વિડિયો કૉલમાં તમારો ચહેરો નહીં, પણ એઆઈ અવતાર બોલે તો શું થાય?

તમે WhatsApp પર પરિવાર સાથે વિડિયો કૉલ કરી રહ્યા છો. ઘરની બહાર છો, વાળ વિખરાયેલા છે અને ચહેરો થાકેલો લાગે છે. તમે કૅમેરા ચાલુ કરવાને બદલે એક વિકલ્પ પસંદ કરો છો — તમારા જેવો દેખાતો એક ડિજિટલ ચહેરો, જે તમારા અવાજમાં બોલે છે. સામેવાળી વ્યક્તિને લાગે છે કે તમે જ બોલી રહ્યા છો. આ Meta ની નવી ટેકનોલોજી, મ્યુઝ રિયલટાઇમ અવતાર, શક્ય બનાવે છે.

આ ચહેરો ખરેખર કેવી રીતે બને છે?

સૌથી પહેલાં તમારો અવાજ અને ચહેરાનો નમૂનો કમ્પ્યુટર સુધી પહોંચે છે. તમારો અવાજ માઇક્રોફોનમાંથી લેવામાં આવે છે, જ્યારે ચહેરાનો નમૂનો તમે પહેલેથી રેકોર્ડ કરેલા ફોટા કે વિડિયોમાંથી લેવામાં આવે છે. આ બંને માહિતીને એક ખાસ પ્રકારના ગણિતીય મોડેલમાં નાખવામાં આવે છે, જેને ન્યુરલ નેટવર્ક (એટલે કે કમ્પ્યુટરનું શીખતું ગાણિતિક જાળું) કહેવાય છે.

આ જાળું દર સેકન્ડે 60 વાર નવો ચહેરો દોરે છે. તમે જે શબ્દ બોલો છો તેના ઉચ્ચાર પ્રમાણે હોઠની ગતિ બદલાય છે. તમે હસો તો ગાલ ઉપડે છે, આંખો ઝીણી થાય છે. તમે અટકો તો હોઠ પણ અટકે છે. આ બધું એટલી ઝડપથી થાય છે કે સામેવાળી વ્યક્તિને ખબર પણ ન પડે કે તે કોઈ ડિજિટલ ચહેરા સાથે વાત કરી રહી છે.

અવાજ અને હાવભાવ વચ્ચેનો તાલમેલ

સામાન્ય રીતે વિડિયોમાં અવાજ અને હોઠની ગતિ વચ્ચે થોડો ફરક રહી જાય છે. પણ આ ટેકનોલોજીમાં દરેક ઉચ્ચારને અલગ અલગ ઓળખીને હોઠની ગતિ સાથે મેળવવામાં આવે છે. જેમ કે 'મ' બોલતી વખતે હોઠ બંધ થાય, 'આ' બોલતી વખતે મોં ખુલે. આ ઉપરાંત, વાતચીતનો ભાવ પણ જોઈને ચહેરાના હાવભાવ બદલાય છે. કોઈ શોકના સમાચાર હોય તો ચહેરો ગંભીર થાય, કોઈ મજાક હોય તો હસવું આવે.

• તમારો અવાજ અને ચહેરાનો નમૂનો લેવામાં આવે છે.
• ન્યુરલ નેટવર્ક દરેક ઉચ્ચાર મુજબ હોઠ, આંખ અને ગાલની ગતિ ગણે છે.
• દર સેકન્ડે 60 ફ્રેમ દર્શાવતો ચહેરો વિડિયો કૉલમાં મોકલાય છે.
• સામેવાળી વ્યક્તિના જવાબ પ્રમાણે હાવભાવ બદલાય છે.

આ ટેકનોલોજી ક્યાં અને કેવી રીતે વપરાય છે?

Meta આ સુવિધા WhatsApp, Messenger અને Instagram જેવી એપ્સમાં આપે છે. તમે તમારો અવાજ વાપરીને અવતારને બોલાવી શકો છો, અથવા એઆઈ સહાયકનો અવાજ પણ વાપરી શકો છો. જે લોકો કૅમેરા સામે આવવા માંગતા નથી, અથવા જેમની પાસે સારો કૅમેરા નથી, તેમના માટે આ એક સરળ વિકલ્પ છે. શિક્ષક વર્ગમાં પાઠ આપે, દાદા-દાદી દૂરના પરિવાર સાથે વાત કરે — આવા પ્રસંગોમાં તે ઉપયોગી બની શકે છે.

શું આ ચહેરો હંમેશા સાચો લાગે છે?

ના. જ્યારે ઇન્ટરનેટ ધીમું હોય, અવાજમાં ઘણો ઘોંઘાટ હોય, અથવા વ્યક્તિ ખૂબ ઝડપથી બોલે ત્યારે હોઠની ગતિ થોડી અટકી શકે છે. ક્યારેક ચહેરાની રેખાઓ કૃત્રિમ લાગે છે. આ ઉપરાંત, અવતાર તમારા અસલી ચહેરાને બદલે એક નમૂનાના આધારે બને છે, તેથી તે તમારા ચહેરાના દરેક નાના ફેરફારને પકડી શકતો નથી. જો કોઈ વ્યક્તિ તમને છેતરવા માંગે તો આ ટેકનોલોજીનો દુરુપયોગ પણ થઈ શકે છે. તેથી મહત્ત્વના વિડિયો કૉલમાં સામેવાળી વ્યક્તિની ઓળખ અલગ રીતે ચકાસવી જોઈએ.

આ ટેકનોલોજી સંદેશાવ્યવહારને સરળ બનાવે છે, પણ તેની મર્યાદા સમજવી પણ જરૂરી છે. જ્યારે તમે કોઈ અવતાર સાથે વાત કરો, ત્યારે યાદ રાખો કે તે પાછળ કોઈ સાચી વ્યક્તિ છે કે નહીં, તેની ખાતરી કરવી જોઈએ. ટેકનોલોજી કેટલી પણ અદ્યતન હોય, માનવીય સંબંધોમાં વિશ્વાસ અને ચકાસણીનું મહત્ત્વ હંમેશા રહે છે.