ভয়েস ইউজার ইন্টারফেস ও কনভার্সেশনাল ডিজাইন

১ · ভয়েস ইন্টারফেসের মৌলিক চ্যালেঞ্জ

একটি গ্রাফিক্যাল ইন্টারফেসে (GUI) মেনু, বাটন, আইকন সবসময় স্ক্রিনে দৃশ্যমান থাকে — ব্যবহারকারী চাইলেই তাকিয়ে দেখতে পারেন কী কী অপশন আছে। ভয়েস ইউজার ইন্টারফেস (VUI)-এ এই সুবিধা নেই — কথা transient (ক্ষণস্থায়ী): একবার বলা হয়ে গেলে তা "স্ক্রিনে" থেকে যায় না, এবং কোনো একসাথে-দৃশ্যমান "মেনু" নেই যা সব সম্ভাব্য কমান্ড দেখায়।

এর ফলে ব্যবহারকারীকে মনে রাখতে হয় কী বলা যায়, বরং দেখে চিনতে পারার সুযোগ পান না — কগনিটিভ সাইকোলজির পরিভাষায় (M2/L05) এটি recall-ভিত্তিক ইন্টারঅ্যাকশন, recognition-ভিত্তিক নয়, এবং recall সবসময় recognition-এর চেয়ে বেশি কগনিটিভ লোড তৈরি করে।

২ · অ্যাম্বিগুইটি ও কনটেক্সটের ভূমিকা

ভয়েস কমান্ড প্রায়ই সংক্ষিপ্ত ও প্রাকৃতিক ভাষায় বলা হয় ("এটা জোরে করো", "ভলিউম বাড়াও") — কিন্তু এই সংক্ষিপ্ততা অ্যাম্বিগুইটি তৈরি করে। যদি বাসায় একাধিক স্মার্ট ডিভাইস থাকে (স্পিকার, থার্মোস্ট্যাট, টিভি), তাহলে "আপ করো" (up) বলাটা কোন ডিভাইসকে বোঝাচ্ছে তা স্পষ্ট নয়, যদি না অতিরিক্ত কনটেক্সট (সাম্প্রতিক কথোপকথনের বিষয়, ঘরে থাকা ডিভাইস, ব্যবহারকারীর অবস্থান) যোগ করা হয়।

নিচের কোড সেলটি একটি অত্যন্ত সরলীকৃত, ইলাস্ট্রেটিভ ডেমো — এটি কোনো প্রকৃত NLU (Natural Language Understanding) সিস্টেম নয়, শুধু একটি সাধারণ কীওয়ার্ড-ম্যাচিং ফাংশন যা দেখায় কনটেক্সট ছাড়া কতগুলো ডিভাইস একটি অস্পষ্ট কমান্ডের সাথে মিলে যায়, এবং কনটেক্সট যোগ করলে সেই সংখ্যা কীভাবে কমে যায়:

# একটি সরল, ইলাস্ট্রেটিভ "অ্যাম্বিগুয়াস কমান্ড" ডেমো -- সত্যিকারের NLU সিস্টেম নয়,
# শুধু দেখানোর জন্য যে কনটেক্সট ছাড়া একই ভয়েস কমান্ড একাধিকভাবে ব্যাখ্যা করা যায়।

devices = {
    "স্পিকার":       ["volume", "up", "down", "loud", "quiet"],
    "থার্মোস্ট্যাট":  ["temperature", "up", "down", "warm", "cool"],
    "টিভি":          ["volume", "up", "down", "loud", "quiet", "channel"],
}

def find_matches(command_words, active_context=None):
    matches = []
    for device, keywords in devices.items():
        if active_context and device != active_context:
            continue
        overlap = set(command_words) & set(keywords)
        if overlap:
            matches.append((device, sorted(overlap)))
    return matches

command = ["up"]  # ব্যবহারকারী বলেছেন "এটা আরেকটু আপ করো"

no_context = find_matches(command)
with_context = find_matches(command, active_context="থার্মোস্ট্যাট")

print("কনটেক্সট ছাড়া 'up' মিলে যায়:", no_context)
print("কনটেক্সট (সাম্প্রতিক বিষয়: থার্মোস্ট্যাট) সহ 'up' মিলে যায়:", with_context)
print()
print(f"সম্ভাব্য ডিভাইস সংখ্যা -- কনটেক্সট ছাড়া: {len(no_context)}, কনটেক্সট সহ: {len(with_context)}")

৩ · ভালো কনভার্সেশনাল ডিজাইনের নীতিমালা

• আনুপাতিক নিশ্চিতকরণ (proportional confirmation) — কম-ঝুঁকির কমান্ডে (যেমন "সময় কত") তাৎক্ষণিক উত্তর দিন, কিন্তু বেশি-ঝুঁকির/ধ্বংসাত্মক কমান্ডে ("সব রিমাইন্ডার মুছে ফেলো") স্পষ্টভাবে নিশ্চিত করে নিন — M4/L19-এর error-prevention নীতির ভয়েস-সংস্করণ।
• করুণাময় ব্যর্থতা (graceful failure) — কমান্ড না বুঝলে "আমি বুঝতে পারিনি" বলে থেমে না গিয়ে, একটি স্পষ্টীকরণ প্রশ্ন করুন ("আপনি কি ভলিউম, নাকি তাপমাত্রা বাড়াতে চাইছেন?") — উপরের ডেমোর মতো, একাধিক সম্ভাব্য মিল থাকলে ব্যবহারকারীকেই বেছে নিতে বলা।
• সক্ষমতার ইঙ্গিত দিন — "visibility of system status" প্রয়োগ করতে, সিস্টেমকে মাঝেমধ্যে ইঙ্গিত দিতে হয় কী সম্ভব ("আপনি এটাও বলতে পারেন...") — কিন্তু প্রতিটি উত্তরে দীর্ঘ তালিকা আবৃত্তি করা এড়িয়ে চলা উচিত, কারণ এটি কথোপকথনকে ক্লান্তিকর করে তোলে।
• অডিও অবস্থা-সংকেত ব্যবহার করুন — শোনা হচ্ছে/ভাবছে/শেষ হয়েছে — এই অবস্থাগুলোর জন্য ছোট শব্দ-সংকেত (L40-এর ইয়ারকন ধারণা) ব্যবহারকারীকে জানায় সিস্টেম কোথায় আছে, স্ক্রিন ছাড়াই।

৪ · একাধিক মোডালিটি একসাথে — ভয়েস + স্ক্রিন

আজকাল অনেক ভয়েস সহকারী একটি স্ক্রিনযুক্ত ডিভাইসেও চলে (স্মার্ট ডিসপ্লে) — এখানে ভয়েসের দুর্বলতা (কোনো স্থায়ী রেফারেন্স নেই) স্ক্রিনের শক্তি (স্থায়ী, স্ক্যান-করা-যায় এমন তথ্য) দিয়ে পূরণ করা যায়। এই ধরনের একাধিক-মোডালিটি একত্রীকরণ M11-এ "মাল্টিমোডাল ইন্টারঅ্যাকশন" হিসেবে আরও বিস্তারিত আলোচনা হবে। এটিও লক্ষণীয় যে আধুনিক ভয়েস সহকারীগুলোর অন্তর্নিহিত AI-ভিত্তিক ভাষা-বোঝার প্রযুক্তি (ট্রাস্ট ক্যালিব্রেশন, ব্যাখ্যাযোগ্যতা ইত্যাদি) এই কোর্সের পরিধির বাইরে — Human-Centered AI কোর্স সেই AI-নির্দিষ্ট গভীরতা কভার করে; এই পাঠ শুধু সাধারণ কনভার্সেশনাল-ইন্টারঅ্যাকশন-ডিজাইনের নীতির উপর ফোকাস করে যা যেকোনো VUI-তে (AI-চালিত হোক বা সাধারণ রুল-বেসড IVR সিস্টেম হোক) প্রযোজ্য।