शब्द तेच, आवाज वेगळा: आवाजाचे रूपांतर कसे होते?

एका काल्पनिक नाटकासाठी कलाकार स्वतःच्या आवाजात संवाद म्हणतो. नंतर तोच संवाद वेगळ्या आवाजात ऐकू येतो. वाक्य बदललेले नसते; ऐकू येणाऱ्या आवाजाचे गुण बदललेले असतात. ही कल्पना आवाजाच्या रूपांतराचा उपयोग समजावते. पण ती एक महत्त्वाचा प्रश्नही उभा करते: एखाद्या ध्वनिमुद्रणात ओळखीचा आवाज ऐकू आला, म्हणजे त्या व्यक्तीनेच ते शब्द म्हटले होते का?

आवाज बदलणे म्हणजे मजकूर वाचणे नव्हे

एखाद्याचा आवाज फक्त उंच किंवा खोल असतो म्हणून आपण तो ओळखत नाही. एकाच स्वराला वेगवेगळ्या व्यक्तींच्या बोलण्यात वेगळी भर आणि छटा असते. रूपांतरात अशा गुणांना बदलून निवडलेल्या आवाजाशी साधर्म्य आणण्याचा प्रयत्न होतो. ध्वनिमुद्रण वेगाने वाजवून स्वर उंचावण्यापेक्षा हा वेगळा मार्ग आहे. प्रत्येक प्रणाली मात्र आवाजाचे तेच गुण बदलते असे नाही.

या प्रक्रियेला बोलण्याचा ध्वनी दिला जातो. मजकुरापासून बोलणे तयार करणाऱ्या प्रणालीला लिखित वाक्य दिले जाते; त्यावरून ती उच्चार आणि विराम असलेला ध्वनी बनवते. दोन्ही प्रकारांत एखाद्या निवडलेल्या आवाजासारखा परिणाम मिळू शकतो. त्यामुळे आवाजाची नक्कल झाली एवढ्यावरून कोणती प्रक्रिया वापरली हे समजत नाही. आवाज बदलल्याने भाषांतर आपोआप होत नाही; दुसऱ्या भाषेत बोलण्यासाठी आणखी प्रक्रिया लागते.

मूळ बोलण्यातून काय घेतले जाते?

२०१९ मधील AutoVC संशोधन एक उदाहरण देते. त्यात बोलण्याचा ध्वनी वेळेनुसार बदलणाऱ्या ध्वनीगुणांच्या रूपात मांडला जातो. एक भाग आशयाशी संबंधित माहिती संक्षिप्त रूपात ठेवण्याचा प्रयत्न करतो. दुसरा भाग निवडलेल्या आवाजाचे गुण दर्शवतो. हे दोन्ही एकत्र करून बदललेल्या बोलण्याचे ध्वनिरूप तयार होते आणि त्यापासून ऐकता येणारा आवाज बनतो. ही सर्व प्रणालींसाठी एकच ठरलेली रचना नाही.

तयारीच्या टप्प्यात या संशोधनातील मॉडेल प्रशिक्षणातील बोलणे पुन्हा तयार करण्याचा प्रयत्न करते. मूळ आणि पुन्हा तयार केलेल्या ध्वनीतील फरकाच्या आधारे त्याची मांडणी सुधारली जाते. आशयासाठी ठेवलेल्या माहितीला मर्यादा घालण्याचा उद्देश मूळ वक्त्याचे सर्व आवाजगुण त्यात राहू नयेत हा आहे. नंतर वापरताना आशयाच्या त्या खुणांसोबत वेगळ्या आवाजाचे प्रतिनिधित्व जोडले जाते. वक्त्याच्या आठवणी किंवा व्यक्तिमत्त्व यातून हस्तांतरित होत नाही.

समजा संवाद आहे, “उद्या संध्याकाळी भेटू.” रूपांतरानंतरही तेच म्हणणे ऐकू येणे हा उद्देश आहे. पण शब्द स्पष्ट आहेत का, निवडलेल्या आवाजाशी साम्य आहे का आणि बोलणे नैसर्गिक वाटते का, हे वेगवेगळे प्रश्न आहेत. आवाज छान वाटला म्हणून प्रत्येक अक्षर अचूक आहे असे मानता येत नाही. नाव, वेळ किंवा रक्कम असलेले ध्वनिमुद्रण शेअर करण्याआधी पूर्ण ऐकून तपासणे उपयोगाचे ठरते.

साधर्म्याची मर्यादा

लहान नमुन्यात चांगला परिणाम मिळणे म्हणजे दीर्घ संभाषणातही तो तसाच मिळेल याची खात्री नाही. AutoVC मधील मूल्यमापन ठरावीक प्रयोगांपुरते आहे; ते मराठीतील सर्व बोली, गाणी किंवा भावनिक बोलण्याला लागू होईल अशी हमी देत नाही. हसणे, जोर देणे किंवा प्रत्येक विराम तसाच टिकेल असेही मानू नये. आपल्या कामासाठी महत्त्वाच्या गुणांचा प्रत्यक्ष परिणामात विचार करावा लागतो.

ध्वनिमुद्रण बदलता येणे आणि चालू फोनकॉलमध्ये अखंड रूपांतर होणे वेगळे आहे. थेट वापरात ध्वनी मिळवणे, त्यावर प्रक्रिया करणे आणि तो पुढे पाठवणे वेळेत व्हावे लागते. एका संशोधनातील निष्कर्ष सर्व फोनवर त्याची हमी देत नाहीत. आवाज बदलला म्हणजे व्यक्तीची ओळख पूर्ण लपली असेही नाही. संवादातील नाव किंवा प्रसंग त्या व्यक्तीची ओळख सांगू शकतो.

दुसऱ्याचा ओळखण्याजोगा आवाज सर्जनशील कामात वापरताना त्यांची संमती आणि बदलाबद्दल स्पष्ट सूचना महत्त्वाची असते. आपल्या उदाहरणातील नाटकात संबंधित कलाकाराची परवानगी आहे असे गृहीत धरू. प्रेक्षकाला ध्वनी बदललेला असल्याचे सांगितल्यास अभिनय आणि खरे विधान वेगळे ठेवता येते. एखाद्यासारखा आवाज ऐकू येणे म्हणजे त्या व्यक्तीने संदेशाला मान्यता दिली असा पुरावा होत नाही.

FBI च्या डिसेंबर २०२४ मधील इशाऱ्यात कृत्रिम आवाज वापरून परिचित व्यक्ती असल्याचे भासवत पैसे मागण्याचे प्रकार नोंदवले आहेत. संशयास्पद कॉलमध्ये पैसे किंवा गोपनीय माहिती मागितल्यास थांबा आणि आधीपासून माहीत असलेल्या क्रमांकावर किंवा संस्थेच्या अधिकृत संपर्कावर स्वतंत्रपणे खात्री करा. कॉल करणाऱ्याने दिलेला नवा क्रमांकच वापरू नका. आवाजात छोटी चूक सापडली नाही तरी ही पडताळणी गरजेची आहे. आवाजाचे साधर्म्य ओळखीचा पुरावा नाही.