कानात लावलेले हेडफोन परदेशी भाषा मराठीत ऐकवतात? आत काय घडते ते पाहा

समजा, तुमच्या ऑफिसमध्ये परदेशी पाहुणे आले आहेत. ते इंग्रजीत बोलतायत, पण तुम्हाला प्रत्येक वाक्य समजत नाही. तुम्ही कानात हेडफोन लावला आणि काही क्षणातच त्यांचे शब्द मराठीत ऐकू येऊ लागले. हे कसे घडते? यामागे जादू नाही, तर तीन वेगवेगळी कामे एकामागून एक वेगाने पार पडतात.

आवाज ओळखणे: बोलणे अक्षरात उतरते

पहिले काम म्हणजे ऐकलेला आवाज ओळखणे. हेडफोनवरील मायक्रोफोन समोरच्या व्यक्तीचे बोलणे टिपतो आणि संगणकाकडे पाठवतो. संगणक त्या आवाजाचे लहान लहान तुकडे करतो आणि प्रत्येक तुकडा कोणत्या शब्दाशी जुळतो हे ठरवतो. या प्रक्रियेला बोली ओळख (स्पीच रेकग्निशन) म्हणतात. हे काम संपूर्ण वाक्य संपेपर्यंत थांबत नाही; तो बोलत असतानाच संगणक शब्द ओळखत राहतो, म्हणूनच थोड्या क्षणात उत्तर मिळते.

पण इथे एक अडचण आहे. गोंगाट असलेल्या ठिकाणी, उदाहरणार्थ गर्दीच्या बाजारात, संगणकाला शब्द ओळखणे कठीण जाते. तसेच एखादा शब्द अस्पष्ट उच्चारला गेला तर तो चुकीचा ओळखला जाऊ शकतो. त्यामुळे हेडफोन बरोबर काम करण्यासाठी शांत वातावरण मदत करते.

भाषांतर: शब्द दुसऱ्या भाषेत वळतात

आता ओळखलेले शब्द संगणक दुसऱ्या भाषेत बदलतो. हे भाषांतर यंत्र करते, ज्याला मशीन ट्रान्सलेशन म्हणतात. हे असे नाही की संगणक शब्दकोशात प्रत्येक शब्द शोधतो आणि तोच शब्द दुसऱ्या भाषेत ठेवतो. तो संपूर्ण वाक्याचा अर्थ समजून घेतो आणि मग त्या अर्थाला योग्य असे वाक्य तयार करतो. उदाहरणार्थ, इंग्रजीतील 'How are you?' चा शब्दशः अर्थ 'तू कसा आहेस?' असा होतो, पण मराठीत ते 'कसे आहात?' असेही म्हणता येते. संगणक संदर्भ पाहून योग्य ते निवडतो.

तरीही भाषांतरात चुका होतात. म्हणी, विनोद किंवा दुहेरी अर्थाची वाक्ये संगणकाला अडवतात. एखादा शब्द दुसऱ्या भाषेत नसला तर तो जसाच्या तसा ठेवला जातो किंवा जवळचा अर्थ वापरला जातो. त्यामुळे भाषांतर नेहमीच अचूक असेल असे म्हणता येत नाही.

पुन्हा बोलणे: आवाज तयार होतो

शेवटचे काम म्हणजे भाषांतर केलेला मजकूर पुन्हा आवाजात बदलणे. याला वाणी संश्लेषण (स्पीच सिंथेसिस) म्हणतात. संगणक अक्षरे वाचून त्यांचा आवाज तयार करतो आणि तो हेडफोनमधून तुमच्या कानात पोहोचवतो. हा आवाज माणसासारखा वाटावा म्हणून त्यात सूर आणि विराम योग्य ठेवले जातात. काही हेडफोनमध्ये तुमच्याच आवाजाची नक्कल करून भाषांतर ऐकवण्याची सोयही असते, पण ती सर्व उपकरणांमध्ये उपलब्ध नाही.

हे तीनही टप्पे — ओळखणे, भाषांतर करणे आणि बोलणे — अगदी वेगाने एकामागून एक घडतात. त्यामुळे समोरचा माणूस बोलत असतानाच तुम्हाला जवळपास त्याच वेळी भाषांतर ऐकू येते. पण 'जवळपास' हा शब्द महत्त्वाचा आहे; काही सेकंदांचा विलंब नेहमीच असतो.

कोणत्या गोष्टी लक्षात ठेवाव्यात

• गोंगाटाच्या ठिकाणी अचूकता कमी होते: गर्दी, वाहनांचा आवाज किंवा एकाच वेळी अनेक जण बोलत असतील तर संगणकाला शब्द ओळखणे कठीण जाते.
• विलंब होतो: बोलणे संपल्यावर लगेच भाषांतर ऐकू येते असे नाही; काही सेकंदांचा अंतर असतो.
• महत्त्वाच्या गोष्टींसाठी दुजोरा घ्या: औषध, कायदा किंवा पैशांच्या व्यवहारात भाषांतरावर पूर्णपणे अवलंबून राहू नका; माणसाकडून खात्री करा.
• इंटरनेट किंवा ब्लूटूथ आवश्यक: बहुतेक हेडफोनला फोनशी जोडणी लागते, त्यामुळे नेटवर्क नसेल तर काही सुविधा काम करत नाहीत.

हेडफोनचे भाषांतर हे माणसासारखे भाषा शिकलेले नाही. ते नमुन्यांवर आधारित अंदाज लावते. त्यामुळे ते बहुतेक वेळा उपयुक्त ठरते, पण प्रत्येक वाक्य अचूक देईल अशी अपेक्षा ठेवू नका. महत्त्वाच्या संभाषणात ते मदतीसाठी वापरा, पण अंतिम निर्णय माणसानेच घ्यावा.