व्हिडिओ कॉलमध्ये तुमचा चेहरा बदलून एआय अवतार बोलतो, तो कसा?

कल्पना करा, तुम्ही कामावरून घरी परतत आहात आणि अचानक मुलीच्या शाळेतून व्हिडिओ कॉल येतो. तुमचे केस विस्कटलेले आहेत, पार्श्वभूमीत गर्दी आहे. पण तुम्ही कॉल उचलता आणि पडद्यावर तुमचा शांत, टापटीप चेहरा दिसतो — तोही तुमच्याच आवाजात बोलणारा. ही कल्पनारम्य गोष्ट नाही; मेटाच्या अ‍ॅप्समध्ये हे आता शक्य होत आहे. याला म्हणतात म्यूज रिअलटाइम अवतार. पण हा हलणारा चेहरा नक्की कसा तयार होतो? तो तुमच्या ओठांशी जुळतो कसा?

आवाज आत, चेहरा बाहेर — मधलं काम काय?

सोप्या भाषेत सांगायचं तर, ही एक अशी यंत्रणा आहे जी तुमचा आवाज ऐकते आणि त्याच क्षणी तुमच्या चेहऱ्याची हालचाल तयार करते. तुम्ही जेव्हा बोलता, तेव्हा तुमचा आवाज संगणकाकडे जातो. तिथे एक खास प्रशिक्षित नमुना (मॉडेल) त्या आवाजातील बारकावे — जसं बोलण्याचा वेग, थांबणं, हसू — ओळखतो. मग तो त्याच क्षणी तुमच्या अवताराचे ओठ, डोळे आणि भुवया हलवतो. हे सगळं इतक्या वेगाने होतं की समोरच्या व्यक्तीला ते थेट बोलतानाच दिसतं.

यातील सर्वात कठीण भाग म्हणजे ओठांची जुळवणी. तुम्ही 'म' म्हणता तेव्हा ओठ बंद व्हायला हवेत, 'आ' म्हणता तेव्हा तोंड उघडायला हवं. संगणक प्रत्येक उच्चारासाठी योग्य ती हालचाल निवडतो. शिवाय, तुम्ही हसता तेव्हा अवतारही हसतो, तुम्ही गंभीर होता तेव्हा तोही गंभीर होतो. याला भावनिक नियंत्रण म्हणतात — म्हणजे बोलण्याच्या सुरावानुसार चेहऱ्यावरील भाव बदलणं.

हे तंत्रज्ञान नक्की काय करू शकतं?

• प्रत्येक सेकंदाला ६० चित्रं (फ्रेम्स) तयार करणं, ज्यामुळे हालचाल अगदी खऱ्या व्हिडिओसारखी गुळगुळीत दिसते.
• बोलताना येणारे थांबे, हसू आणि डोळ्यांच्या हालचाली अचूक जुळवणं.
• तुमच्या स्वतःच्या आवाजात किंवा एआय सहाय्यकाच्या आवाजात व्हिडिओ कॉलमध्ये सहभागी होणं.
• संभाषणाच्या सुरावानुसार अवताराचा चेहरा हसताना, विचार करताना किंवा गंभीर होताना दाखवणं.

हे सगळं तुमच्या फोनमध्येच घडतं, दूरच्या मोठ्या संगणकावर नाही. त्यामुळे कॉल करताना वेळ लागत नाही आणि तुमचा चेहरा किंवा आवाज बाहेर पाठवला जात नाही. मेटाच्या अ‍ॅप्स वापरणाऱ्यांसाठी हे वैशिष्ट्य सध्या विनामूल्य उपलब्ध आहे.

मग यात अडचण कुठे येते?

सर्वात मोठा प्रश्न आहे — हा चेहरा खरा आहे की नाही, हे समोरच्याला कळतं का? बऱ्याचदा कळत नाही. आणि इथेच धोका दडलेला आहे. जर एखाद्याने दुसऱ्याचा चेहरा आणि आवाज वापरून अवतार तयार केला, तर फसवणूक होऊ शकते. त्यामुळे महत्त्वाच्या विषयांवर — पैसे, वैयक्तिक माहिती किंवा आपत्कालीन निर्णय — व्हिडिओ कॉलवर बोलताना फक्त चेहऱ्यावर विश्वास ठेवू नका. दुसऱ्या मार्गाने, जसं फोनवर थेट कॉल करून, खात्री करा.

दुसरी अडचण म्हणजे अवतार कधी कधी चुकीच्या पद्धतीने हलू शकतो. उदाहरणार्थ, तुम्ही बोलत नसताना ओठ हलताना दिसू शकतात किंवा हसताना डोळे विचित्र दिसू शकतात. हे तंत्रज्ञान अजून पूर्ण झालेलं नाही. पण हे लक्षात ठेवा — असा एखादा छोटा दोष दिसला म्हणजे तो अवतारच आहे, असं ठामपणे म्हणता येत नाही. कारण नेटवर्कचा त्रास किंवा कॅमेऱ्याची गुणवत्ता यामुळेही असं होऊ शकतं.

तर पुढच्या वेळी व्हिडिओ कॉलवर एखादा चेहरा थोडा 'वेगळा' वाटला, तर घाबरून जाऊ नका. तो तंत्रज्ञानाचा खेळ असू शकतो. पण महत्त्वाच्या गोष्टींसाठी नेहमी दुसरा मार्ग वापरून खात्री करा — ही सवय तुम्हाला फसवणुकीपासून वाचवू शकते.