વાણી ઓળખ: તમારો ફોન બોલાયેલા અવાજને તરત જ લખાણમાં કેવી રીતે ફેરવી નાખે છે?

માનવીય અવાજનું સ્ક્રીન પર લખાણમાં રૂપાંતર કેવી રીતે થાય છે?

ગાડી ચલાવતી વખતે કે રસોઈ બનાવતી વખતે બંને હાથ રોકાયેલા હોય ત્યારે આપણે સ્માર્ટફોન પર માઈકનું બટન દબાવીને બોલીએ છીએ: 'હું દસ મિનિટમાં ઘરે પહોંચું છું.' સ્ક્રીન પર પળવારમાં તે જ શબ્દો ચોખ્ખી ગુજરાતી કે અંગ્રેજી લિપિમાં ટાઈપ થઈ જાય છે અને મેસેજ રવાના થઈ જાય છે. આપણે તો સાવ સહજતાથી બોલી લઈએ છીએ, પણ કમ્પ્યુટર માટે માણસનો અવાજ સમજવો એ અત્યંત જટિલ કોયડો છે. દરેક માણસનો અવાજ અલગ, બોલવાની ઝડપ અલગ, પાછળ પંખાનો કે વાહનોનો ઘોંઘાટ અલગ! છતાં પણ ફોન આપણી બોલીનો સાચો અર્થ કેવી રીતે પકડી પાડે છે?

આ ટેકનોલોજીને સ્પીચ રેકગ્નિશન કહેવાય છે. તે માત્ર અવાજ સાંભળતી નથી, પણ ધ્વનિ તરંગોનું વિશ્લેષણ કરીને તેને વ્યાકરણશુદ્ધ વાક્યોમાં ઢાળે છે.

અદાલતનો તેજ ગતિનો સ્ટેનોગ્રાફર

આ રહસ્ય સમજવા માટે કોર્ટરૂમમાં જજની બાજુમાં બેઠેલા એક તેજ ગતિના લઘુલિપિકાર (સ્ટેનોગ્રાફર) ની કલ્પના કરો. અદાલતમાં વકીલો, ન્યાયાધીશ અને સાક્ષીઓ એકસાથે ઝડપથી દલીલો કરતા હોય છે. સાક્ષી ઘણીવાર ગભરાઈને તૂટક અવાજે બોલે છે, જ્યારે વકીલ મોટેથી બોલે છે. આસપાસ લોકોની ગણગણાટ ચાલુ હોય છે. પણ પેલો સ્ટેનોગ્રાફર કોઈની સામે જોતો નથી; તેનું સંપૂર્ણ ધ્યાન પોતાના કાન અને હાથની નોટબુક પર જ હોય છે.

તેના કાન પહેલા અવાજના ખાસ ધ્વનિ પકડે છે: 'ક', 'ખ', 'ગ' ના ઉચ્ચાર કેવી રીતે થયા. પછી તેનું મગજ ભાષાના નિયમો વિચારે છે. જો વકીલે કહ્યું 'હું પુરાવો રજૂ કરું છું', તો 'રજૂ' શબ્દનો અર્થ તેને સંદર્ભ પરથી તરત સમજાઈ જાય છે; તે તેને બીજો કોઈ અળવીતરો શબ્દ નથી સમજતો, કારણ કે અદાલતના માહોલમાં પુરાવો રજૂ જ કરાય. તે કાન અને બુદ્ધિનો સાથે ઉપયોગ કરીને વીજળીવેગે સચોટ લખાણ ટાઈપ કરતો રહે છે.

આપણા ફોનમાં રહેલી વાણી ઓળખ સિસ્ટમ બરાબર આ સ્ટેનોગ્રાફર જેવી છે. માઇકમાંથી આવતા અવાજના કંપનોના તે ઝીણા ટુકડા કરે છે. બહારનો ઘોંઘાટ દૂર કરીને તે અક્ષરોના ઉચ્ચાર પારખે છે. ત્યારબાદ ભાષાના વ્યાકરણની મદદથી વાક્યને યોગ્ય અર્થ આપતા સાચા શબ્દો સ્ક્રીન પર ટાઈપ કરે છે.

વાણી ઓળખ પ્રણાલી આજે ક્યાં મોટી મદદગાર સાબિત થાય છે?

બોલીને કામ કરાવી લેવાની આ સગવડ આજે અનેક ક્ષેત્રોમાં ક્રાંતિ લાવી રહી છે:

• દિવ્યાંગો અને વડીલો માટે વરદાન: હાથ ધ્રૂજતા હોય કે ટાઈપિંગ ન ફાવતું હોય તેવા વડીલો માત્ર બોલીને આખો ફોન ઓપરેટ કરી શકે છે અને સંબંધીઓને મેસેજ મોકલી શકે છે.
• વિડિયોમાં લાઈવ સબટાઈટલ: ટીવી કે યુટ્યુબ પર વિડિયો જોતી વખતે ઓછું સાંભળતા લોકો માટે નીચે બોલાયેલા શબ્દો આપોઆપ લખાણ બનીને વંચાય છે.
• ડોક્ટરોની તપાસ અને દર્દીની ફાઈલ: ડોક્ટર દર્દીને તપાસતી વખતે જ બોલીને પ્રિસ્ક્રિપ્શન અને મેડિકલ રિપોર્ટ તૈયાર કરાવીને સમય બચાવે છે.
• નવી ભાષાઓ શીખવી અને ઉચ્ચાર સુધારવા: બીજી કોઈ નવી ભાષા શીખતી વખતે આપણો ઉચ્ચાર સાચો છે કે નહીં તે એપ તરત જ સાંભળીને ભૂલ બતાવે છે.

અવાજની ગોપનીયતા અને સુરક્ષાના કેટલાક નિયમો

મોબાઇલમાં બોલીને ટાઈપ કરવું સાવ સરળ અને સમય બચાવનારું છે ખરું, પરંતુ આપણી અંગત વાતચીતની ગુપ્તતા જાળવવા માટે આપણા ડિવાઇસના માઇક્રોફોન પર સતત અંકુશ રાખવો પણ એટલો જ અનિવાર્ય છે.

• શાંત અને કુદરતી અવાજમાં બોલો: બહુ બૂમો પાડવાની જરૂર નથી; શબ્દોના ઉચ્ચાર સ્પષ્ટ અને ધીમા રાખવાથી કમ્પ્યુટર વધુ સચોટ ટાઈપ કરે છે.
• ફોનમાં માઇક્રોફોનની પરવાનગીઓ તપાસો: જે એપ્સને અવાજની કોઈ જરૂર નથી (જેમ કે ટોર્ચ કે કેલ્ક્યુલેટર એપ) તેની માઈકની પરવાનગી હંમેશા બંધ રાખો.
• વોઇસ આસિસ્ટન્ટની હિસ્ટ્રી સમયાંતરે સાફ કરો: ગૂગલ કે એલેક્સા પર બોલેલા જૂના અવાજની રેકોર્ડિંગ્સ તમારા એકાઉન્ટ સેટિંગ્સમાંથી ડિલીટ કરતા રહો.

વાણી એ મનુષ્યને કુદરત તરફથી મળેલી સૌથી અમૂલ્ય ભેટ છે. જ્યારે આપણા શબ્દો મશીન સમજી શકે છે, ત્યારે ટેકનોલોજી અને માનવ વચ્ચેનું અંતર સાવ મટી જાય છે. સાવચેતી સાથે ઉપયોગ કરીએ તો આ ડિજિટલ દુભાષિયો આપણી દૈનિક જિંદગીને ખૂબ સરળ બનાવી દે છે.