વાણી ઓળખ: તમારો ફોન બોલાયેલા અવાજને તરત લખાણમાં કેવી રીતે ફેરવે છે?

મોબાઇલમાં બોલાયેલા શબ્દો સ્ક્રીન પર કેવી રીતે અંકિત થાય છે?

રસોઈ બનાવતી વખતે કે બજારમાં ચાલતાં ચાલતાં જ્યારે હાથ રોકાયેલા હોય ત્યારે આપણે ફોનમાં માઇકનું બટન દબાવીને સીધું બોલીએ છીએ: 'હું દસ મિનિટમાં ઘરે પહોંચું છું'. અચરજની વાત એ છે કે આપણો ફોન એક પણ સેકન્ડના વિલંબ વગર આ શબ્દો સ્ક્રીન પર બરાબર ટાઈપ કરી દે છે. નાના બાળકોથી માંડીને વડીલો સુધી સૌ કોઈ આજે ટાઈપિંગના કંટાળામાંથી બચવા માટે આ સુવિધાનો ખુશીથી ઉપયોગ કરે છે. પરંતુ શું ફોન ખરેખર આપણી ભાષા સમજે છે? ચાલો આ પડદા પાછળની ટેકનોલોજી સમજીએ.

આ પ્રક્રિયાને તકનીકી પરિભાષામાં વાણી ઓળખ (સ્પીચ રેકગ્નિશન અથવા ઓટોમેટિક સ્પીચ રેકગ્નિશન - ASR) કહેવાય છે. જ્યારે તમે બોલો છો ત્યારે તમારા મોંમાંથી અવાજના તરંગો (ધ્વનિ મોજાં) નીકળે છે. ફોનનું નાનકડું માઇક્રોફોન આ ધ્વનિ તરંગોને ઝીલે છે અને તેને કમ્પ્યુટર સમજી શકે તેવા ડિજિટલ આંકડાઓમાં ફેરવે છે. ત્યારબાદ કમ્પ્યુટર અવાજના નાના નાના ઉચ્ચારણ ટુકડાઓ (જેને ફોનીમ્સ કહેવાય છે) છૂટા પાડે છે. ધ્વનિ ઓળખતું ગણતરી મોડેલ (એકોસ્ટિક મોડેલ) નક્કી કરે છે કે આ અવાજ કયા અક્ષર સાથે મેળ ખાય છે.

ધ્વનિ સંકેતો અને ભાષા મોડેલનું સંયુક્ત કાર્ય

માત્ર અવાજના ટુકડા ઓળખવાથી સાચું વાક્ય તૈયાર થતું નથી, કારણ કે આપણી બોલચાલમાં ઘણા શબ્દોના ઉચ્ચાર સરખા હોવા છતાં અર્થ સાવ જુદા હોય છે. દાખલા તરીકે, ગુજરાતીમાં 'વાર' શબ્દ સાત વારના દિવસ માટે પણ વપરાય અને કામમાં થયેલા વિલંબ માટે પણ વપરાય. અહીં સિસ્ટમ શબ્દોની સંભાવના નક્કી કરતાં ભાષા મોડેલ (લેંગ્વેજ મોડેલ) નો સહારો લે છે. આ મોડેલ વાક્યના આગળ-પાછળના શબ્દો તપાસે છે. જો વાક્યમાં આગળ 'મંગળ' શબ્દ આવતો હોય, તો ગણતરી આપોઆપ નક્કી કરે છે કે પછીનો શબ્દ 'વાર' (મંગળવાર) જ હોવો જોઈએ. ધ્વનિની ઓળખ અને વ્યાકરણનું આ ગાણિતિક જોડાણ જ કમ્પ્યુટરને અર્થપૂર્ણ વાક્ય રચવામાં મદદ કરે છે.

વાસ્તવિક મુશ્કેલીઓ: ઘોંઘાટ, બોલીઓ અને લહેકો

પ્રયોગશાળાના શાંત વાતાવરણમાં આ પ્રણાલી ખૂબ સચોટ કામ કરે છે, પરંતુ રોજિંદા જીવનમાં તેને કેટલીક સ્વાભાવિક મર્યાદાઓ નડે છે:

• આસપાસનો ખલેલ પહોંચાડતો ઘોંઘાટ (બેકગ્રાઉન્ડ નોઈઝ): રસ્તા પર વાહનોના હોર્ન, ઘરમાં ટીવીનો અવાજ કે પંખાના સુસવાટા અવાજના મોજાંને ગૂંચવી નાખે છે, જેના કારણે સોફ્ટવેર અવાજ સ્પષ્ટ ન પકડાતાં ખોટો શબ્દ ટાઈપ કરી બેસે છે.
• પ્રાદેશિક બોલીઓ અને લહેકો: એક જ ભાષા જુદા જુદા પ્રદેશોમાં અલગ લય અને ઉતાર-ચઢાવથી બોલાય છે; કાઠિયાવાડી, ઉત્તર ગુજરાત કે સુરતી લહેકાના ઉચ્ચારણો સ્ટાન્ડર્ડ ડેટા કરતાં જુદા પડતાં ભૂલોની શક્યતા વધી જાય છે.
• રોજિંદા મિશ્ર શબ્દો અને રૂઢિપ્રયોગો: અનૌપચારિક વાતચીતમાં વપરાતા નવા શબ્દો કે ગુજરાતી-અંગ્રેજી મિશ્રિત બોલી જો સિસ્ટમના તાલીમી શબ્દકોશમાં ન હોય, તો મશીન તેને બદલે નજીકનો કોઈ ખોટો શબ્દ મૂકી દે છે.

ટાઈપ કરવું એટલે વાતનો અર્થ સમજવો નહીં

આ ટેકનોલોજી વાપરતી વખતે સૌથી મોટી ગેરસમજ એ ઊભી થાય છે કે આપણો ફોન આપણી લાગણી કે વાતનો સાચો ભાવાર્થ સમજી રહ્યો છે. વાસ્તવમાં વાણી ઓળખ એ માત્ર એક ધ્વનિ અનુવાદક છે, વિચારશીલ માનવ નથી. જો તમે કટાક્ષમાં કહો કે 'વાહ, તમે તો બહુ વહેલા આવ્યા!', તો કમ્પ્યુટર અક્ષરો બરાબર ટાઈપ કરશે પણ તે તમારા કટાક્ષ કે નારાજગીને સમજી શકતું નથી. તે અવાજના તરંગોને માત્ર લિખિત અક્ષરો સાથે મેળવે છે, તેમાં કોઈ સમજણ કે ચેતના હોતી નથી.

આ સાથે પોતાના અવાજની સુરક્ષા અને ગોપનીયતા જાળવવી પણ એટલી જ અનિવાર્ય છે. આપણા ફોનનું માઇક્રોફોન સતત સક્રિય રહી શકે છે અને ઘણી સેવાઓ આ અવાજનું ઇન્ટરનેટ સર્વર (ક્લાઉડ સર્વર) પર પૃથક્કરણ કરે છે, જોકે આજના આધુનિક ફોન ઉપકરણની અંદર જ (ઓન-ડિવાઇસ પ્રોસેસિંગ) અવાજ ઓળખી લે છે જેથી માહિતી બહાર ન જાય. છતાં જે એપ્લિકેશનોને અવાજની કોઈ જરૂર નથી (જેમ કે ગેમ્સ કે સાદી ટોર્ચ એપ) તેની માઇક્રોફોન પરવાનગીઓ હંમેશા સેટિંગ્સમાં તપાસીને બંધ રાખવી જોઈએ. આ સાધન બોલીને લખાણ તૈયાર કરવામાં આપણો કિંમતી સમય જરૂર બચાવે છે, પરંતુ અંતે તો તે માત્ર ધ્વનિ તરંગોનું ગાણિતિક રૂપાંતરણ જ છે તે યાદ રાખવું યોગ્ય છે.