आवाज क्लोनिंग: संगणक मानवी बोलण्याचा लहेजा कसा शिकून घेतो?

ओळखीचा आवाज जेव्हा अनोळखी शब्द बोलू लागतो

तुमच्या फोनवर अचानक एका जवळच्या नातेवाईकाचा किंवा मित्राचा व्हॉइस मेसेज येतो. आवाजाचा तोच ओळखीचा पोत, तीच लाडिक लकब आणि वर्षानुवर्षे कानावर पडणारा विशिष्ट लहेजा अगदी स्पष्ट ऐकू येतो. परंतु मेसेजमधील मजकूर धक्कादायक असतो. ती व्यक्ती सांगते की दवाखान्यात अचानक पैशांची गरज पडली आहे आणि नेटवर्क जाण्यापूर्वी तातडीने पैसे पाठवा. काही वर्षांपूर्वी एखाद्या व्यक्तीचा आवाज तयार करण्यासाठी स्टुडिओमध्ये अनेक तासांचे रेकॉर्डिंग लागायचे. आज मात्र सोशल मीडियावरील केवळ तीन सेकंदांच्या व्हिडिओवरून संगणक कोणाचाही आवाज हुबेहूब तयार करू शकतो.

आवाज क्लोनिंगचे तंत्रज्ञान आता प्रयोगशाळांमधून बाहेर पडून दैनंदिन डिजिटल साधनांमध्ये आले आहे. दुसऱ्या भाषेतील चित्रपटांमध्ये अभिनेत्याच्या मूळ आवाजात डबिंग करणे किंवा शस्त्रक्रियेमुळे आवाज गमावलेल्या रुग्णांना त्यांचाच जुना आवाज परत मिळवून देणे या कामात हे तंत्रज्ञान वरदान ठरते. परंतु याच तंत्रज्ञानामुळे एक गंभीर प्रश्न निर्माण झाला आहे: संगणक आपल्या आवाजाची अचूक नक्कल कसा करतो आणि फोनवर हा खोटा आवाज खरा का वाटतो?

अल्गोरिदम आवाजाची वैशिष्ट्ये कशी मोजतात आणि जोडतात?

आवाजाची नक्कल करण्यासाठी सॉफ्टवेअर जुन्या ऑडिओचे तुकडे कापून एकमेकांना जोडत नाही. त्याऐवजी, ध्वनीचा अभ्यास करणारी संगणकीय जाळी (न्युरल अकॉस्टिक मॉडेल्स) मानवी स्वरयंत्र आवाज कसा तयार करते याचे गणिती मोजमाप करतात. यासाठी आवाजाच्या पुढील मुख्य वैशिष्ट्यांचे विश्लेषण केले जाते:

• स्वरांचा चढउतार आणि कंपनाची गती (मूळ वारंवारता किंवा फंडामेंटल फ्रिक्वेन्सी): बोलताना आवाजाच्या तारांचे होणारे कंपन, प्रश्न विचारताना वाढणारा आवाजाचा सूर आणि वाक्याच्या शेवटी आवाजाची होणारी घट मोजली जाते.
• स्वरयंत्र आणि पोकळीतील ध्वनी: घसा, तोंड आणि नाकाच्या पोकळीतून आवाज बाहेर पडताना तयार होणारा विशिष्ट घुमारा, ज्यामुळे प्रत्येक व्यक्तीच्या आवाजाचा पोत वेगळा ठरतो.
• स्वर आणि व्यंजनांवर थांबण्याचा वेळ: बोलताना अक्षरांचे उच्चार किती मिलिसेकंद लांबवले जातात आणि व्यंजने किती वेगाने सोडली जातात याचे मोजमाप.
• बोलण्याची लय आणि श्वासाची वेळ: दोन शब्दांच्या मधील नैसर्गिक विराम आणि बोलताना ठराविक अंतराने घेतल्या जाणाऱ्या श्वासांची नियमित लय.

हे सर्व निकष नोंदवल्यानंतर संगणक मजकुराचे ध्वनी घटकांमध्ये रूपांतर करतो. त्यानंतर कृत्रिम ध्वनिलहरी तयार करणारी प्रगत प्रणाली (न्युरल व्होकोडर किंवा डिफ्यूजन मॉडेल) प्रत्यक्ष आवाज नव्याने तयार करते. मूळ रेकॉर्डिंग न वाजवता, संबंधित व्यक्तीच्या स्वराची वैशिष्ट्ये घेऊन संगणक पूर्णपणे नवीन ऑडिओ तयार करतो.

मोबाईल फोन नेटवर्क डिजिटल त्रुटी कशा लपवून ठेवतात?

स्टुडिओमधील चांगल्या हेडफोनवर ऐकल्यास खोट्या आवाजातील बारीक उणिवा ओळखता येतात; जसे की अक्षरांच्या शेवटी येणारा हलका धातूचा आवाज किंवा कृत्रिम सपाटपणा. मात्र साध्या फोन कॉलवर हे संकेत पूर्णपणे नाहीसे होतात. मोबाईल कंपन्यांचे नेटवर्क इंटरनेट डेटा वाचवण्यासाठी आवाजाची मर्यादा आकुंचित करणाऱ्या पद्धतीचा (नॅरोबँड स्पीच एनकोडिंग) वापर करते, ज्यामुळे आवाजातील सूक्ष्म उच्चार आणि बारीक ध्वनी (३.४ किलोहर्ट्झपेक्षा जास्त वारंवारता) आपोआप कापले जातात.

आवाजाचा आकार लहान करण्याच्या या प्रक्रियेमुळे (डेटा कॉम्प्रेशन) आवाजाचा विस्तार आकुंचन पावतो आणि नैसर्गिक बारकावे पुसले जातात. परिणामी, फोन नेटवर्क एखाद्या ऑडिओ फिल्टरसारखे काम करते. यामुळे संगणकाने तयार केलेल्या आवाजातील बारीक त्रुटी आपोआप लपल्या जातात आणि तो आवाज समोरच्या माणसाला अगदी खरा वाटू लागतो.

कृत्रिम आवाजातील भावनांच्या मर्यादा

आवाजाची उत्तम नक्कल करत असले तरीही, खऱ्या मानवी भावना व्यक्त करण्यात हे मॉडेल्स अजूनही अडखळतात. माणूस जेव्हा घाबरलेला असतो किंवा रडत असतो, तेव्हा आवाजाच्या तारा अनियंत्रित थरथरतात, श्वास अडखळतो आणि स्वरांचा तोल जातो. क्लोन केलेले आवाज अशा तीव्र भावनिक चढउतारात अपयशी ठरतात आणि त्यांचा लहेजा अनेकदा एकसुरी किंवा अनैसर्गिकरीत्या शांत वाटतो.

तसेच खोलीतील ध्वनीचे वातावरण हे आणखी एक आव्हान आहे. खऱ्या जगात भिंतींवरून आवाजाचा पडणारा पडसाद आणि आजूबाजूचा नैसर्गिक आवाज मिसळलेला असतो. कृत्रिम आवाज अत्यंत कोरडा आणि निर्जीव असतो. जेव्हा कॉलर त्या आवाजाच्या मागे गाडीचे हॉर्न किंवा सायरनचा आवाज जोडतो, तेव्हा तो आवाज वातावरणात मिसळण्याऐवजी गोंधळावर वरून चिटकवल्यासारखा ऐकू येतो.

संकटापूर्वीच सुरक्षेचे नियम आणि पडताळणीच्या सवयी

अचानक आलेल्या संकटाच्या फोनमुळे माणसाच्या मनात भीती निर्माण होते, ज्यामुळे तार्किक विचार करणे कठीण जाते. अशा तणावाच्या क्षणी आवाजातील दोष शोधण्याचा प्रयत्न करणे असुरक्षित ठरू शकते. खरी सुरक्षितता आधीच ठरवलेल्या सवयींवर अवलंबून असते.

कुटुंबातील सदस्यांनी शांत वातावरणात एकत्र बसून एक गुप्त कोड किंवा प्रश्न ठरवून ठेवावा; जसे की बालपणीची एखादी आठवण, जी सोशल मीडियावर किंवा डिजिटल नोट्समध्ये कधीही लिहिलेली नसेल. व्यापारी कंपन्यांमध्ये पैशांच्या व्यवहारांसाठी दोन स्वतंत्र माध्यमांतून मंजुरी घेणे अनिवार्य केले पाहिजे, जेणेकरून केवळ फोनवरील ओळखीच्या आवाजावर विसंबून कोणताही आर्थिक व्यवहार होणार नाही.

आजच्या डिजिटल जगात कानावर पडणारा आवाज ही ओळखीचा अंतिम पुरावा उरलेली नाही. फोनवरील आवाज कृत्रिम असू शकतो हे समजून घेतल्यास घाबरून जाण्याऐवजी शांतपणे सेव्ह केलेल्या मूळ नंबरवर थेट फोन करून खात्री करण्याची सवय आपल्याला सुरक्षित ठेवते.