ಓದಲು 3 ನಿಮಿಷ
ಮಾತು ಅದೇ ಉಳಿಸಿ ಧ್ವನಿಯ ಪರಿಚಿತ ಗುಣ ಬದಲಾಗುವುದು ಹೇಗೆ?
30 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಅರ್ಥ
ಧ್ವನಿ ಪರಿವರ್ತನೆ ಎಂದರೆ ಆಡಿಯೊದಲ್ಲಿನ ಮಾತಿನ ವಿಷಯ ಉಳಿಸುವ ಗುರಿಯೊಂದಿಗೆ ಮಾತನಾಡುವವರ ಧ್ವನಿಯ ಲಕ್ಷಣಗಳನ್ನು ಬದಲಿಸಿ ಹೊಸ ಆಡಿಯೊ ಸೃಷ್ಟಿಸುವ ಪ್ರಕ್ರಿಯೆ.
ನಾಟಕಕ್ಕೆ ನಿಮ್ಮ ಅನುಮತಿಯಿರುವ ರೆಕಾರ್ಡಿಂಗ್ನ ಅದೇ ಸಂಭಾಷಣೆಯನ್ನು ಬೇರೆ ರೀತಿಯ ಧ್ವನಿಯಲ್ಲಿ ಕೇಳಲು ಬಯಸಿದ್ದೀರಿ ಎಂದುಕೊಳ್ಳಿ. ಪದಗಳನ್ನು ಹೊಸದಾಗಿ ಬರೆದಿಲ್ಲ, ಆದರೆ ಪರಿಚಿತ ವ್ಯಕ್ತಿಯ ಧ್ವನಿಯಂತೆ ಕೇಳುತ್ತಿಲ್ಲ. ಧ್ವನಿ ಪರಿವರ್ತನೆಯ ಪ್ರಶ್ನೆ ಇದೇ: ಏನು ಹೇಳಲಾಗಿದೆ ಎಂಬುದನ್ನು ಉಳಿಸಲು ಪ್ರಯತ್ನಿಸಿ, ಯಾರು ಮಾತನಾಡುತ್ತಿದ್ದಾರೆ ಎನ್ನಿಸುವ ಲಕ್ಷಣಗಳನ್ನು ಹೇಗೆ ಬದಲಿಸಲಾಗುತ್ತದೆ?
ಇಲ್ಲಿ ಒಳಬರುವ ಮಾಹಿತಿ ಮಾತಿನ ಆಡಿಯೊ, ಬರೆಯಲಾದ ವಾಕ್ಯ ಮಾತ್ರವಲ್ಲ. ಬರಹದಿಂದ ಮಾತು ಮಾಡುವ ವ್ಯವಸ್ಥೆ ಬರಹದಿಂದ ಆರಂಭಿಸುತ್ತದೆ. ಧ್ವನಿ ಪರಿವರ್ತನೆಯಲ್ಲಿ ಪದಗಳು ಈಗಾಗಲೇ ಉಚ್ಚಾರಿತವಾಗಿವೆ. ಈ ವ್ಯತ್ಯಾಸ ಮುಖ್ಯ. ಒಂದೇ ವ್ಯಕ್ತಿಯಂತೆ ಕೇಳುವ ಕೃತಕ ಧ್ವನಿ ಹಲವು ವಿಧಾನಗಳಿಂದ ಬರಬಹುದು; ಕೇಳುವುದು ಮಾತ್ರದಿಂದ ಯಾವ ವಿಧಾನ ಬಳಸಲಾಗಿದೆ ಎಂದು ನಿರ್ಧರಿಸಲಾಗುವುದಿಲ್ಲ.
ಮಾತು ಮತ್ತು ಧ್ವನಿಯ ಲಕ್ಷಣ
ಧ್ವನಿ ಬದಲಿಸುವುದು ಎಂದರೆ ಅದನ್ನು ಎತ್ತರ ಅಥವಾ ತಗ್ಗು ಮಾಡುವುದಷ್ಟೇ ಅಲ್ಲ. ವಿವಿಧ ಶಬ್ದಗಳು ಕೇಳಿಸುವ ರಚನೆಯೂ ಧ್ವನಿಯನ್ನು ಪರಿಚಿತವಾಗಿಸುತ್ತದೆ. ಕಂಪ್ಯೂಟರ್ ಬಳಸಬಹುದಾದ ರೂಪದಲ್ಲಿ ಈ ಮಾಹಿತಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. ನೈಜ ಆಡಿಯೊದಲ್ಲಿ ಮಾತು ಮತ್ತು ವ್ಯಕ್ತಿಯ ಲಕ್ಷಣ ಒಟ್ಟಿಗೆ ಇರುತ್ತವೆ. ಬೇರೆ ಹೆಸರಿಟ್ಟರೆ ಅವು ಸಂಪೂರ್ಣವಾಗಿ ಬೇರ್ಪಡುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ ಮಾತಿನ ಸ್ಪಷ್ಟತೆ ಮತ್ತು ಧ್ವನಿಯ ಹೋಲಿಕೆಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನೋಡಬೇಕು.
FreeVC ಎಂಬ ಸಂಶೋಧನಾ ವಿಧಾನದಲ್ಲಿ ಮೂಲ ಆಡಿಯೊದಿಂದ ಮಾತಿನ ಮಾಹಿತಿ ಮತ್ತು ಉಲ್ಲೇಖ ಧ್ವನಿಯಿಂದ ವ್ಯಕ್ತಿಯ ಲಕ್ಷಣ ಪಡೆಯಲಾಗುತ್ತದೆ. ಅವೆರಡರಿಂದ ಹೊಸ ಧ್ವನಿತರಂಗ, ಅಂದರೆ ಕೇಳಬಹುದಾದ ಆಡಿಯೊ ಸೃಷ್ಟಿಸಲಾಗುತ್ತದೆ. ಉಲ್ಲೇಖವೆಂದರೆ ಧ್ವನಿಯ ಲಕ್ಷಣ ತಿಳಿಯಲು ಬಳಸುವ ಉದಾಹರಣೆ. ಇದು ಒಂದು ನಿರ್ದಿಷ್ಟ ವಿಧಾನ; ಧ್ವನಿ ಬದಲಿಸುವ ಪ್ರತಿಯೊಂದು ಆಪ್ ಇದೇ ವಿನ್ಯಾಸ ಬಳಸುತ್ತದೆ ಎಂದಲ್ಲ.
ಈ ವಿಧಾನದಲ್ಲಿ ಮಾತಿನ ಪ್ರತಿನಿಧಿಗೆ ಹೋಗುವ ಮಾಹಿತಿಯನ್ನು ಮಿತಿಗೊಳಿಸಲಾಗುತ್ತದೆ, ಮೂಲ ವ್ಯಕ್ತಿಯ ಗುರುತಿನ ಮಾಹಿತಿ ಕಡಿಮೆಯಾಗಲು. ಪದಗಳ ಮಾಹಿತಿ ಉಳಿಸಿ ಧ್ವನಿಯ ಗುಣ ಬೇರ್ಪಡಿಸುವುದು ತಾಂತ್ರಿಕ ಸಮಸ್ಯೆ. ಮಾತಿನ ಪ್ರತಿನಿಧಿಯಲ್ಲಿ ಮೂಲ ವ್ಯಕ್ತಿಯ ಮಾಹಿತಿ ಉಳಿಯಬಹುದು ಎಂದು ಸಂಶೋಧನೆಯೇ ವಿವರಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ ಮೂಲ ಧ್ವನಿಯ ಎಲ್ಲಾ ಚಿಹ್ನೆಗಳು ಖಂಡಿತ ಅಳಿದುಹೋಗುತ್ತವೆ ಎನ್ನಲು ಆಗುವುದಿಲ್ಲ. ಬೇರ್ಪಡಿಸುವ ಗುರಿ ಮತ್ತು ಯಶಸ್ಸಿನ ಭರವಸೆ ಬೇರೆ.
ತಯಾರಿಯ ಸಂದರ್ಭದಲ್ಲಿ ಉದಾಹರಣೆಗಳಿಂದ ಮಾದರಿಗೆ ಪರಿವರ್ತನೆ ಕಲಿಸಲಾಗುತ್ತದೆ. ನಂತರ ಹೊಸ ಆಡಿಯೊ ಮೇಲೆ ಸಿದ್ಧವಾದ ವ್ಯವಸ್ಥೆ ಬಳಸಲಾಗುತ್ತದೆ. ಬಳಕೆಯಲ್ಲಿ ಉಲ್ಲೇಖ ಧ್ವನಿ ಕೊಡುವುದು ಮತ್ತು ಆರಂಭದಿಂದ ಮಾದರಿ ತಯಾರಿಸುವುದು ಬೇರೆ ಕೆಲಸಗಳು. ಎಷ್ಟು ಆಡಿಯೊ ಬೇಕು, ಯಾವ ಭಾಷೆ ನಡೆಯುತ್ತದೆ ಎಂಬುದು ನಿರ್ದಿಷ್ಟ ವಿಧಾನಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ. ಒಂದೇ ಸಂಶೋಧನೆಯ ಫಲ ಎಲ್ಲಾ ವ್ಯಕ್ತಿ, ಭಾಷೆ ಅಥವಾ ರೆಕಾರ್ಡಿಂಗ್ಗೆ ಅನ್ವಯಿಸುತ್ತದೆ ಎಂದಲ್ಲ.
ಉಳಿಸುವ ಗುರಿ ಮತ್ತು ಫಲದ ಮಿತಿ
ಮಾತಿನ ವಿಷಯ ಉಳಿಸುವ ಗುರಿ ಇದ್ದರೂ ಪ್ರತಿಯೊಂದು ಪದ, ವಿರಾಮ ಮತ್ತು ಭಾವನೆ ಹಾಗೆಯೇ ಇರುತ್ತವೆ ಎಂಬ ಖಾತರಿ ಇಲ್ಲ. ಹೊಸ ಆಡಿಯೊ ಅಸ್ಪಷ್ಟವಾದರೆ ಮುಖ್ಯ ಮಾಹಿತಿ ತಪ್ಪಾಗಿ ಅರ್ಥವಾಗಬಹುದು. ಹೆಸರು, ಸಂಖ್ಯೆ ಅಥವಾ ಸೂಚನೆ ಮುಖ್ಯವಾದರೆ ಮೂಲ ರೆಕಾರ್ಡಿಂಗ್ ಜೊತೆ ಕೇಳಿ ಪರಿಶೀಲಿಸಿ. ಧ್ವನಿ ಚೆನ್ನಾಗಿ ಹೋಲಿದರೆ ಮಾತ್ರ ಸಂದೇಶ ಸರಿಯೆಂದಲ್ಲ; ಸ್ಪಷ್ಟ ಮಾತು ಮಾತ್ರದಿಂದ ಧ್ವನಿ ಚೆನ್ನಾಗಿ ಹೋಲಿದೆ ಎಂದೂ ತಿಳಿಯುವುದಿಲ್ಲ.
ರೆಕಾರ್ಡಿಂಗ್ ಸೃಷ್ಟಿಸುವುದು ಮತ್ತು ನಡೆಯುತ್ತಿರುವ ಮಾತುಕತೆಯಲ್ಲಿ ಬಳಸುವುದು ಬೇರೆ ಸಾಮರ್ಥ್ಯಗಳು. ನೇರ ಬಳಕೆಯಲ್ಲಿ ಧ್ವನಿ ಪಡೆಯುವುದು, ಬದಲಿಸುವುದು ಮತ್ತು ಕಳುಹಿಸುವ ವಿಳಂಬ ನಿಭಾಯಿಸಬೇಕು. ಆದರೆ ಧ್ವನಿ ಪರಿವರ್ತನೆ ಎಂದರೆ ಎಲ್ಲ ವ್ಯವಸ್ಥೆ ನೇರವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಅಥವಾ ಕೆಲವೇ ಮಿಲಿಸೆಕೆಂಡ್ ಬೇಕು ಎಂದಲ್ಲ. ಇಲ್ಲಿ ಎಲ್ಲದಕ್ಕೂ ಅನ್ವಯಿಸುವ ಸಮಯದ ಸಂಖ್ಯೆ ಇಲ್ಲ; ನಿರ್ದಿಷ್ಟ ಕೆಲಸಕ್ಕೆ ಅದರ ಪರೀಕ್ಷೆ ನೋಡಬೇಕು.
ನಾಟಕದ ಉದಾಹರಣೆಯಲ್ಲಿ ಅನುಮತಿ ಮತ್ತು ಸಂಪಾದನೆಯ ವಿಷಯವನ್ನು ಕೇಳುವವರಿಗೆ ತಿಳಿಸುವುದು ಮುಖ್ಯ. ಇನ್ನೊಬ್ಬರಂತೆ ಕೇಳುವ ಧ್ವನಿ ಎಂದರೆ ಅವರೇ ಮಾತಾಡಿದರು ಅಥವಾ ಅವರು ಅನುಮತಿ ಕೊಟ್ಟರು ಎಂಬ ಸಾಕ್ಷಿ ಅಲ್ಲ. ನಿಮ್ಮ ಅಥವಾ ಅನುಮತಿಸಿದ ಧ್ವನಿ ಬಳಸಿ; ಬದಲಿಸಿದ ಆಡಿಯೊವನ್ನು ಮೂಲ ಹೇಳಿಕೆಯ ಸಾಕ್ಷಿಯಾಗಿ ತೋರಿಸಬೇಡಿ. ಧ್ವನಿತರಂಗದ ಬದಲಾವಣೆ ವ್ಯಕ್ತಿಯ ಒಪ್ಪಿಗೆ ಸೃಷ್ಟಿಸುವುದಿಲ್ಲ.
ಈ ಗೊಂದಲ ವಂಚನೆಯಲ್ಲಿ ಬಳಕೆಯಾಗಬಹುದು. ಪರಿಚಿತ ವ್ಯಕ್ತಿಯಂತೆ ಎಐ ಧ್ವನಿ ಮಾಡಿ ತುರ್ತು ಹಣ ಕೇಳುವ ಅಪಾಯದ ಬಗ್ಗೆ FTC ಎಚ್ಚರಿಸಿದೆ. ಪ್ರತಿಯೊಂದು ಘಟನೆಯೂ ನೇರ ಧ್ವನಿ ಪರಿವರ್ತನೆಯಿಂದ ನಡೆದಿದೆ ಎಂದು ಇದರಿಂದ ಹೇಳಲಾಗುವುದಿಲ್ಲ. ಮೊದಲು ಸೃಷ್ಟಿಸಿದ ಆಡಿಯೊ ಅಥವಾ ಬರಹದಿಂದ ತಯಾರಿಸಿದ ಧ್ವನಿಯೂ ಇರಬಹುದು. ಸುರಕ್ಷತಾ ನಿರ್ಧಾರಕ್ಕೆ ಮೊದಲು ಯಾವ ತಂತ್ರ ಬಳಸಿದ್ದಾರೆ ಎಂದು ಸಾಬೀತು ಮಾಡಬೇಕಿಲ್ಲ.
ಪರಿಚಿತ ಧ್ವನಿಯವರು ಹಣ ಅಥವಾ ಖಾಸಗಿ ಮಾಹಿತಿ ಕೇಳಿದರೆ ಮಾತು ನಿಲ್ಲಿಸಿ, ಮೊದಲೇ ತಿಳಿದ ಸಂಖ್ಯೆಯಲ್ಲಿ ಅವರನ್ನು ಸಂಪರ್ಕಿಸಿ. ಅದೇ ಕರೆಯ ಸಂಖ್ಯೆ ಅಥವಾ ಕಳುಹಿಸಿದ ಸಂಪರ್ಕಕ್ಕೆ ಅವಲಂಬಿಸಬೇಡಿ. ವಿಚಿತ್ರ ಧ್ವನಿ ಅನುಮಾನಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು; ಸಹಜವಾಗಿ ಕೇಳುವುದು ಮಾತ್ರ ನೈಜ ವ್ಯಕ್ತಿಯ ಸಾಕ್ಷಿ ಅಲ್ಲ. ಸ್ವತಂತ್ರ ಪರಿಚಿತ ಸಂಪರ್ಕದಲ್ಲಿ ಸುದ್ದಿ ಪರಿಶೀಲಿಸುವುದು ಧ್ವನಿಯ ಹೋಲಿಕೆಗಿಂತ ಉಪಯುಕ್ತ ಆಧಾರ.
ಏನು ಹೇಳಲಾಗಿದೆ, ಯಾರಂತೆ ಕೇಳುತ್ತದೆ ಮತ್ತು ಆಡಿಯೊ ಎಲ್ಲಿಂದ ಬಂದಿದೆ ಎಂಬ ಮೂರು ವಿಷಯ ಬೇರೆ ಇವೆ. ತಂತ್ರಜ್ಞಾನ ಮೊದಲ ಎರಡನ್ನು ಬದಲಿಸಬಹುದು; ಮೂರನೆಯದು ಉತ್ತಮ ಧ್ವನಿಯಿಂದ ಮಾತ್ರ ಖಚಿತವಾಗುವುದಿಲ್ಲ. ಸೃಷ್ಟಿ ಅಥವಾ ಸಂಪಾದನೆಯಲ್ಲಿ ಫಲವನ್ನು ಕೇಳಿ ಪರಿಶೀಲಿಸಿ. ಗುರುತು ಅಥವಾ ಮುಖ್ಯ ವಿನಂತಿಗೆ ಸಂಬಂಧಿಸಿದರೆ ಪರಿಚಿತ ಸಂಪರ್ಕದ ಮೂಲಕ ಪ್ರತ್ಯೇಕವಾಗಿ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.
ಮೂಲಗಳು
- FreeVC: Towards High-Quality Text-Free One-Shot Voice ConversionJingyi Li, Weiping Tu and Li Xiao / arXiv
- An Overview of Voice Conversion and its Challenges: From Statistical Modeling to Deep LearningBerrak Sisman et al. / IEEE/ACM Transactions on Audio, Speech and Language Processing, arXiv
- Scammers use AI to enhance their family emergency schemesFederal Trade Commission