বাংলা বলুন।
লেখা বসে যাক।

মেসেজ, ইমেইল, কাজের নোট—যেখানে লিখছেন, সেখানেই কথা থেকে লেখা। Ctrl+Space চাপুন, বলুন, আবার চাপুন।

Windows-এর জন্য ডাউনলোড ভিডিওতে যেটা দেখলেন, কোনটা পাবেন কীভাবে ব্যবহার করব

পাবলিক সংস্করণ ফ্রি ও ওপেন সোর্স। অফলাইন বাংলা মডেলে API চাবি লাগে না।

Windows 10 / 11 · 64-bit · সংস্করণ 0.3.3
কালো কিবোর্ড কি-র ওপর হলুদ সাউন্ড-ওয়েভ চিহ্ন, পেছনে লেখা-ভরা পাতা
একটি শর্টকাটেই শুরু ও শেষCtrl+Space
একটি শর্টকাট: কথা শুরু, কথা শেষ, লেখা কার্সরের জায়গায়।

ছোট একটি উদাহরণ। এখানে মাইক্রোফোন চালু হয় না।

দুটি সংস্করণ।
কোনটা কিসের জন্য।

ভিডিওতে Google সংযোগ দেখে এসে থাকলে এই পার্থক্যটুকু জেনে নিন। নিচে দুই সংস্করণের আলাদা ডাউনলোড লিংক আছে। আপনার প্রয়োজনেরটি বেছে নিন।

ডাউনলোড করুন

Voice Flow পাবলিক সংস্করণ

সবার জন্য। ফ্রি, MIT লাইসেন্সে ওপেন সোর্স, GitHub-এ পাওয়া যায়। তিনটি ইঞ্জিন:

  • লোকাল বাংলা মডেল: ইন্টারনেট ছাড়া, API চাবি ছাড়া
  • Sarvam: নিজের API চাবি দিয়ে
  • Chariot: নিজের API চাবি দিয়ে
পাবলিক সংস্করণ নামানসোর্স কোড দেখুন
পরীক্ষামূলক ডাউনলোড

Google সংযোগসহ সংস্করণ

ভিডিওতে দেখানো Google সংযোগসহ পরীক্ষামূলক সংস্করণ। এটি Antigravity-এর voice service-এর সঙ্গে Google sign-in দিয়ে সংযোগ করে। পুরো Antigravity editor চালিয়ে রাখা লাগে না। এটি Google-এর আনুষ্ঠানিক পণ্য বা অনুমোদিত integration নয়।

সাবধান। Google-এর বর্তমান শর্তের ৬ নম্বর ধারায় এমন third-party access নিষিদ্ধ এবং অ্যাকাউন্ট স্থগিত বা বন্ধ হতে পারে বলা আছে। Google Pro subscription থাকলেই এতে অনুমোদিত বা নিশ্চিত ব্যবহার পাওয়া যায় না।

Google সংস্করণ নামানSHA-256 যাচাই

শর্টকাটটা মনে রাখুন।
বাকিটা কথা বলেই।

অ্যাপ ইনস্টল করে একটি ইঞ্জিন প্রস্তুত করুন। তারপর আলাদা কোনো লেখার বক্স খুলতে হবে না—আপনার কাজের জায়গাতেই শুরু করুন।

  1. কার্সর রাখুন

    যেখানে লিখবেন সেখানে ক্লিক করুন। Ctrl+Space চাপলে অ্যাপ শুনতে শুরু করবে।

  2. নিজের মতো বলুন

    একটি ছোট কার্ডে অবস্থা দেখা যাবে। কার্ড ফোকাস নেবে না, আপনার টাইপিং বা ক্লিক আটকাবে না।

  3. আবার শর্টকাট চাপুন

    রেকর্ডিং থামবে, তারপর অ্যাপ লেখা বসানোর চেষ্টা করবে। বসাতে না পারলে ক্লিপবোর্ড থেকে Ctrl+V দিন।

Voice Flow-এর মূল উইন্ডো: কথা বলার বোতাম ও ভয়েস ইঞ্জিন বাছাই
অ্যাপের আসল উইন্ডো। ইঞ্জিনের ধাপগুলো সেখানেই লেখা।
API চাবি বসানোর উইন্ডো
চাবি বসানোর উইন্ডো: সাইট খুলুন, কপি করুন, পেস্ট করুন।

মাঝপথে বাতিল করতে Esc। চলতি লেখা কখন দেখা যাবে তা ইঞ্জিনের ওপর নির্ভর করে; লোকাল মডেল কথা শেষ হওয়ার পরে ফল দেয়।

কোন ইঞ্জিনে বলবেন,
সেটাও আপনার পছন্দ।

পাবলিক সংস্করণে তিনটি ইঞ্জিন। অফলাইনে শুরু করতে পারেন, অথবা নিজের অ্যাকাউন্ট দিয়ে অনলাইন ইঞ্জিন ব্যবহার করতে পারেন।

লোকাল বাংলা মডেল

কোনো API চাবি বা পরিষেবার অ্যাকাউন্ট ছাড়াই বাংলা লেখা শুরু করুন। অডিও প্রক্রিয়া হবে আপনার কম্পিউটারেই।

  • অ্যাপে “লোকাল মডেল নামান” চাপুন—প্রায় ৭১ MB।
  • একবার নামানোর পরে ইন্টারনেট ছাড়াই চলে।
  • ফ্রি ব্যবহার। কথা শেষে একবারে লেখা পাওয়া যায়।

অনলাইন ইঞ্জিন ব্যর্থ হলে, লোকাল মডেল ইনস্টল করা থাকলে একই রেকর্ডিং লোকালে আবার চেষ্টা করা হয়। এর আগে অনলাইন ইঞ্জিনে অডিও পাঠানো হয়ে থাকতে পারে। বাংলা–ইংরেজি মিশিয়ে বলার ফল ও নির্ভুলতা ইঞ্জিনভেদে আলাদা।

ইঞ্জিন ও চাবির বিস্তারিত গাইড

কথা আপনার।
হিসাবটাও পরিষ্কার।

কোন তথ্য কম্পিউটারে থাকে, আর কোনটি বাইরে যায়—ইঞ্জিন বাছার আগে সেটি জানুন।

  • সাম্প্রতিক ২০টি লেখা ও অডিও

    আপনার Windows user-এর সুরক্ষায় এনক্রিপ্ট করে রাখা হয়। শুনতে, কপি করতে বা মুছতে পারেন। নতুনটি এলে সবচেয়ে পুরোনোটি সরে যায়।

  • ইঞ্জিনভেদে অডিওর গন্তব্য

    লোকালে অডিও কম্পিউটারেই প্রক্রিয়া হয়। Sarvam বা Chariot বেছে নিলে তাদের সার্ভারে পাঠানো হয়। Google ইঞ্জিনে অডিও Google-এর voice service-এ যায়। সংশ্লিষ্ট পরিষেবার data policy প্রযোজ্য।

  • রিপোর্ট পাঠানোর নিয়ন্ত্রণ আপনার

    অ্যাপ লগ বা history নিজে থেকে রিপোর্ট হিসেবে পাঠায় না। “সমস্যা জানান” শুধু GitHub পাতা খোলে; কী লিখবেন বা সংযুক্ত করবেন, আপনি ঠিক করবেন।

পাবলিক সংস্করণের গোপনীয়তার বিবরণ
সাম্প্রতিক কথার উইন্ডো: রেকর্ডিং শোনা, লেখা কপি ও মুছে ফেলার ব্যবস্থা
সাম্প্রতিক কথার নমুনা দৃশ্য। নিজের রেকর্ডিং অ্যাপ থেকেই সামলাতে পারবেন।
নিজের প্রয়োজন থেকে বানানো—পেছনের গল্প

বাংলায় কথা বলে কাজের জায়গায় লেখা বসানোর জন্যই Voice Flow বানানো। AI কোডিং টুলের সাহায্যে তৈরি এই অ্যাপে Windows-এর native interface ও একটি Node সহায়ক কাজ করে। লোকাল মডেল চলে sherpa-onnx দিয়ে; অনলাইন ইঞ্জিনের সংযোগ আলাদা। কোড, পরিবর্তনের তালিকা ও তৈরির নির্দেশনা GitHub-এ খোলা আছে। নিজে পরীক্ষা করে ব্যবহার করুন, সমস্যা পেলে জানান।

শুরু করার আগে
কিছু ছোট উত্তর।

আরও সাহায্যের জন্য ধাপে ধাপে গাইড আছে।

কোন ইঞ্জিন দিয়ে শুরু করব?

API চাবি ছাড়া শুরু করতে লোকাল বাংলা মডেল বেছে নিন। অ্যাপের ডাউনলোড বোতামে মডেল নামান, তারপর নিজের কয়েকটি বাক্য বলে দেখুন। অনলাইন ইঞ্জিন চাইলে পরে নিজের Sarvam বা Chariot চাবি যোগ করতে পারেন।

অ্যাপ ফ্রি, তাহলে খরচ কোথায়?

Voice Flow এবং লোকাল মডেলের ব্যবহার ফ্রি। Sarvam বা Chariot ব্যবহার করলে তাদের account-এর মূল্য ও credit-এর নিয়ম প্রযোজ্য। API চাবি তৈরির আগে সংশ্লিষ্ট পরিষেবার বর্তমান দাম দেখে নিন।

Windows সতর্কতা দেখাচ্ছে কেন?

ইনস্টলার এখনো code-signed নয়, তাই Windows SmartScreen সতর্কতা দেখাতে পারে। নির্ধারিত GitHub Release থেকেই ফাইল নিন। পাবলিক সংস্করণের জন্য SHA256SUMS.txt, আর Google সংস্করণের জন্য SHA256SUMS-Google.txt দিয়ে ফাইলের hash মিলিয়ে নিতে পারেন; শুধু এই মিলকে পূর্ণ নিরাপত্তা পরীক্ষার বিকল্প ধরে নেবেন না।

কথা বলছি, কিন্তু লাইভ লেখা দেখছি না কেন?

এটি ইঞ্জিনের ওপর নির্ভর করে। লোকাল মডেল কথা শেষ হওয়ার পরে একবারে ফল দেয়। Chariot চলতি লেখা দেখাতে পারে। পেজের উদাহরণটি শুধু অভিজ্ঞতা বোঝানোর জন্য, সব ইঞ্জিনের live preview নয়।

লেখা ঠিক জায়গায় না বসলে কী করব?

অ্যাপ paste করতে না পারলে লেখা ক্লিপবোর্ডে রাখে। সঠিক জায়গায় ক্লিক করে Ctrl+V দিন। প্রয়োজন হলে “সাম্প্রতিক কথা” থেকে লেখাটিও কপি করতে পারবেন। Clipboard-এ রাখতে ব্যর্থ হলে অ্যাপ আলাদা error জানায়।

সমস্যা জানাব বা অ্যাপ সরাব কীভাবে?

অ্যাপের “···” মেনু থেকে “সমস্যা জানান” চাপুন, অথবা GitHub-এ issue খুলুন। API চাবি বা ব্যক্তিগত অডিও প্রকাশ করবেন না। অ্যাপ সরাতে Windows Settings → Apps → Installed apps → Voice Flow → Uninstall।

এবার নিজের কথায় দেখুন।

Voice Flow 0.3.3 · Windows 10 / 11, 64-bit

Node.js ইনস্টলারেই আছে। .NET Framework 4.7.2 বা নতুন প্রয়োজন।

সংস্করণ বেছে নিন