালান, চীনা, ক্রোয়েশিয়ান, চেক, ডেনিশ, ডাচ, ইংরেজি, ফিনিশ, ফরাসি, গ্যালিশিয়ান, জার্মান, গ্রিক, ইতালীয়, জাপানি, কোরিয়ান, ম্যাসিডোনিয়ান, পোলিশ, পর্তুগিজ, রোমানিয়ান, রুশ, স্লোভাক, স্প্যানিশ, সুইডিশ, তামিল, থাই, তুর্কি, ইউক্রেনীয়, উর্দু এবং ভিয়েতনামি। সংস্করণ 2.1 থেকে, "Support low quality languages" সেটিং আরও অনেক ভাষা যোগ করে, তবে অনুবাদ ও বাক্‌স্বীকৃতির গুণমান কম হয়। টেক্সট-টু-স্পিচ ফোনের সিস্টেম TTS ব্যবহার করে, Google TTS সুপারিশ করা হয়। প্রয়োজনীয়তা ও ইনস্টলেশন: README-তে বলা হয়েছে ক্র্যাশ এড়াতে অন্তত 6 GB RAM দরকার, সাথে মোটামুটি দ্রুত CPU। APK GitHub releases থেকে ডাউনলোড করা হয়; প্রথম চালুতে অ্যাপটি প্রায় 1.2 GB মডেল ডাউনলোড করে, যেখানে GitHub ধীর সেসব অঞ্চলের জন্য ম্যানুয়াল সাইডলোডিং গাইড আছে। দুর্বল ফোনের জন্য সংস্করণ 1.0 দেওয়া হয়, তবে এটি Google API-এর উপর নির্ভরশীল এবং বিনামূল্যের নয়। গোপনীয়তা: README-তে বলা হয়েছে অ্যাপটি কোনো ব্যক্তিগত ডেটা সংগ্রহ করে না এবং লেখক কোনো সার্ভার চালান না। প্রকল্পটি বিজ্ঞাপনমুক্ত এবং অনুদানে অর্থায়িত, সংস্করণ 3.0 NGI Mobifree Fund দ্বারা সমর্থিত। পরিচিত সমস্যার মধ্যে মাঝে মাঝে ব্লুটুথ সংযোগ বিচ্ছিন্ন হওয়া রয়েছে, এবং অ্যাপটিকে এখনও বিটা অবস্থায় বলা হয়েছে।