ശബ്ദ ക്ലോണിങ്: പരിചിത സ്വരത്തിൽ പുതിയ വാക്കുകൾ കമ്പ്യൂട്ടർ സംസാരിക്കുന്നത് എങ്ങനെ?

മറുതലയ്ക്കൽ നിങ്ങളുടെ അച്ഛന്റെയോ മകന്റെയോ ശബ്ദത്തിൽ 'എനിക്കൊരു വലിയ അപകടം പറ്റി, ഞാൻ ആശുപത്രിയിലാണ്, ഉടൻ കുറച്ചു പണം ഇങ്ങോട്ട് അയക്കണം' എന്ന് പറഞ്ഞ് പരിഭ്രാന്തമായ ഒരു ഫോൺ കോൾ വന്നാൽ ആരും ഒരു നിമിഷം പകച്ചുപോകും. ഇത്തരം കോളുകൾ കേൾക്കുന്ന ആരെയും മാനസികമായി തളർത്തുകയും പെട്ടെന്ന് പണം അയക്കാൻ പ്രേരിപ്പിക്കുകയും ചെയ്യും. അടിയന്തിരമായി പണം ട്രാൻസ്ഫർ ചെയ്യാൻ നിർബന്ധിക്കുന്ന വ്യാജ കോളുകൾ ഇന്ന് പലയിടത്തും വർദ്ധിച്ചുവരികയാണ്. എന്നാൽ കേൾക്കുന്ന ശബ്ദം ആ വ്യക്തിയുടേതാകണമെന്നില്ല; കാരണം ഒരു വ്യക്തിയുടെ ശബ്ദം പോലെ പുതിയ സംസാരം കൃത്രിമമായി ഉണ്ടാക്കുന്ന വിദ്യയാണ് ശബ്ദ ക്ലോണിങ് (വോയ്‌സ് ക്ലോണിങ് അഥവാ Voice Cloning). ഒരു വ്യക്തിയുടെ യഥാർത്ഥ ശബ്ദവുമായി അവിശ്വസനീയമായ സാമ്യമുള്ള ഇത്തരം ശബ്ദങ്ങൾ കമ്പ്യൂട്ടർ പ്രോഗ്രാമുകൾ എങ്ങനെയാണ് നിർമ്മിച്ചെടുക്കുന്നത്?

പഴയ റെക്കോർഡിംഗും പുതിയ സംസാരവും തമ്മിലുള്ള വ്യത്യാസം

സാധാരണ ശബ്ദം രേഖപ്പെടുത്തുന്ന ഒരു ഉപകരണം (വോയ്‌സ് റെക്കോർഡർ അഥവാ Voice Recorder) മുൻപ് സംസാരിച്ച അതേ വാക്കുകൾ വീണ്ടും കേൾപ്പിക്കുക മാത്രമാണ് ചെയ്യുന്നത്. പഴയ ടേപ്പ് റെക്കോർഡറുകൾ പ്രവർത്തിച്ചിരുന്ന രീതി ഇതാണ്. എന്നാൽ ഇന്നത്തെ കൃത്രിമബുദ്ധി സംവിധാനങ്ങൾ ചെയ്യുന്നത് ഇതല്ല. മെറ്റയുടെ വോയ്‌സ്‌ബോക്സ് (Voicebox) പോലുള്ള ആധുനിക ഗവേഷണങ്ങൾ വ്യക്തമാക്കുന്നത് പോലെ, ഒരു ചെറിയ ശബ്ദ സാമ്പിളും പുതിയ എഴുത്തും ഒരുമിച്ച് ചേർത്താണ് ഈ സാങ്കേതികവിദ്യ പ്രവർത്തിക്കുന്നത്. ഇന്റർനെറ്റിലെ ആയിരക്കണക്കിന് മണിക്കൂർ സംഭാഷണങ്ങൾ വിശകലനം ചെയ്താണ് സിസ്റ്റം അക്ഷരങ്ങളും ശബ്ദ തരംഗങ്ങളും തമ്മിലുള്ള പൊതുവായ ബന്ധം ആദ്യം പഠിച്ചെടുക്കുന്നത്.

തുടർന്ന്, സോഷ്യൽ മീഡിയയിലെ റീലുകളിൽ നിന്നോ യൂട്യൂബ് വീഡിയോകളിൽ നിന്നോ ഉത്സവ ആശംസകൾ അയക്കുന്ന വോയ്‌സ് നോട്ടുകളിൽ നിന്നോ ലഭിക്കുന്ന ഏതാനും നിമിഷത്തെ ശബ്ദരേഖ ഉപയോഗിച്ച് ഒരു വ്യക്തിയുടെ സ്വരത്തിന്റെ പ്രത്യേകതകൾ സോഫ്റ്റ്‌വെയർ വേർതിരിച്ചെടുക്കുന്നു. ശബ്ദത്തിന്റെ പിച്ച്, നാട്ടുഭാഷയുടെ ഈണം, സംസാരിക്കുന്ന വേഗത എന്നിവ ഇതിലൂടെ മനസ്സിലാക്കുന്നു. ഇവിടെ പഴയ ഓഡിയോ ഭാഗങ്ങൾ മുറിച്ചൊട്ടിക്കുകയല്ല ചെയ്യുന്നത്; മറിച്ച് മനുഷ്യ മസ്തിഷ്ക മാതൃകയിലുള്ള കമ്പ്യൂട്ടർ ശൃംഖലകൾ (ഡീപ് ലേണിംഗ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ അഥവാ Neural Networks) ഉപയോഗിച്ച് കമ്പ്യൂട്ടർ പുതിയ ശബ്ദ തരംഗങ്ങൾ നിർമ്മിക്കുകയാണ് ചെയ്യുന്നത്. ലഭിച്ച സാമ്പിൾ ഓഡിയോയുടെ ദൈർഘ്യവും ശബ്ദത്തിന്റെ വ്യക്തതയും അനുസരിച്ച് കൃത്രിമ സംഭാഷണത്തിന്റെ സ്വാഭാവികതയിൽ വലിയ വ്യത്യാസങ്ങൾ വരാം. അതിനുശേഷം നിങ്ങൾ ടൈപ്പ് ചെയ്തു നൽകുന്ന പുതിയ വാക്യങ്ങൾ ആ വ്യക്തിയുടെ അതേ സ്വരത്തിൽ കമ്പ്യൂട്ടർ സംസാരിക്കുന്നു. വാക്കുകളുടെ ഗൗരവമോ അർത്ഥമോ മനസ്സിലാക്കാതെയാണ് യന്ത്രങ്ങൾ ഈ ഉച്ചാരണം നിർവ്വഹിക്കുന്നത്.

ഫോൺ കോളുകളിലെ സിഗ്നൽ കംപ്രഷനും തട്ടിപ്പുകാരുടെ തന്ത്രങ്ങളും

ശബ്ദം നഷ്ടപ്പെട്ട രോഗികൾക്ക് സ്വന്തം സ്വരത്തിൽ വീണ്ടും സംസാരിക്കാൻ സഹായിക്കുകയോ അല്ലെങ്കിൽ സിനിമകളിലെ ഡബ്ബിംഗ് എളുപ്പമാക്കുകയോ ചെയ്യുന്ന നല്ല ഉപയോഗങ്ങൾ ഈ സാങ്കേതികവിദ്യയ്ക്കുണ്ട്. എന്നാൽ യുഎസ് ഫെഡറൽ ട്രേഡ് കമ്മീഷൻ (FTC) ചൂണ്ടിക്കാണിക്കുന്നത് പോലെ, തട്ടിപ്പുകാർ കുടുംബാംഗങ്ങളുടെ വ്യാജ അടിയന്തരാവസ്ഥകൾ സൃഷ്ടിക്കാനാണ് ഇത് പലപ്പോഴും ദുരുപയോഗം ചെയ്യുന്നത്. അപകടത്തിൽ പെട്ടുവെന്നോ അല്ലെങ്കിൽ പോലീസ് കസ്റ്റഡിയിലാണെന്നോ പറഞ്ഞ് ആളുകളെ കടുത്ത ഭയത്തിലാഴ്ത്തി പണം തട്ടാൻ ഇത് വ്യാപകമായി ഉപയോഗിക്കുന്നു. വീഡിയോ കോളുകളിൽ കൃത്രിമത്വം പെട്ടെന്ന് തിരിച്ചറിയാൻ സാധ്യതയുള്ളതിനാൽ തട്ടിപ്പുകാർ സാധാരണ ഫോൺ കോളുകളാണ് ഇതിനായി തിരഞ്ഞെടുക്കുന്നത്.

പ്രത്യേകിച്ച് സാധാരണ മൊബൈൽ ഫോൺ കോളുകളിലെ സാങ്കേതിക പരിമിതികൾ തട്ടിപ്പുകാർക്ക് കൂടുതൽ സഹായകരമാകുന്നുണ്ട്. ഫോൺ കോളുകളിൽ ശബ്ദ തരംഗങ്ങൾ ചുരുക്കപ്പെടുന്നത് (ഓഡിയോ സിഗ്നൽ കംപ്രഷൻ അഥവാ Audio Signal Compression) കാരണവും ലൈനിലെ പരിമിതമായ ശബ്ദ പരിധി (ഫ്രീക്വൻസി ബാൻഡ്‌വിഡ്ത്ത് അഥവാ Frequency Bandwidth) കാരണവും ലൈനിലെ സ്വാഭാവിക പശ്ചാത്തല ശബ്ദങ്ങൾ കാരണവും കൃത്രിമ ശബ്ദത്തിലെ റോബോട്ടിക് അപാകതകളും ചെറിയ വിറയലുകളും ആരും ശ്രദ്ധിക്കാതെ പോകുന്നു. കൂടാതെ, ഫോണിൽ റേഞ്ച് കുറവാണെന്നോ ചാർജ് തീരാറായെന്നോ പറഞ്ഞ് കോൾ പെട്ടെന്ന് അവസാനിപ്പിക്കാൻ തട്ടിപ്പുകാർ ശ്രമിക്കാറുണ്ട്. കൂടുതൽ ചോദ്യങ്ങൾ ചോദിക്കാൻ ഇരകൾക്ക് അവസരം നൽകാതിരിക്കാനും ഓൺലൈൻ പണമിടപാട് വഴികളായ യുപിഐ (UPI) വഴി നിമിഷങ്ങൾക്കകം പണം തട്ടിയെടുക്കാനുമാണ് ഇത്തരത്തിൽ ചെയ്യുന്നത്. മൊബൈൽ സ്ക്രീനിൽ കാണിക്കുന്ന കോളർ ഐഡി നമ്പറുകൾ വ്യാജമായി മാറ്റിമറിക്കാൻ (കോളർ ഐഡി സ്പൂഫിംഗ് അഥവാ Caller ID Spoofing) സാങ്കേതികവിദ്യയുള്ളതിനാൽ പരിചിതമായ നമ്പറിൽ നിന്നാണ് കോൾ വരുന്നതെന്ന് തോന്നിപ്പിക്കാനും തട്ടിപ്പുകാർക്ക് കഴിഞ്ഞേക്കാം.

ശബ്ദസാമ്യം ഒരു അന്തിമ തിരിച്ചറിയൽ രേഖയല്ല

ഡിജിറ്റൽ സാങ്കേതികവിദ്യകൾ വളരെ മുന്നേറിയ ഈ കാലഘട്ടത്തിൽ കേൾക്കുന്ന ശബ്ദത്തിന്റെ സാമ്യം മാത്രം ഒരു വ്യക്തിയുടെ അന്തിമ തിരിച്ചറിയൽ രേഖയോ സംഭവത്തിന്റെ തെളിവോ ആയി കണക്കാക്കാൻ സാധിക്കില്ല. സ്വാഭാവിക സംഭാഷണങ്ങളിൽ മനുഷ്യർ നൽകുന്ന പെട്ടെന്നുള്ള പ്രതികരണങ്ങളോ പഴയ സ്വകാര്യ ഓർമ്മകളെക്കുറിച്ചുള്ള കൃത്യമായ മറുപടികളോ നൽകാൻ കമ്പ്യൂട്ടറുകൾക്ക് എളുപ്പത്തിൽ കഴിയില്ല. എന്തെങ്കിലും സംശയം തോന്നിയാൽ ആ വ്യക്തിയുമായി മാത്രം പങ്കിട്ടിട്ടുള്ള ഒരു പഴയ സംഭവത്തെക്കുറിച്ച് ചോദിക്കുന്നത് അവരുടെ യഥാർത്ഥ വ്യക്തിത്വം തിരിച്ചറിയാൻ എളുപ്പമാക്കും.

പെട്ടെന്ന് പണം ആവശ്യപ്പെട്ടുള്ള അപ്രതീക്ഷിത കോളുകൾ വരുമ്പോൾ ശാന്തമായി ചിന്തിക്കുകയാണ് ഏറ്റവും പ്രധാനം. സാമ്പത്തിക തീരുമാനങ്ങൾ എടുക്കുന്നതിന് മുൻപ് കുടുംബാംഗങ്ങളുമായി സമാധാനപരമായ സന്ദർഭങ്ങളിൽ സംസാരിച്ച് സുരക്ഷിതമായ ചില ശീലങ്ങൾ രൂപപ്പെടുത്തുക. കുടുംബത്തിനുള്ളിൽ മാത്രം അറിയാവുന്ന രഹസ്യ വിവരങ്ങൾ നിശ്ചയിക്കുന്നത് ഇത്തരം അടിയന്തര സാഹചര്യങ്ങളിൽ സംശയം ദൂരീകരിക്കാൻ സഹായിക്കും. സാങ്കേതികവിദ്യ എത്രത്തോളം ശബ്ദം അനുകരിച്ചാലും, സ്വതന്ത്രമായ പരിശോധനകളും മനുഷ്യരുടെ ബോധപൂർവ്വമായ ജാഗ്രതയുമാണ് തട്ടിപ്പുകളെ തടയാൻ ഏറ്റവും കരുത്തുറ്റ വഴി. വികാരങ്ങൾക്ക് അടിമപ്പെടാതെ യാഥാർത്ഥ്യം മനസ്സിലാക്കി പ്രതികരിക്കുമ്പോൾ ഡിജിറ്റൽ ലോകത്തെ വഞ്ചനകളിൽ നിന്ന് നമുക്കും നമ്മുടെ പ്രിയപ്പെട്ടവർക്കും സുരക്ഷിതമായി തുടരാൻ സാധിക്കും.