એઆઈ વાત પાછળનો અવાજ કેવી રીતે ઘટાડે છે, અને શું ખોવાઈ શકે?

ઓનલાઇન કોલમાં તમે બોલો છો અને બાજુમાં પંખો ચાલુ છે. સામેવાળાને પંખો થોડો ધીમો સંભળાય, પણ તમારી વાતનો છેલ્લો શબ્દ પણ કપાઈ જાય. એક જ વ્યવસ્થા અહીં મદદ અને નુકસાન બંને કરે છે. અવાજ સાફ કરવો એટલે ફક્ત ગમતો નહીં એવો ઘોંઘાટ કાઢવો નહીં; મિશ્રણમાંથી શું રાખવું તેનો અંદાજ પણ કરવો પડે છે.

માઇકને બે અલગ ફાઇલ મળતી નથી

આ ચર્ચામાં માઇક્રોફોનનો રેકોર્ડ કરેલો સંકેત બદલાય છે, રૂમનો અસલ અવાજ નહીં. કોલમાં ઘોંઘાટ ઓછો પહોંચે તો પણ તમારી બાજુમાં પંખો કે રસ્તાનો અવાજ ચાલુ રહે છે. તમે કયું ઓડિયો સાંભળો છો તે સમજવું જરૂરી છે.

તમારી વાત, પંખો અને બારણાનો અવાજ માઇક્રોફોન સુધી એક મિશ્રણ તરીકે પહોંચે છે. દરેક ભાગ પર “આ માણસની વાત છે” એવું લખેલું નથી. તેથી મોડેલ મિશ્રણમાં બોલવાની શક્ય લાક્ષણિકતાઓ શોધે છે. તૈયાર રેકોર્ડિંગમાંથી અલગ પંખાની ફાઇલ લઈને તેને સંપૂર્ણ બાદ કરી નાખવી એવું અહીં થતું નથી.

શીખવવાની એક રીતમાં સાફ બોલવાની રેકોર્ડિંગમાં અલગથી ઘોંઘાટ ભેળવાય છે. સંશોધકને ખબર હોય છે કે અસલ વાત કેવી હતી. મોડેલ શીખે છે કે મિશ્રણના કયા ભાગ ઘટાડવાથી મૂળ બોલવાની નજીક પરિણામ આવે છે. વાસ્તવિક કોલ વખતે સાફ મૂળ ફાઇલ સાથે મળતી નથી; શીખેલી સંબંધની માહિતીથી અંદાજ કરવો પડે છે.

RNNoise સંશોધનની એક રીત અવાજને નાના સમયખંડમાં તપાસે છે. તેમાં નીચા અને ઊંચા સૂરના જુદા ભાગોની માત્રા જોઈને કેટલું ઘટાડવું તે નક્કી થાય છે. ફિલ્ટર આ સૂચન પ્રમાણે અવાજની તાકાત ઓછી કરે છે. બીજા મોડેલ જુદા ફિલ્ટર અથવા સીધા સાફ સંકેતનો અંદાજ વાપરી શકે છે. એટલે આ એક પદ્ધતિનું ઉદાહરણ છે, દરેક એપ માટે એક જ અંદરનું વર્ણન નથી.

અંદાજ અને દમનનો ફરક

કયો ભાગ બોલવાની વાતનો છે તેનો અંદાજ પહેલું કામ છે. એ અંદાજ મુજબ કેટલો અવાજ ઓછો કરવો તે આગળનું કામ છે. વધારે દમનથી પાછળનો ઘોંઘાટ ઓછો લાગે, પણ એ જ વિસ્તારમાં રહેલા બોલવાના સૂર પણ દબાઈ શકે. ઓછું દમન રાખો તો વાત વધુ બચી શકે અને થોડો ઘોંઘાટ રહે. સૌથી શાંત પરિણામ હંમેશાં સૌથી ઉપયોગી વાત નથી.

અવાજના ભાગો એકબીજા ઉપર આવે છે. પાછળ બીજી વ્યક્તિ બોલે અથવા તમારી વાત ખૂબ ધીમી હોય તો કયા ભાગ રાખવા એ વધુ મુશ્કેલ બને છે. શીખવાના ઉદાહરણ અને હાલના રેકોર્ડિંગ વચ્ચેનો ફરક પણ પરિણામ બદલાવી શકે છે. પંખા સાથે સારું કામ કરતું મોડેલ બજારના ઘોંઘાટમાં પણ એ જ ગુણવત્તા આપશે એવું માનવું નહીં.

સાફ સંભળાવું અને માહિતી બચવી

અવાજ ધાતુ જેવો લાગે, શબ્દની શરૂઆત કે અંત કપાઈ જાય અથવા નાનો સૂર ગાયબ થાય એવું બની શકે. RNNoiseના લેખક સ્પષ્ટ કરે છે કે આ પ્રક્રિયામાં બોલવાની માહિતી નષ્ટ પણ થઈ શકે છે. તેથી ઓડિયો શાંત લાગે એટલે દરેક શબ્દ વધુ સમજાય એવું નથી. મહત્વનાં નામ કે આંકડા હોય તો અસલ ઓડિયો સાથે તપાસો.

માત્ર વાતચીત માટે બનેલો ફિલ્ટર સંગીતને પણ ઘટાડી શકે છે. ગિટાર શીખવવો હોય, પક્ષીનો અવાજ સંભળાવવો હોય કે મશીનની ખામી સમજાવવી હોય ત્યારે એ આસપાસનો અવાજ જ મુખ્ય માહિતી છે. Zoomની પોતાની સૂચનામાં સંગીત માટે દમન બંધ કરતો અલગ મોડ છે. કયો અવાજ જરૂરી છે તે તમારા હેતુથી નક્કી થાય છે, સામાન્ય કોલ સેટિંગથી નહીં.

તમારી જગ્યાએ ફરક જોવા એક નાનું વાક્ય સામાન્ય અને વધુ દમનવાળી સેટિંગમાં રેકોર્ડ કરો. માત્ર પંખો કેટલો ઘટ્યો તે નહીં, શબ્દની શરૂઆત, અંત અને ધીમા ભાગ બચ્યા છે કે નહીં સાંભળો. આ સરખામણી તમારા કામ માટે મદદ અને નુકસાન બતાવે છે; કોઈ એક સેટિંગ દરેક અવાજ માટે શ્રેષ્ઠ છે એવું સાબિત કરતી નથી.

સંગીત કે જરૂરી પરિસરનો અવાજ મોકલવો હોય તો યોગ્ય મોડ પસંદ કરો અને સાંભળનારને શું મળ્યું તે પૂછો. રેકોર્ડિંગ મહત્વનું હોય તો પ્રક્રિયા વગરની મૂળ નકલ રાખવી ઉપયોગી છે. હેતુ બધો અવાજ ગાયબ કરવાનો નહીં, પણ તમે સમજાવવા માંગો છો તે અવાજ સાચવીને સાંભળવામાં સરળતા લાવવાનો છે.