आवाज क्लोनिंग: संगणक तुमचा खरा सूर आणि बोलण्याचा लहेजा कसा शिकून घेतो?

आवाज क्लोनिंगची सुरुवात आणि संगणकाची बोलण्याची रीत

एके दिवशी दुपारी तुमच्या लँडलाईनवर किंवा मोबाईलवर एक फोन येतो. समोरून तुमच्या मुलीचा किंवा जवळच्या मित्राचा आवाज येतो. आवाज अगदी ओळखीचा वाटतो, तोच लाडिक सूर, तोच संथ लहेजा आणि तीच बोलण्याची लकब. ती व्यक्ती सांगते की प्रवासात असताना पाकीट हरवले आहे आणि तातडीने पाच हजार रुपये यूपीआयने पाठवा. आपण एका क्षणात पैसे पाठवण्याचा विचार करतो, कारण समोरून येणारा आवाज आपण हजारो वेळा ऐकलेला असतो. पण काही सेकंदांच्या जुन्या ऑडिओवरून आज संगणक कोणाचाही आवाज हुबेहूब तयार करू शकतो.

या तंत्रज्ञानाला व्हॉईस क्लोनिंग किंवा आवाजाची डिजिटल नक्कल म्हणतात. पूर्वी कोणाच्या आवाजाची नक्कल करण्यासाठी कसबी नकलाकाराला महिने सराव करावा लागायचा. आज मात्र संगणकीय अल्गोरिदम तुमच्या सोशल मीडियावरील व्हिडिओतील फक्त तीन किंवा चार सेकंदांचा आवाज ऐकून तुमच्या आवाजाचा पूर्ण नकाशा तयार करू शकतो.

पियानो ट्यूनर आणि स्वयंचलित पियानोची किमया

हे कसे घडते हे समजून घेण्यासाठी एका जुन्या संगीताच्या दुकानाची कल्पना करा. दुकानात एक चतुर पियानो ट्यूनर बसला आहे आणि त्याच्या शेजारी एक स्वयंचलित पियानो ठेवलेला आहे, ज्याच्या चाव्या आपोआप हलतात. ट्यूनर तुमच्या घरी येतो आणि तुम्हाला पियानोवर फक्त दोन-तीन साधे स्वर वाजवायला सांगतो. तुम्ही वाजवताना तो कान लावून ऐकतो आणि वहीत नोंदी करतो: तुमच्या बोटांचा जोर किती आहे, आवाजाचा कंप कसा आहे आणि एका स्वरावरून दुसऱ्या स्वरावर जाताना तुम्ही किती वेळ थांबता.

त्या नोंदी घेऊन ट्यूनर दुकानात परत येतो आणि स्वयंचलित पियानोच्या कागदी रोलमध्ये त्या विशिष्ट छिद्रांची रचना करतो. आता त्या पियानोच्या चाव्या अशा प्रकारे आपोआप वाजायला लागतात की, जरी तुम्ही तिथे उपस्थित नसला तरी खोलीत बसलेल्या कोणालाही वाटते की तुम्हीच तो पियानो वाजवत आहात. ट्यूनरने तुमच्या वाजवण्याची शैली टिपली आणि पियानोने नवीन गाणी तुमच्याच लहेजात वाजवली.

संगणकाच्या आत आधुनिक सॉफ्टवेअर नेमके हेच काम करते. तुम्ही बोलताना फुफ्फुसातून येणाऱ्या हवेचे कंपन, घशातील स्वरयंत्राची हालचाल आणि दातांमधून निघणारे उच्चार यांचा ते गणिती नकाशा बनवते. त्यानंतर तुम्ही टाइप केलेले नवीन वाक्य ते तुमच्याच आवाजाच्या रचनेत रूपांतरित करून बाहेर फेकते. परिणामी, तुम्ही कधीही न उच्चारलेली वाक्ये तुमच्याच गोड किंवा भारदस्त आवाजात ऐकू येतात.

आजच्या जगात आवाज क्लोनिंगचा वापर कुठे दिसतो?

केवळ मनोरंजनासाठी सुरू झालेले हे तंत्रज्ञान आज अनेक उपयुक्त कामांमध्ये आणि दुर्दैवाने काही गुन्हेगारी पद्धतींमध्येही वेगाने वापरले जात आहे:

• आवाज गमावलेल्या रुग्णांना नवीन स्वर देणे: कर्करोग किंवा पक्षाघातामुळे स्वतःचा नैसर्गिक आवाज गमावलेल्या व्यक्तींना त्यांच्या जुन्या संभाषणांवरून त्यांचाच मूळ आवाज परत मिळवून देण्यासाठी हे तंत्र उपयुक्त ठरते.
• पुस्तकांचे ऑडिओ वाचन आणि पॉडकास्ट: प्रख्यात लेखक किंवा अभिनेत्यांच्या व्यस्त वेळापत्रकातही त्यांच्या आवाजाची परवानगी घेऊन हजारो पानांची ऑडिओ पुस्तके त्यांच्याच स्वरात ध्वनिमुद्रित केली जातात.
• नातेवाईकांच्या आवाजातील तातडीचे बनावट कॉल्स: परदेशात किंवा हॉस्टेलवर राहणाऱ्या मुलांच्या पालकांना फोन करून त्यांच्या मुलाच्या हुबेहूब आवाजात अपघाताची भीती दाखवून खंडणी उकळण्याचे गुन्हे वाढले आहेत.
• बँकेच्या फोन सेवेतील बायोमेट्रिक फसवणूक: काही बँकांमध्ये ग्राहकाचा आवाज हीच त्यांची ओळख मानली जाते; तिथे खोट्या आवाजाच्या साहाय्याने खात्यातील माहिती मिळवण्याचे प्रयत्न केले जातात.

आवाजाच्या फसवणुकीपासून सुरक्षित राहण्यासाठी उपयुक्त उपाय

कान हा माणसाचा सर्वात विश्वासू अवयव मानला गेला आहे, पण आता कानावर पडणारा प्रत्येक आवाज खराच असेल असे मानणे धोक्याचे ठरू शकते. डिजिटल सावधगिरी हीच आपली खरी ढाल आहे.

• कुटुंबात खास आठवणीचा प्रश्न विचारा: संशयास्पद फोन आल्यास पैशांची चर्चा करण्यापूर्वी, 'आपण गेल्या दिवाळीत कुठे गेलो होतो?' किंवा 'आजोबांचे लाडके नाव काय?' असा खाजगी प्रश्न विचारा, ज्याचे उत्तर संगणकाला ठाऊक नसते.
• बोलण्यातील यांत्रिक सपाटपणा आणि श्वासाकडे लक्ष द्या: संगणकाने तयार केलेल्या आवाजात अनेकदा दोन शब्दांमध्ये श्वास घेण्याचा नैसर्गिक आवाज नसतो आणि भावना अत्यंत एकसुरी वाटतात.
• फोन ठेवून खात्रीशीर नंबरवर पुन्हा संपर्क साधा: संकटाची कथा ऐकल्यावर घाबरून यूपीआय करू नका; फोन कट करा आणि त्या व्यक्तीच्या किंवा तिच्या मित्राच्या फोनवर स्वतः कॉल करून खात्री करा.

आपला आवाज हा आपला सर्वात मौल्यवान वैयक्तिक ठेवा आहे. तंत्रज्ञान आवाजाची कितीही हुबेहूब नक्कल करत असले, तरी मानवी नात्यांमधील आपुलकी, सावध वृत्ती आणि संयम यामुळे कोणतीही फसवणूक एका क्षणात उघडी पाडता येते.