একটি InterMIND মিটিংয়ে লাইভ অনুবাদ, ক্যাপশন এবং অনুসন্ধানযোগ্য ট্রান্সক্রিপ্ট কীভাবে একসঙ্গে কাজ করে

চারটি টাইম জোনে ছড়িয়ে থাকা একটি টিমের ভাষার সমস্যা ক্যালেন্ডার আমন্ত্রণে ধরা পড়ে না, সেটি শুরু হয় কেউ কথা বলা শুরু করার মুহূর্তেই। লাইভ অনুবাদ, লাইভ ক্যাপশন এবং ফিরে দেখার মতো একটি ট্রান্সক্রিপ্ট, এই তিনটিই আসলে সেই বাধা দূর করে। আজকাল এগুলো ক্রমেই একটি প্রোডাক্ট পেজে একসঙ্গে দেখা যায় এবং তিনটি আলাদা অ্যাড-অনের বদলে একটি বান্ডল হিসেবে বর্ণনা করা হয়।

একটি সাম্প্রতিক উদাহরণ হলো ওয়ার্কপ্লেস প্ল্যাটফর্ম NexGen Virtual Workplace-এর সেপ্টেম্বর 2026-এর একটি পোস্ট। সেটি শুরু হয় এভাবে: "Live voice translation, meeting captions, and searchable transcripts, built into the workday rather than bolted onto the meeting", এবং বলে: "these features are available within the NexGen Virtual Workplace platform for subscribers to use।" পুরো বিবরণ এটুকুই। পোস্টে সমর্থিত ভাষার সংখ্যা বলা হয়নি, কোন সাবস্ক্রিপশন টিয়ারে এই তিনটি ফিচার পাওয়া যায় তা বলা হয়নি, এবং "searchable" বলতে কী বোঝানো হচ্ছে তাও ব্যাখ্যা করা হয়নি, শুধু বলা হয়েছে "people can also look up past transcriptions... for a reference" (সেপ্টেম্বর 2026-এ যাচাই করা, সূত্র শেষে দেওয়া আছে)। এটি ভেন্ডরের সমালোচনা নয়। বান্ডলটি নিজের টিমের জন্য উপযুক্ত কি না তা জানতে পাঠককে এই তথ্য অন্য কোথাও খুঁজে নিতে হবে, অথবা বিশ্বাস করে নিতে হবে।

অনুবাদ, ক্যাপশন, ট্রান্সক্রিপ্ট, এই তিনটি শব্দ বিভিন্ন প্রোডাক্টে বেশ ভিন্ন ভিন্ন কার্যপদ্ধতি বোঝাতে ব্যবহৃত হয়। তাই InterMIND-এ আজ এগুলো ঠিক কীভাবে কাজ করে, তার যাচাইযোগ্য বিবরণ নিচে দেওয়া হলো।

অনুবাদ: আপনি এটি চালু করেন, আর কণ্ঠটি আপনার নিজের

অনুবাদ নিজে থেকে চালু থাকে না। আপনি প্রতিটি মিটিংয়ে ইচ্ছা করে এটি চালু করেন, কন্ট্রোল বারের More মেনু থেকে (অথবা Alt+T শর্টকাট দিয়ে), এবং রুমে অন্তত দুটি ভাষা থাকলেই এটি পাওয়া যায়। এরপর প্রতিটি অংশগ্রহণকারী নিজের অনুবাদ ভাষা স্বতন্ত্রভাবে ঠিক করেন। পাঁচজনের কলে পাঁচটি ভাষা থাকলে প্রত্যেকে অন্য সবার কথা একই সঙ্গে নিজের ভাষায় অনূদিত অবস্থায় শোনেন।

আউটপুট কোনো একঘেয়ে ন্যারেটরের কণ্ঠ নয়। স্পিচ রিকগনিশন, বাক্য বিভাজন, অনুবাদ এবং ভয়েস সিনথেসিস একটি পাইপলাইন হিসেবে চলে। শেষ ধাপে অনূদিত বাক্যটি মূল বক্তার নিজের কণ্ঠের একটি রূপে পুনরায় সংশ্লেষিত হয়। ফলে কণ্ঠটি চেনা যায়, এটি সমতল টেক্সট-টু-স্পিচ পাঠ নয়। পাইপলাইনটি কীভাবে কাজ করে তার প্রযুক্তিগত বিশ্লেষণ রয়েছে আলাদা একটি পোস্টে। এখানে সারকথা হলো, অনুবাদ চালু থাকলে শুধু "কী বলা হয়েছে" নয়, "কে বলেছে"-ও অনুবাদের পরে টিকে থাকে। ভয়েস, চ্যাট ও শেয়ার্ড নোটের জন্য 23টি ভাষা সমর্থিত, আর পূর্ণ ডকুমেন্ট ফাইল অনুবাদের জন্য 30টি। এই পার্থক্য এবং তার কারণ রয়েছে ভাষার বিস্তারিত বিবরণে।

ক্যাপশন: ডিফল্টভাবে চালু, আলাদা করে মনে রাখার কোনো টগল নেই

InterMIND-এ লাইভ ক্যাপশন হলো একই স্ট্রিমের অনূদিত টেক্সট, যা মিটিং চলাকালে সাবটাইটেল ব্যানার হিসেবে দেখানো হয়। ফিচারটি থাকার চেয়েও দুটি বিষয় বেশি গুরুত্বপূর্ণ:

• ডিফল্ট হিসেবে এটি চালু। অনুবাদ চালু হলেই অংশগ্রহণকারী কিছু না বদলেও পর্দায় অনূদিত বক্তব্য দেখতে পান। মিটিংয়ের মাঝখানে খুঁজে বের করার মতো দ্বিতীয় কোনো সুইচ নেই।
• ব্যানার আপনার শেষ পছন্দ মনে রাখে, প্রতি ব্রাউজারে আলাদাভাবে। তাই এক মিটিংয়ে ক্যাপশন বন্ধ করলে পরের মিটিংয়েও তা বন্ধ থাকে, যতক্ষণ না আপনি আবার চালু করেন। টার্গেট ভাষার প্রয়োজন হলে ব্যানার স্বয়ংক্রিয়ভাবে ডান-থেকে-বামে প্রদর্শিত হয়।

ক্যাপশন একই অনূদিত অডিওর ওপর একটি পঠন চ্যানেল। এটি আগে থেকে কনফিগার করার মতো আলাদা সেটিংস পেজসহ কোনো পৃথক প্রোডাক্ট নয়। যেসব প্ল্যাটফর্মে ক্যাপশনের ভাষা ইভেন্টের আগে আয়োজকের দিক থেকে ঠিক করা হয়, সেখানে "কে কোন ক্যাপশন ভাষা দেখতে পাবে" প্রশ্নটিই প্রধান হয়ে ওঠে। InterMIND-এ ব্যাপারটি উল্টো। একজন অংশগ্রহণকারীর স্ক্রিনে কলের পাশে চলা কোপাইলটের সঙ্গে এই একই ক্যাপশনের তুলনা রয়েছে আলাদা একটি গাইডে।

ট্রান্সক্রিপশন: স্বয়ংক্রিয়, এবং "searchable" ঠিক কী বোঝায় তা নিয়ে স্পষ্ট

ট্রান্সক্রিপশনে কোনো Start/Stop বোতাম নেই। মিটিং লাইভ হওয়ার মুহূর্ত থেকে প্রতিটি শব্দ ধারণ করা হয়, যিনি বলেছেন তাঁর নামে চিহ্নিত করা হয়, এবং যে ভাষায় আসলে বলা হয়েছে সেই ভাষাতেই সার্ভারে সংরক্ষিত হয়। কাউকে চালু করার কথা মনে রাখতে হয় না, এবং কেউ চালু করতে ভুলেও যেতে পারে না।

মিটিং শেষে মিটিং চ্যাটে একটি recap বার্তা আসে। সেটি খুলে Transcript ট্যাবে গেলে পূর্ণ, বক্তা-চিহ্নিত, টাইমস্ট্যাম্পযুক্ত ট্রান্সক্রিপ্ট দেখা যায়। বক্তাদের মূল ভাষায় ধারণ করা হলেও চাহিদামতো পাঠকের নিজের ভাষায় এটি অনুবাদ করা যায়।

"Searchable" শব্দটিতেই সবচেয়ে বেশি নির্ভুলতা দরকার। তাই আজ এটি ঠিক কী বোঝায়, বাড়িয়ে না বলে নিচে দেওয়া হলো:

• মিটিংয়ের চ্যাটের ভেতরে এটি প্রকৃত টেক্সট সার্চ। মিটিং চলার সময় প্রতিটি বক্তব্য চ্যানেলে একটি ট্রান্সক্রিপশন বার্তা হিসেবে জমা হয়, এবং অন্য সব বার্তার মতো সেগুলোও একই চ্যাট সার্চের আওতায় পড়ে। Ctrl/⌘+F চাপলে সার্চ খোলে, একটি কিওয়ার্ড টাইপ করলে মিলে যাওয়া বার্তাগুলো প্রসঙ্গসহ সামনে চলে আসে।
• ট্রান্সক্রিপ্ট পেজটি নিজেই সাধারণ রেন্ডার করা টেক্সট। তাই যেকোনো ওয়েব পেজের মতোই আপনার ব্রাউজারের নিজস্ব পেজ সার্চ সেখানে শব্দ বা নাম খুঁজে পায়।
• এখনো পূর্ণ-টেক্সট সার্চের আওতায় নেই recap-এ ট্রান্সক্রিপ্টের ওপরে থাকা AI-লিখিত সারসংক্ষেপ। আজ সেই সারসংক্ষেপ তার শিরোনাম দিয়ে পাওয়া যায়, তার মূল অংশ সার্চ করে নয়। আপনি যদি কারও বলা কোনো নির্দিষ্ট বাক্য খুঁজছেন, তবে সেটি ট্রান্সক্রিপ্ট ট্যাবে থাকে এবং সার্চ সেখানেই পৌঁছায়। সংক্ষিপ্ত সারসংক্ষেপ একটি আলাদা অবজেক্ট, যার সার্চের পরিসর সংকীর্ণ। এই ফাঁক পূরণ করা আমাদের রোডম্যাপে আছে।

প্রোডাক্ট পেজের এক লাইনের "searchable transcripts" বুলেট এই ধরনের নির্দিষ্ট আচরণ সাধারণত এড়িয়ে যায়: একদিকে সত্যিই অনুসন্ধানযোগ্য একটি কথিত-শব্দের আর্কাইভ, আর পাশেই একটি সংক্ষিপ্ত AI সারসংক্ষেপ যা বর্তমানে তেমন নয়।

একটি সিট, একটি প্ল্যান সীমা, তিনটি লাইসেন্স নয়

তিনটির কোনোটিই আলাদা অ্যাড-অন বা আলাদা লাইসেন্স টিয়ারের পেছনে আটকে নেই। প্ল্যানের সঙ্গে যা বাড়ে তা হলো রুমের আকার: Basic-এ 50 জন, Pro-তে 100 জন, Business-এ 300 জন, Enterprise-এ 1500 জন অংশগ্রহণকারী। যেকোনো প্ল্যানের হোস্ট অনুবাদ, ক্যাপশন ও ট্রান্সক্রিপশন একসঙ্গে পান। আপগ্রেড করলে রুমে কতজন থাকতে পারবেন তা বদলায়, তিনটির মধ্যে কোন ফিচার পাবেন তা বদলায় না।

গেস্ট কী পান, আর কী ধরে রাখতে পারেন না

যিনি কখনো অ্যাকাউন্ট না খুলে মিটিং লিংকের মাধ্যমে যোগ দেন, তিনি মিটিংয়ের ভেতরের পূর্ণ অভিজ্ঞতা পান। তাঁর নিজের অনুবাদ ভাষা থাকে (যা ডিফল্টভাবে তাঁর ইন্টারফেস ভাষা, আর সেটি ব্রাউজার অনুসরণ করে), সেই ভাষায় ক্যাপশন পান, এবং অন্য যে কারও মতো তাঁর কথাও শেয়ার্ড ট্রান্সক্রিপ্টে ধারণ করা হয়। মিটিংয়ের পরে তিনি কিছুই পান না। recap পৌঁছে দেওয়ার মতো কোনো অ্যাকাউন্ট নেই, এবং কল শেষ হওয়ার পর বেনামী পরিচয় সংরক্ষিত থাকে না। অ্যাকাউন্ট বিনামূল্যে, আর কলের পরের অংশ, অর্থাৎ recap, অনুসন্ধানযোগ্য ট্রান্সক্রিপ্ট ও চ্যানেলের ইতিহাস, পরে নাগালে পাওয়ার নির্দিষ্ট উপায় সেটিই। এটি একটি প্রকৃত সীমাবদ্ধতা। এই ফিচার সেটের যে অংশগুলো শর্তহীন শোনায় তার বিপরীতে এটি গুলিয়ে না দিয়ে স্পষ্টভাবে বলাই ভালো।

পড়ে নয়, নিজে দেখে নিন

• লাইভ ডেমো চালিয়ে দেখুন: সাইনআপ ছাড়াই কথা বলুন এবং রুমের অনুবাদ নিজের কানে শুনুন।
• বেঞ্চমার্ক দেখুন: ভাষা-জোড়া অনুযায়ী অনুবাদের মান, প্রকৃত ট্র্যাফিকে প্রতি মাসে পরিমাপ করা, পদ্ধতি প্রকাশ্য।
• ট্রান্সক্রিপশন ডকুমেন্টেশন পড়ুন: ট্রান্সক্রিপ্ট কীভাবে ধারণ করা হয় এবং অনূদিত অবস্থায় ফিরে পড়া যায়, তার পূর্ণ কার্যপদ্ধতি।

FAQ

অনুবাদ, ক্যাপশন ও ট্রান্সক্রিপশন কি আলাদা আলাদা চালু করতে হয়? ট্রান্সক্রিপশন সবসময় চালু থাকে, মিটিং শুরু হওয়ার মুহূর্ত থেকে স্বয়ংক্রিয়ভাবে। অনুবাদ একটি সচেতন সিদ্ধান্ত। রুমে অন্তত দুটি অংশগ্রহণকারী ভাষা থাকলে More মেনু বা Alt+T থেকে এটি চালু করতে হয়। ক্যাপশন সেই একই স্ট্রিমের অনূদিত টেক্সট এবং অনুবাদ চালু হওয়ার মুহূর্তেই ডিফল্টভাবে চালু হয়ে যায়। তাই বাস্তবে ভাবতে হয় একটি সুইচ নিয়ে, তিনটি নিয়ে নয়।

মিটিংয়ের ট্রান্সক্রিপ্টে কি সত্যিই সার্চ করা যায়, নাকি শুধু স্ক্রল করে পড়তে হয়? দুটোই সম্ভব। মিটিং চলার সময় ট্রান্সক্রিপ্ট চ্যাট বার্তা হিসেবে প্রতিটি বক্তব্য ধরে ধরে ধারণ করা হয়, এবং অন্য সব বার্তার মতোই সেগুলো একই চ্যাট সার্চের (Ctrl/⌘+F) আওতায় পড়ে। কিওয়ার্ড টাইপ করলে মিলে যাওয়া বক্তব্যগুলো সামনে চলে আসে। পূর্ণ ট্রান্সক্রিপ্ট পেজটিও সাধারণ টেক্সট, তাই ব্রাউজারের নিজস্ব পেজ সার্চ সেখানে সরাসরি কাজ করে। যে একটি জিনিস এখনো পূর্ণ-টেক্সট সার্চের আওতায় নেই তা হলো সংক্ষিপ্ত AI-লিখিত মিটিং সারসংক্ষেপের মূল অংশ, যা আজ তার শিরোনাম দিয়ে পাওয়া যায়।

সবাই কি একই অনূদিত কণ্ঠ শোনে, নাকি বক্তার নিজের কণ্ঠই বজায় থাকে? প্রতিটি অংশগ্রহণকারীর অনূদিত বক্তব্য তাঁর নিজের কণ্ঠের আদলে তৈরি একটি কণ্ঠে পুনরায় সংশ্লেষিত হয়, সবার জন্য একই সাধারণ ন্যারেটর কণ্ঠে নয়। ফলে অনূদিত কথোপকথনটি এখনো সেই মানুষগুলোর মতোই শোনায় যাঁরা কথা বলছেন, দুই দিকেই এবং প্রতিটি অংশগ্রহণকারীর জন্য স্বতন্ত্রভাবে।

কেউ অ্যাকাউন্ট ছাড়া গেস্ট হিসেবে যোগ দিলে ট্রান্সক্রিপ্ট ও recap-এর কী হয়? গেস্ট অন্য যেকোনো অংশগ্রহণকারীর মতো মিটিংয়ের ভেতরে পূর্ণ অনুবাদ, ক্যাপশন ও ট্রান্সক্রিপশন পান। পরবর্তী কিছুই সঙ্গে থাকে না: recap বা ট্রান্সক্রিপ্ট যাওয়ার মতো কোনো অ্যাকাউন্ট নেই, এবং মিটিং শেষ হলে গেস্টের বেনামী পরিচয় সংরক্ষিত থাকে না। সাইন আপ করলে (বিনামূল্যে) কলের পরের রেকর্ড নাগালে পাওয়া যায়।

অনুবাদ, ক্যাপশন বা ট্রান্সক্রিপশনের জন্য কি আলাদা কোনো প্ল্যান বা অ্যাড-অন আছে? না, তিনটিই প্রতিটি প্ল্যানে একসঙ্গে পাওয়া যায়। প্ল্যানভেদে যা বদলায় তা হলো একজন হোস্ট একসঙ্গে কতজন অংশগ্রহণকারীকে হোস্ট করতে পারেন: Basic-এ 50, Pro-তে 100, Business-এ 300, Enterprise-এ 1500।

সূত্র: NexGen Virtual Workplace — Speaking the Same Language: How Translation and Transcription Work Inside NexGen Virtual Workplace, সেপ্টেম্বর 2026-এ যাচাই করা। InterMIND-এর তথ্য: রিয়েল-টাইম অনুবাদ ডকুমেন্টেশন, ট্রান্সক্রিপশন ডকুমেন্টেশন, ভাষার বিস্তারিত বিবরণ, নিজের কণ্ঠে অনুবাদ, লাইভ বেঞ্চমার্ক।