ಮಾತು ಗುರುತಿಸುವಿಕೆ: ಧ್ವನಿಯನ್ನು ಅಕ್ಷರಗಳನ್ನಾಗಿ ಬದಲಾಯಿಸುವ ತಂತ್ರಜ್ಞಾನ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?

ಧ್ವನಿಯ ತರಂಗಗಳು ಲಿಖಿತ ಅಕ್ಷರಗಳಾಗಿ ಬದಲಾಗುವ ಹಂತಗಳು

ಬಸ್ಸಿನಲ್ಲಿ ಪ್ರಯಾಣಿಸುವಾಗ ಅಥವಾ ರಸ್ತೆಯಲ್ಲಿ ನಡೆಯುವಾಗ ಕೈಗಳಿಂದ ಕೀಬೋರ್ಡ್ ಮೇಲೆ ಟೈಪ್ ಮಾಡಲು ಕಷ್ಟವಾದಾಗ, ನಾವು ವಾಟ್ಸಾಪ್‌ನಲ್ಲಿ ಮೈಕ್ ಬಟನ್ ಒತ್ತಿ ಕನ್ನಡದಲ್ಲೇ ಮಾತನಾಡುತ್ತೇವೆ. ನಮ್ಮ ಬಾಯಿಂದ ಮಾತು ಹೊರಬರುತ್ತಿದ್ದಂತೆ, ಮೊಬೈಲ್ ಪರದೆಯ ಮೇಲೆ ಅಷ್ಟೇ ವೇಗವಾಗಿ ಲಿಖಿತ ವಾಕ್ಯಗಳು ಮೂಡಿಬರುತ್ತವೆ. ಇಂದಿನ ದಿನಗಳಲ್ಲಿ ಸಿರಿ (Siri), ಗೂಗಲ್ ಅಸಿಸ್ಟೆಂಟ್ ಅಥವಾ ಯೂಟ್ಯೂಬ್‌ನ ಸ್ವಯಂಚಾಲಿತ ಸಬ್‌ಟೈಟಲ್‌ಗಳಲ್ಲಿ ಈ ಅನುಕೂಲತೆ ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯವಿದೆ. ಕಂಪ್ಯೂಟರ್‌ಗೆ ಕಿವಿಗಳಾಗಲಿ ಅಥವಾ ಮಾನವನ ಸ್ವಾಭಾವಿಕ ಭಾಷಾ ಪ್ರಜ್ಞೆಯಾಗಲಿ ಇರುವುದಿಲ್ಲ; ಆದರೂ ಅದು ನಮ್ಮ ಧ್ವನಿಯನ್ನು ಗ್ರಹಿಸುವುದು ಕೇವಲ ಭೌತಿಕ ಗಾಳಿಯ ಒತ್ತಡದ ತರಂಗಗಳನ್ನು ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾ ಆಗಿ ಅಳೆಯುವ ಮೂಲಕವೇ ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ನೀವು ಮಾತನಾಡುವಾಗ ಬಾಯಿಂದ ಹೊರಡುವ ಧ್ವನಿಯು ಮೈಕ್ರೋಫೋನ್ ಮೇಲೆ ಬಿದ್ದು ಸೂಕ್ಷ್ಮ ವಿದ್ಯುತ್ ತರಂಗಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಕಂಪ್ಯೂಟರ್ ಸಾಫ್ಟ್‌ವೇರ್ ಈ ಸತತ ಆಡಿಯೋ ಸಂಕೇತವನ್ನು ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ನೂರಾರು ಸಣ್ಣ ಮಿಲಿಸೆಕೆಂಡ್‌ಗಳ ತುಣುಕುಗಳನ್ನಾಗಿ ಕತ್ತರಿಸುತ್ತದೆ. ಈ ತರಂಗಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮುನ್ನ, ಸಾಫ್ಟ್‌ವೇರ್ ಕೇವಲ ಮನುಷ್ಯನ ಧ್ವನಿಯನ್ನು ಮಾತ್ರ ಪತ್ತೆಹಚ್ಚುವ (ವಾಯ್ಸ್ ಆಕ್ಟಿವಿಟಿ ಡಿಟೆಕ್ಷನ್ ಅಥವಾ VAD ಫಿಲ್ಟರ್) ತಂತ್ರಜ್ಞಾನವನ್ನು ಚಲಾಯಿಸಿ, ಹಿನ್ನೆಲೆಯ ಸ್ಥಿರ ಹಿಸ್ ಶಬ್ದ, ಉಸಿರಾಟದ ಏರಿಳಿತ ಅಥವಾ ನಿಶ್ಯಬ್ದವನ್ನು ಮಾತಿನಿಂದ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ. ನಂತರ ಉಳಿದ ಧ್ವನಿ ತುಣುಕಿನ ಆವರ್ತನ, ಪಿಚ್ ಮತ್ತು ಶಬ್ದದ ತೀವ್ರತೆಯನ್ನು ಅಳೆದು ಧ್ವನಿ ತರಂಗಗಳ ಆವರ್ತನ ನಕ್ಷೆಯಾಗಿ (ಸ್ಪೆಕ್ಟ್ರೋಗ್ರಾಮ್ ಅಥವಾ Spectrogram) ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ. ಧ್ವನಿ ವಿಶ್ಲೇಷಣಾ ಮಾದರಿಯು (ಅಕೌಸ್ಟಿಕ್ ಮಾಡೆಲ್ ಅಥವಾ Acoustic Model) ಆ ತರಂಗಗಳ ಆಕಾರವನ್ನು ಮಾನವ ಭಾಷೆಯ ಮೂಲ ಧ್ವನಿಘಟಕಗಳೊಂದಿಗೆ (ಫೋನೆಮ್ಸ್ ಅಥವಾ ಧ್ವನಿಮಾ) ಹೋಲಿಸಿ, ಆ ಶಬ್ದವು 'ಕ', 'ಮ' ಅಥವಾ 'ಲ' ಎಂಬ ನಿರ್ದಿಷ್ಟ ಧ್ವನಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಸಂಭವನೀಯತೆಯನ್ನು ಗಣಿತದ ಸೂತ್ರಗಳ ಮೂಲಕ ಲೆಕ್ಕಹಾಕುತ್ತದೆ.

ನ್ಯಾಯಾಲಯದ ಶೀಘ್ರಲಿಪಿಕಾರ ಮತ್ತು ಸಂಕೇತಗಳ ಹೋಲಿಕೆ

ಈ ಸಂಕೀರ್ಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನ್ಯಾಯಾಲಯದಲ್ಲಿ ವಿಚಾರಣೆಯನ್ನು ದಾಖಲಿಸುವ ಒಬ್ಬ ಶೀಘ್ರಲಿಪಿಕಾರನ ಕೆಲಸಕ್ಕೆ ಹೋಲಿಸಬಹುದು. ನ್ಯಾಯಾಧೀಶರು ಮತ್ತು ವಕೀಲರು ಅತ್ಯಂತ ವೇಗವಾಗಿ ವಾದ ಮಂಡಿಸುವಾಗ, ಶೀಘ್ರಲಿಪಿಕಾರನು ಪ್ರತಿಯೊಂದು ಪದದ ಪೂರ್ಣ ಅಕ್ಷರಗಳನ್ನು ಬರೆಯುವ ಬದಲು ಕಿವಿಗೆ ಬೀಳುವ ಶಬ್ದದ ಲಯಕ್ಕೆ ತಕ್ಕಂತೆ ವೇಗದ ಸಂಕ್ಷಿಪ್ತ ಸಂಕೇತಗಳನ್ನು ಕಾಗದದ ಮೇಲೆ ಗುರುತು ಹಾಕಿಕೊಳ್ಳುತ್ತಾನೆ.

ವಾದ ಮುಗಿದ ನಂತರ, ಆತ ಭಾಷೆಯ ವ್ಯಾಕರಣ ನಿಯಮಗಳನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು ಆ ಸಣ್ಣ ಸಂಕೇತಗಳನ್ನು ಅಚ್ಚುಕಟ್ಟಾದ ಅಧಿಕೃತ ವಾಕ್ಯಗಳನ್ನಾಗಿ ಜೋಡಿಸುತ್ತಾನೆ. ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಯಲ್ಲೂ ಇದೇ ತತ್ವ ಅನ್ವಯಿಸುತ್ತದೆ: ಧ್ವನಿ ಸಂಕೇತಗಳು ಅಕ್ಷರಗಳ ರೂಪ ಪಡೆದ ನಂತರ, ಭಾಷಾ ಮಾದರಿಯು (ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ ಅಥವಾ Language Model) ಆ ವಾಕ್ಯದ ಒಟ್ಟಾರೆ ಸಂದರ್ಭವನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ. ಕನ್ನಡದಂತಹ ಸಂಶ್ಲೇಷಿತ ಭಾಷೆಯಲ್ಲಿ ಕ್ರಿಯಾಪದಗಳು ಮತ್ತು ವಿಭಕ್ತಿ ಪ್ರತ್ಯಯಗಳು ವಾಕ್ಯದ ಕೊನೆಯಲ್ಲಿ ಹೇಗೆ ಬರುತ್ತವೆ ಎಂಬುದನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಲೆಕ್ಕಹಾಕಿ, ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಪದಗಳ ಸರಣಿಯನ್ನು ಪರದೆಯ ಮೇಲೆ ಮೂಡಿಸಲಾಗುತ್ತದೆ.

ಕರ್ನಾಟಕದ ಉಪಭಾಷೆಗಳು, ಪರಿಸರದ ಗದ್ದಲ ಮತ್ತು ಲಿಪ್ಯಂತರದ ಸವಾಲುಗಳು

ಮಾತಿನ ತಂತ್ರಜ್ಞಾನವು ಎಷ್ಟೇ ಮುಂದುವರಿದಿದ್ದರೂ, ದೈನಂದಿನ ನೈಜ ಜಗತ್ತಿನ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಹಲವು ಅನಿರೀಕ್ಷಿತ ದೋಷಗಳು ಎದುರಾಗುತ್ತವೆ:

• ಪ್ರಾದೇಶಿಕ ಉಪಭಾಷೆಗಳು ಮತ್ತು ಉಚ್ಚಾರಣಾ ವೈವಿಧ್ಯ: ಮೈಸೂರು, ಧಾರವಾಡ, ಮಂಗಳೂರು ಅಥವಾ ಕಲ್ಯಾಣ ಕರ್ನಾಟಕದ ಆಡುನುಡಿಯ ಲಯ, ಧ್ವನಿಯ ಏರಿಳಿತ ಮತ್ತು ಸ್ಥಳೀಯ ಪದಬಳಕೆಗಳು ಪ್ರಮಾಣಿತ ಪಠ್ಯಗಳಿಂದ ತರಬೇತಿ ಪಡೆದ ಸಾಫ್ಟ್‌ವೇರ್‌ಗೆ ಸವಾಲೊಡ್ಡುತ್ತವೆ.
• ಪರಿಸರದ ಹಿನ್ನೆಲೆ ಗದ್ದಲ ಮತ್ತು ಮೈಕ್ರೋಫೋನ್ ಮಿತಿ: ರಸ್ತೆಯ ವಾಹನಗಳ ಹಾರನ್ ಸದ್ದು, ಫ್ಯಾನ್‌ನ ಗಿರ್‌ಗಿರ್ ಶಬ್ದ ಅಥವಾ ಸಭಾಂಗಣದ ಪ್ರತಿಧ್ವನಿಯು ಮಾತಿನ ಮೂಲ ತರಂಗಗಳನ್ನು ತಿರುಚಿ, ತಪ್ಪು ಅಕ್ಷರಗಳು ದಾಖಲಾಗಲು ಕಾರಣವಾಗುತ್ತವೆ. ಅಲ್ಲದೆ ಒಂದೇ ಕೋಣೆಯಲ್ಲಿ ಹಲವರು ಒಟ್ಟಿಗೆ ಮಾತನಾಡುವಾಗ ಧ್ವನಿಗಳು ಪರಸ್ಪರ ಬೆರೆತು ಲಿಪ್ಯಂತರವು ಗೊಂದಲಕ್ಕೊಳಗಾಗುತ್ತದೆ.
• ಸಮಾನ ಧ್ವನಿಯುಳ್ಳ ಭಿನ್ನ ಅರ್ಥದ ಪದಗಳು (ಹೋಮೋಫೋನ್ಸ್ ಅಥವಾ Homophones): ಕನ್ನಡದಲ್ಲಿ 'ಊಟ' ಮತ್ತು 'ಕೂಟ' ಅಥವಾ 'ಕರೆ' ಮತ್ತು 'ಕಡೆ' ಮುಂತಾದ ಒಂದೇ ರೀತಿಯ ಉಚ್ಚಾರಣೆ ಬರುವ ಪದಗಳನ್ನು ವಾಕ್ಯದ ಹಿಂದಿನ-ಮುಂದಿನ ಸಂದರ್ಭ ಸರಿಯಾಗಿ ಗ್ರಹಿಸದಿದ್ದರೆ ಯಂತ್ರ ತಪ್ಪಾಗಿ ಟೈಪ್ ಮಾಡುತ್ತದೆ.
• ಭಾಷಾ ಮಿಶ್ರಣ (ಕೋಡ್ ಸ್ವಿಚಿಂಗ್ ಅಥವಾ Code-switching): ದೈನಂದಿನ ಸಂಭಾಷಣೆಯಲ್ಲಿ ಕನ್ನಡದ ನಡುವೆ ಇಂಗ್ಲಿಷ್ ಪದಗಳನ್ನು ಬೆರೆಸಿ ಮಾತನಾಡುವಾಗ, ಸಾಫ್ಟ್‌ವೇರ್ ಎರಡೂ ಭಾಷೆಗಳ ವ್ಯಾಕರಣ ನಿಯಮಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ನಿಖರವಾಗಿ ನಿರ್ವಹಿಸಲು ಹೆಣಗಾಡುತ್ತದೆ.

ಲಿಪ್ಯಂತರ ಮಾಡುವುದು ಎಂದರೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದಲ್ಲ

ಧ್ವನಿಯನ್ನು ಅಕ್ಷರಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಕಂಪ್ಯೂಟರ್ ನಿಮ್ಮ ಮಾತಿನ ಆಂತರಿಕ ಅರ್ಥ, ಭಾವನೆ ಅಥವಾ ತಾರ್ಕಿಕತೆಯನ್ನು ಗ್ರಹಿಸುತ್ತದೆ ಎಂದು ಭಾವಿಸಬಾರದು. ಅದು ಕೇವಲ ಧ್ವನಿ ಸಂಕೇತಗಳ ಗಣಿತದ ಲೆಕ್ಕಾಚಾರವಷ್ಟೇ ಆಗಿರುತ್ತದೆ. ಆದ್ದರಿಂದ ನ್ಯಾಯಾಂಗ, ವೈದ್ಯಕೀಯ ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಅಥವಾ ಹಣಕಾಸಿನ ವಹಿವಾಟುಗಳಂತಹ ಸೂಕ್ಷ್ಮ ದಾಖಲೆಗಳಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ಧ್ವನಿ ಲಿಪ್ಯಂತರವನ್ನು ಅಂತಿಮವೆಂದು ನಂಬದೆ, ಮಾನವ ಕಣ್ಣುಗಳಿಂದ ಮರುಪರಿಶೀಲಿಸುವುದು ಕಡ್ಡಾಯವಾಗಿದೆ.

ಜೊತೆಗೆ ಧ್ವನಿ ತಂತ್ರಜ್ಞಾನ ಬಳಸುವಾಗ ಖಾಸಗಿತನದ ಎಚ್ಚರಿಕೆಯೂ ಇರಬೇಕು: ಸಾರ್ವಜನಿಕ ಸ್ಥಳಗಳಲ್ಲಿ ಬ್ಯಾಂಕ್ ಪಾಸ್‌ವರ್ಡ್ ಅಥವಾ ಖಾಸಗಿ ಒಟಿಪಿಗಳನ್ನು ಧ್ವನಿಯ ಮೂಲಕ ಹೇಳುವುದನ್ನು ತಪ್ಪಿಸಬೇಕು. ನಿಮ್ಮ ಮೊಬೈಲ್‌ನಲ್ಲಿ ಧ್ವನಿಯ ಸಂಸ್ಕರಣೆಯು ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕವಿಲ್ಲದೆ ಸಾಧನದಲ್ಲೇ ನೇರವಾಗಿ ನಡೆಯುತ್ತಿದೆಯೇ (ಆನ್-ಡಿವೈಸ್ ಅಥವಾ On-device) ಅಥವಾ ಕಂಪನಿಯ ರಿಮೋಟ್ ಸರ್ವರ್‌ಗಳಿಗೆ (ಕ್ಲೌಡ್ ಅಥವಾ ದೂರದ ಸರ್ವರ್‌ಗಳು) ರವಾನೆಯಾಗುತ್ತಿದೆಯೇ ಎಂಬುದನ್ನು ಸೆಟ್ಟಿಂಗ್ಸ್‌ನಲ್ಲಿ ಗಮನಿಸಿ ಜಾಗರೂಕರಾಗಿರಬೇಕು.