વાત એ જ રાખીને ઓળખાતો અવાજ કેવી રીતે બદલાય છે?

નાટક માટે તમારી મંજૂરીવાળી રેકોર્ડિંગનો એ જ સંવાદ બીજા પ્રકારના અવાજમાં સાંભળવો છે, એવું ઉદાહરણ માનો. શબ્દો ફરી લખાયા નથી, પરંતુ અવાજ ઓળખાતી વ્યક્તિનો લાગતો નથી. અવાજ રૂપાંતરણનો મુખ્ય સવાલ આ છે: શું કહેવાયું છે તે રાખવાનો પ્રયાસ કરીને કોણ બોલે છે એવો અનુભવ આપતી વિશેષતાઓ કેવી રીતે બદલાય છે?

અહીં શરૂઆત બોલાયેલા અડિયોથી થાય છે, માત્ર ટાઇપ કરેલા વાક્યથી નહીં. લખાણમાંથી અવાજ બનાવવાની પદ્ધતિમાં શરૂઆત લખાણથી થાય છે. અવાજ રૂપાંતરણમાં ઉચ્ચારેલા શબ્દો પહેલેથી છે. આ ભેદ ઉપયોગી છે: એકસરખો લાગતો કૃત્રિમ અવાજ જુદી રીતોથી બની શકે છે. માત્ર સાંભળીને કઈ રીત વપરાઈ હતી તે નક્કી કરી શકાતું નથી.

વાતની માહિતી અને અવાજની વિશેષતા

અવાજ બદલવો એટલે ફક્ત તેને ઊંચો કે નીચો કરવો નહીં. જુદા ધ્વનિઓનો સાંભળાતો આકાર પણ અવાજને ઓળખ આપે છે. કમ્પ્યુટર આ માહિતીનો ઉપયોગ કરી શકે એવું પ્રતિનિધિત્વ બનાવે છે. વાસ્તવિક અડિયોમાં વાત અને બોલનારની વિશેષતા ભેગી હોય છે; જુદાં નામ આપવાથી તે સંપૂર્ણ અલગ થઈ જતી નથી. તેથી વાત સમજાય છે કે નહીં અને અવાજનો મેળ કેવો છે તે અલગ જોવું પડે છે.

FreeVC નામની સંશોધન પદ્ધતિમાં મૂળ અડિયોમાંથી વાતની માહિતી અને સંદર્ભ અવાજમાંથી બોલનારની માહિતી કાઢવામાં આવે છે. બંનેથી નવી ધ્વનિતરંગ બને છે, એટલે સાંભળી શકાય એવું નવું અડિયો. સંદર્ભ એટલે અવાજની વિશેષતા સમજવા માટેનું ઉદાહરણ. આ ચોક્કસ પદ્ધતિનું વર્ણન છે; દરેક અવાજ બદલતી એપ આ જ રીતે કામ કરે છે એવો દાવો નથી.

આ પદ્ધતિ વાતની માહિતીવાળા ભાગમાં પસાર થતી માહિતી મર્યાદિત કરે છે, જેથી મૂળ બોલનારની ઓળખની માહિતી ઓછી રહે. શબ્દની માહિતી રાખીને કણ્ઠની વિશેષતા અલગ કરવી તકનીકી પડકાર છે. સંશોધનમાં જ વાતના પ્રતિનિધિત્વમાં મૂળ બોલનારની માહિતી રહી જવાની સમસ્યા જણાવાઈ છે. એટલે મૂળ અવાજના દરેક નિશાન ચોક્કસ દૂર થઈ જશે એવું વચન આપી શકાતું નથી.

તૈયારીમાં ઉદાહરણોથી રૂપાંતરણ શીખવાય છે. પછી નવી રેકોર્ડિંગ પર તૈયાર થયેલી પદ્ધતિ લાગુ પડે છે. ઉપયોગ વખતે સંદર્ભ અવાજ આપવો અને શરૂઆતથી મોડેલ તૈયાર કરવું જુદાં કામ છે. કેટલું અડિયો જોઈએ કે કઈ ભાષા ચાલશે તે ચોક્કસ પદ્ધતિની બાબત છે. એક સંશોધનનું પરિણામ બધા અવાજ, બધી ભાષા અને દરેક રેકોર્ડિંગ માટે સમાન ગણવું યોગ્ય નથી.

એ જ શબ્દોનો હેતુ, સંપૂર્ણ જાળવણીનું વચન નહીં

વાતનો વિષય રાખવાનો હેતુ અને દરેક શબ્દ, વિરામ કે લાગણી અકબંધ રહેવાની ખાતરી જુદી છે. નવું અડિયો અસ્પષ્ટ હોય તો અગત્યની વાત સમજવામાં ભૂલ થઈ શકે છે. નામ, આંકડો કે સૂચના મહત્વની હોય તો મૂળ રેકોર્ડિંગ સાથે સાંભળીને સરખાવો. અવાજનો મેળ સારો હોય એટલે સંદેશ ચોક્કસ છે એવું નહીં; સ્પષ્ટ વાત હોવી પણ અવાજનો મેળ સારો છે તેની ખાતરી નથી.

અડિયો રેકોર્ડિંગ તરીકે બનાવવો અને ચાલતી વાતચીતમાં તરત વાપરવો અલગ દાવા છે. જીવંત વાતચીતમાં અવાજ લેવો, બદલવો અને મોકલવો એમાં થતા વિલંબનું સંચાલન જરૂરી છે. અવાજ રૂપાંતરણ છે એટલે દરેક વ્યવસ્થા તરત ચાલે છે કે થોડા મિલિસેકન્ડ જ લાગે છે એવું નથી. સર્વત્ર લાગુ પડે એવો સમય અહીં નથી; ચોક્કસ ઉપયોગ માટે તે વ્યવસ્થાની તપાસ જોવી પડે.

નાટકના ઉદાહરણમાં મંજૂરી અને સાંભળનારને સંપાદનની જાણ કરવી મહત્વની છે. બીજા વ્યક્તિ જેવો અવાજ સંભળાય એટલે તે વ્યક્તિએ જ શબ્દો કહ્યા છે અથવા ઉપયોગ માટે સંમતિ આપી છે એવો પુરાવો નથી. પોતાનો કે મંજૂરીવાળો અવાજ વાપરો અને બદલાયેલું અડિયો મૂળ નિવેદનના પુરાવા તરીકે રજૂ ન કરો. ધ્વનિતરંગ બદલાય છે, વ્યક્તિની મંજૂરી તેનાથી મળતી નથી.

આ ગૂંચવણનો ઉપયોગ છેતરપિંડીમાં થઈ શકે છે. FTCએ ઓળખાતી વ્યક્તિ જેવો એઆઈ અવાજ કરીને તાત્કાલિક પૈસા માંગવાના જોખમ વિશે ચેતવણી આપી છે. તેનો અર્થ દરેક ઘટનામાં જીવંત અવાજ રૂપાંતરણ વપરાયું એવો નથી. અગાઉથી બનાવેલું અડિયો કે લખાણમાંથી બનાવેલો અવાજ પણ હોઈ શકે છે. સલામતી માટે કઈ તકનીક વપરાઈ છે તે પહેલા સાબિત કરવું જરૂરી નથી.

ઓળખાતો અવાજ પૈસા કે ખાનગી માહિતી માંગે તો વાત રોકીને પહેલેથી જાણતા નંબરથી તે વ્યક્તિનો સંપર્ક કરો. એ જ કોલના નંબર અથવા મોકલેલા સંપર્ક પર આધાર ન રાખો. અસામાન્ય ધ્વનિ શંકા આપી શકે, પરંતુ અવાજ સ્વાભાવિક છે એટલે અસલી વ્યક્તિ છે એવું નથી. અલગ ઓળખીતા સંપર્કથી વાતની ખાતરી કરવી અવાજના મેળ કરતાં વધુ ઉપયોગી આધાર છે.

અવાજ રૂપાંતરણ સમજવા ત્રણ બાબત અલગ રાખો: શું કહેવાયું, અવાજ કોના જેવો લાગે છે અને અડિયો ક્યાંથી આવ્યો. તકનીક પહેલી બે પર કામ કરી શકે છે; ત્રીજી બાબત માત્ર સારા અવાજથી સાચી સાબિત થતી નથી. સર્જન કે સંપાદનમાં પરિણામ સાંભળીને તપાસો. ઓળખ અથવા અગત્યની વિનંતી હોય ત્યારે ઓળખીતા સંપર્કથી અલગ ખાતરી કરો.