અવાજની નકલ: ઓળખીતા અવાજમાં નવી વાત કેવી રીતે બોલાય છે?

અજાણ્યા નંબરથી ફોન આવે છે. સામેથી તમારા ભાઈનો જાણીતો અવાજ પૈસા મોકલવા કહે છે અને ઉતાવળ કરાવે છે. આ કલ્પિત પરિસ્થિતિમાં પ્રથમ પ્રશ્ન અવાજ કેટલો મળતો આવે છે એ નથી; ભાઈએ ખરેખર ફોન કર્યો છે કે નહીં એ છે. અવાજની નકલથી બીજા કોઈએ લખેલા શબ્દો ઓળખીતા અવાજ જેવા સંભળાવી શકાય છે.

આ ટેકનોલોજીમાં અગાઉ રેકોર્ડ કરેલો થોડી સેકન્ડનો અવાજ નમૂના તરીકે આપવામાં આવે છે. તેમાં બોલવાની લય, અવાજનો પિચ (ઊંચો કે નીચો સૂર) અને ઉચ્ચારણ જેવા ગુણ હોય છે. પછી કમ્પ્યુટરને નવું લખાણ આપવામાં આવે છે. લખાણમાંથી બોલી બનાવતું મોડેલ (ટેક્સ્ટ-ટુ-સ્પીચ સિસ્ટમ) શબ્દોને ધ્વનિમાં ફેરવતી વખતે નમૂનામાંથી મળેલા ગુણ લાગુ કરે છે. તૈયાર થયેલું બોલાણું જૂના રેકોર્ડિંગનો ટુકડો માત્ર જોડતું નથી; તેમાં અસલ વ્યક્તિએ ન બોલેલા વાક્યો પણ આવી શકે છે.

એક અવાજ, જુદી પદ્ધતિઓ

અહીં બોલાયેલા શબ્દો ઓળખવા (સ્પીચ રેકગ્નિશન) અને લખાણમાંથી નવો અવાજ બનાવવો (સ્પીચ સિન્થેસિસ) વચ્ચેનો મૂળભૂત તફાવત સમજવા જેવો છે. ફોનમાં બોલેલું લખાણમાં ફેરવતી સેવા પહેલો પ્રકાર છે. જ્યારે અવાજની નકલ કરતું મોડેલ તો લખેલા નવા વાક્યનો ધ્વનિ બનાવે છે. તેથી કોઈ ક્લિપમાં તમારો અવાજ સાંભળ્યો હોય એટલે તમારી જૂની વાત જ ફરી વગાડાઈ છે એવું જરૂરી નથી. કોઈ બીજાએ લખેલી વાત પણ તમારા લહેકા જેવી સંભળાઈ શકે છે.

બધી સેવાઓ એકસરખી રીતે કામ કરતી નથી. કેટલીક સેવાઓ માત્ર થોડી સેકન્ડના અવાજના નમૂના પરથી સીધી નકલ કરે છે (ઝીરો-શોટ વોઈસ ક્લોનિંગ); જ્યારે બીજી પદ્ધતિમાં કલાકોના નમૂનાઓ આપીને મોડેલને વિશિષ્ટ તાલીમ આપી ઢાળવામાં આવે છે (ફાઈન-ટ્યુનિંગ). નમૂનામાં ઘોંઘાટ હોય કે બોલવાની ઢબ મર્યાદિત હોય તો પરિણામ બદલાય છે. તેથી “થોડા અવાજથી દરેકની અચૂક નકલ” એવો દાવો સાચો નથી. તે છતાં ઓળખીતા અવાજ જેવો લાગતો કોલ ગંભીરતાથી ચકાસવો જોઈએ.

મંજૂરી લઈને કોઈ પોતાના બોલાણાંને નવી વાર્તા અથવા સંદેશ માટે વાપરે એ એક ઉપયોગ છે. બીજા માણસનો અવાજ તેની મંજૂરી વિના પૈસા માગવા માટે વાપરવો છેતરપિંડી છે. બનાવટ કાનને ખરાબ લાગશે જ એવી ખાતરી નથી. એ જ રીતે લાઇનમાં ઘોંઘાટ હોય એટલે અવાજ નકલી છે એવો પુરાવો પણ નથી. માત્ર અવાજ પર નિર્ણય લેવો નબળો રસ્તો છે.

અવાજના “રંગ” સાથે ઉચ્ચાર અને વાક્યમાં આવતાં વિરામ પણ સાંભળનારને ઓળખાણ આપે છે. નમૂનામાં આ લક્ષણો પૂરતા ન દેખાય તો નવા વાક્યમાં લહેકો બદલાઈ શકે. લાંબી વાત અને અજાણ્યા શબ્દો પર ગુણવત્તા જુદી પડી શકે છે. આ મર્યાદા સમજવાથી ટેકનોલોજીને ન તો સર્વશક્તિમાન ગણવી પડે, ન તો તેની ખરાબ નકલ ઓળખી શકાય એટલે દરેક જોખમ ટળી જાય એવો ભ્રમ રહે.

નમૂનાનો અવાજ અને તૈયાર થયેલા બોલાણાં વચ્ચે તફાવત હોય છે. નમૂનામાં તમે માત્ર સામાન્ય સ્વરે બોલ્યા હો અને નવા લખાણમાં બૂમ પાડવાનું હોય, તો પરિણામની અભિવ્યક્તિ જુદી પડી શકે છે. ફોન પર સાંભળનારને આ તફાવત સમજાય પણ શકે, ન પણ સમજાય. તેથી અવાજમાં ભૂલ શોધવાની કસોટી કરતાં કૉલ કરનારની ઓળખ જુદી રીતે ચકાસવાનો નિયમ વધુ ઉપયોગી છે. અવાજની નકલ વ્યક્તિની યાદો, વિચાર કે હાલની સ્થિતિની નકલ કરતી નથી; તે સાંભળાતી બોલવાની રીત બનાવે છે.

અવાજનો ઉપયોગ કોના હાથમાં છે?

પોતાના અવાજની નકલ કરાવવા નમૂનો આપતા પહેલાં સેવા કયા ઉપયોગ માટે મંજૂરી માગે છે તે વાંચો. કોઈ બીજા વ્યક્તિનો અવાજ હોય તો તેની સ્પષ્ટ મંજૂરી વગર નમૂનો ન આપવો. સેવા નમૂનાઓ અને તૈયાર થયેલું બોલાણું ક્યાં રાખે છે તે પણ ઉપયોગ પહેલાં જાણવું યોગ્ય છે. આ સવાલો ટેકનોલોજીના કામ કરવાથી અલગ છે, પરંતુ કોની ઓળખનું જોખમ ઊભું થાય છે તે સમજાવે છે.

કોલમાં અવાજ ઓળખીતો લાગે એટલે મગજ તરત વ્યક્તિની ઓળખ જોડે છે. મોડેલ આ ઓળખાણ માટે પૂરતાં ધ્વનિ લક્ષણો બનાવી શકે છે, પણ તે કોલ ક્યાંથી આવ્યો તે સાબિત કરતું નથી. પૈસા કે ખાતાની વાત આવે ત્યારે ઉપરની તાત્કાલિક પગલાંની સૂચિમાં સ્વતંત્ર સંપર્ક પ્રથમ છે. બાકીના સમયમાં નમૂનો શેર કરતાં પહેલાં મંજૂરી અને સંગ્રહની શરતો જોવી એ સમજદારી છે.