സംസാര തിരിച്ചറിയൽ: നിങ്ങളുടെ ഫോൺ നിങ്ങൾ പറയുന്ന വാക്കുകൾ എഴുത്താക്കി മാറ്റുന്നത് എങ്ങനെ?

കമ്പ്യൂട്ടർ മനുഷ്യരുടെ സംസാരം കേട്ട് മനസ്സിലാക്കുന്നത് എങ്ങനെ?

വൈകുന്നേരത്തെ തിരക്കേറിയ റോഡിലൂടെ വാഹനമോടിക്കുമ്പോഴോ അല്ലെങ്കിൽ ബസ്സിൽ യാത്ര ചെയ്യുമ്പോഴോ കൈകൊണ്ട് ടൈപ്പ് ചെയ്യാൻ ബുദ്ധിമുട്ടാണെങ്കിൽ, മൊബൈലിലെ മൈക്രോഫോൺ ബട്ടൺ അമർത്തി നാം സംസാരിക്കാറുണ്ട്. "ഞാൻ തിരക്കിലാണ്, അരമണിക്കൂറിനകം വീട്ടിലെത്തും" എന്ന് നാം പറഞ്ഞു തീരുന്ന നിമിഷത്തിൽ തന്നെ സ്ക്രീനിൽ ഓരോ വാക്കും കൃത്യമായ അക്ഷരങ്ങളോടെ തെളിഞ്ഞുവരുന്നു. മനുഷ്യന്റെ ചെവികൾക്ക് പരിചിതമായ ശബ്ദങ്ങളെ തിരിച്ചറിയാൻ എളുപ്പമാണെങ്കിലും, ഒരു ഡിജിറ്റൽ മൈക്രോഫോണിന് ലഭിക്കുന്നത് അന്തരീക്ഷ വായുവിലെ മർദ്ദ വ്യതിയാനങ്ങളുടെ ക്രമരഹിതമായ തരംഗങ്ങൾ മാത്രമാണ്.

നാം സംസാരിക്കുമ്പോൾ ഉണ്ടാകുന്ന ശബ്ദതരംഗങ്ങളെ മൈക്രോഫോൺ വൈദ്യുത സിഗ്നലുകളാക്കി മാറ്റുന്നു. കമ്പ്യൂട്ടർ ഇതിനെ ചെറിയ മില്ലിസെക്കൻഡുകളാക്കി വിഭജിക്കുന്നു. തുടർന്ന് മനുഷ്യന്റെ ശബ്ദം മാത്രം വേർതിരിച്ചെടുക്കുന്ന ഫിൽട്ടർ (വോയ്സ് ആക്റ്റിവിറ്റി ഡിറ്റക്ഷൻ അഥവാ VAD) പ്രയോഗിച്ച് ഫാനിന്റെയോ വണ്ടികളുടെയോ ഒച്ച ഒഴിവാക്കുന്നു. ശബ്ദത്തിന്റെ ആവൃത്തി അളന്ന് ഒരു പ്രത്യേക ചിത്രരൂപം (സ്പെക്ട്രോഗ്രാം അഥവാ Spectrogram) നിർമ്മിക്കുകയും, അക്കൗസ്റ്റിക് മോഡൽ (Acoustic Model) വഴി ശബ്ദത്തിന്റെ അടിസ്ഥാന ഘടകങ്ങളുമായി (ഫോണിമുകൾ അഥവാ ശബ്ദയൂണിറ്റുകൾ) തട്ടിച്ചുനോക്കുകയും ചെയ്യുന്നു.

അക്കൗസ്റ്റിക് മോഡലും ഭാഷാ മോഡലും തമ്മിലുള്ള സഹകരണം

ആദ്യ ഘട്ടത്തിൽ അക്കൗസ്റ്റിക് മോഡൽ (Acoustic Model) ശബ്ദത്തിന്റെ ഭൗതിക തരംഗങ്ങളെ പരിശോധിക്കുന്നു. നിങ്ങളുടെ മൈക്രോഫോൺ ഒരു സെക്കൻഡിൽ പതിനായിരക്കണക്കിന് തവണ ശബ്ദത്തിന്റെ വായുമർദ്ദം രേഖപ്പെടുത്തി സ്പെക്ട്രോഗ്രാം എന്നറിയപ്പെടുന്ന ഒരു ഗണിതശാസ്ത്ര ഭൂപടമാക്കി മാറ്റുന്നു. ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഈ മാപ്പിൽ നിന്ന് വാഹനങ്ങളുടെ ഹോൺ ശബ്ദവും കാറ്റിന്റെ ഇരമ്പലും ഫിൽട്ടർ ചെയ്ത് മാറ്റുന്നു. തുടർന്ന് ശേഷിക്കുന്ന മനുഷ്യ ശബ്ദത്തെ ഫോണീമുകൾ അഥവാ അക്ഷര ശബ്ദങ്ങളുടെ ഏറ്റവും ചെറിയ അടിസ്ഥാന ഘടകങ്ങളാക്കി വിഭജിക്കുന്നു.

തുടർന്ന് ലാംഗ്വേജ് മോഡൽ (Language Model) വാചകത്തിന്റെ വ്യാകരണവും സന്ദർഭവും പരിശോധിച്ച് അനുയോജ്യമായ അക്ഷരങ്ങൾ സ്ക്രീനിൽ പ്രദർശിപ്പിക്കുന്നു.

മുൻപ് ഇത്തരം ശബ്ദങ്ങൾ ഇന്റർനെറ്റ് വഴി വലിയ കമ്പനികളുടെ റിമോട്ട് സെർവറുകളിലേക്ക് അയച്ചാണ് കമ്പ്യൂട്ടറുകൾ അക്ഷരങ്ങളാക്കി മാറ്റിയിരുന്നത്. ഇത് ചെറിയ സമയതാമസത്തിന് കാരണമാകുകയും വ്യക്തിഗത സംഭാഷണങ്ങളുടെ സ്വകാര്യതയെക്കുറിച്ച് ആശങ്കകൾ ഉണ്ടാക്കുകയും ചെയ്തിരുന്നു. എന്നാൽ ഇന്ന് ആധുനിക മൊബൈൽ ഫോണുകളിലെ ചിപ്പുകളിൽ (On-device processing) ഇന്റർനെറ്റിന്റെ ആവശ്യമില്ലാതെ തന്നെ ഉപകരണത്തിനുള്ളിൽ വെച്ചുതന്നെ അതിവേഗത്തിലും പൂർണ്ണ സ്വകാര്യതയോടെയും ശബ്ദത്തെ അക്ഷരങ്ങളാക്കി മാറ്റാൻ സാധിക്കുന്നു.

നിത്യജീവിതത്തിൽ സംസാര തിരിച്ചറിയൽ എവിടെയൊക്കെ കാണാം?

കൈകൊണ്ട് ടൈപ്പ് ചെയ്യുന്നതിന്റെ ആയാസമൊഴിവാക്കി ദൈനംദിന കാര്യങ്ങൾ എളുപ്പമാക്കുന്ന ഈ സാങ്കേതികവിദ്യ പല മേഖലകളിലും ഉപയോഗപ്രദമാണ്:

• മൊബൈൽ വോയ്സ് ടൈപ്പിംഗ്: വിരലുകൾ കൊണ്ട് ചെറിയ അക്ഷരങ്ങൾ അമർത്താൻ പ്രയാസപ്പെടുന്ന പ്രായമായവരും കാഴ്ച പരിമിതിയുള്ളവരും സംസാരിച്ചുകൊണ്ട് തന്നെ സന്ദേശങ്ങൾ അയക്കുന്നത്.
• വെർച്വൽ സഹായികൾ: "ഇന്ന് മഴ പെയ്യുമോ?" എന്നോ "രാവിലെ ആറു മണിക്ക് അലാറം വെക്കൂ" എന്നോ ഉറക്കെ പറഞ്ഞ് ഫോണിൽ ആവശ്യങ്ങൾ നിറവേറ്റുന്നത്.
• ഒരേ ഉച്ചാരണവും വ്യത്യസ്ത അർത്ഥവുമുള്ള വാക്കുകൾ (ഹോമോഫോണുകൾ അഥവാ Homophones): സന്ദർഭം ശരിയായി ഗ്രഹിക്കാൻ കഴിഞ്ഞില്ലെങ്കിൽ ഒരേപോലെ കേൾക്കുന്ന വാക്കുകൾ കമ്പ്യൂട്ടർ തെറ്റായി ടൈപ്പ് ചെയ്തേക്കാം.
• വീഡിയോ സബ്‌ടൈറ്റിലുകൾ: ഇന്റർനെറ്റിലെ വീഡിയോകളിലെ സംഭാഷണങ്ങൾ തത്സമയം തിരിച്ചറിഞ്ഞ് താഴെ ലിഖിതരൂപത്തിൽ കാണിക്കുന്നത്.

പൊതുസ്ഥലങ്ങളിൽ സംസാരിച്ച് ടൈപ്പ് ചെയ്യുമ്പോൾ സ്വകാര്യത കാത്തുസൂക്ഷിക്കുക: ബാങ്ക് പാസ്‌വേഡുകളോ ഒടിപികളോ ഉച്ചത്തിൽ പറഞ്ഞ് ടൈപ്പ് ചെയ്യാതിരിക്കുക. സന്ദേശങ്ങൾ അയക്കുന്നതിന് മുൻപ് ഒരുതവണ വായിച്ചുനോക്കുന്നത് അബദ്ധങ്ങൾ ഒഴിവാക്കാൻ സഹായിക്കും.

സംസാര തിരിച്ചറിയൽ സാങ്കേതികവിദ്യ വിപ്ലവകരമായ മുന്നേറ്റം കൈവരിച്ചിട്ടുണ്ടെങ്കിലും, അതിന് ചില പരിമിതികളുണ്ട്:

• പശ്ചാത്തല ശബ്ദങ്ങളും പ്രാദേശിക ഭാഷാഭേദങ്ങളും: കനത്ത മഴയോ വലിയ വാഹന ബഹളങ്ങളോ ഉള്ളപ്പോൾ തെറ്റായ വാക്കുകൾ രേഖപ്പെടുത്താൻ സാധ്യതയുണ്ട്.
• രഹസ്യ വിവരങ്ങൾ ഉറക്കെ പറയരുത്: പൊതുസ്ഥലങ്ങളിൽ നിൽക്കുമ്പോൾ ബാങ്കിംഗ് ഒടിപിയോ പാസ്‌വേഡുകളോ വോയ്സ് ടൈപ്പിംഗ് വഴി നൽകുന്നത് മറ്റുള്ളവർ കേൾക്കാൻ ഇടയാക്കും.
• ആവശ്യമില്ലാത്ത മൈക്രോഫോൺ അനുമതികൾ ഒഴിവാക്കുക: കാൽക്കുലേറ്റർ പോലുള്ള സാധാരണ ആപ്പുകൾ മൈക്രോഫോൺ അനുമതി ചോദിച്ചാൽ അത് നിഷേധിക്കാൻ ശ്രദ്ധിക്കുക.
• റെക്കോർഡിംഗ് ഹിസ്റ്ററി മായ്ക്കുക: ഗൂഗിൾ അക്കൗണ്ട് സെറ്റിംഗ്സിൽ കയറി പഴയ വോയ്സ് റെക്കോർഡിംഗുകൾ കൃത്യമായ ഇടവേളകളിൽ ഡിലീറ്റ് ചെയ്യുന്നത് സ്വകാര്യത ഉറപ്പാക്കും.

ഭാവി ആശയവിനിമയത്തിന്റെ ലളിതമായ വഴി

വോയ്സ് ടൈപ്പിംഗ് ഉപയോഗിച്ച് പ്രധാനപ്പെട്ട ഇമെയിലുകളോ ഔദ്യോഗിക സന്ദേശങ്ങളോ അയക്കുന്നതിന് മുൻപ്, വാക്യത്തിലെ അക്ഷരത്തെറ്റുകളും ചിഹ്നങ്ങളും സ്വയം പരിശോധിച്ച് ഉറപ്പുവരുത്തുക. കമ്പ്യൂട്ടർ വ്യാകരണ നിയമങ്ങൾ ഉപയോഗിച്ച് പദങ്ങൾ ചേർക്കുമ്പോഴും ചിലപ്പോൾ ഉദ്ദേശിച്ച അർത്ഥം പൂർണ്ണമായി പ്രതിഫലിക്കണമെന്നില്ല. സംസാരം എന്നത് മനുഷ്യന്റെ ഏറ്റവും സ്വാഭാവികമായ വിനിമയ ഉപാധിയാണ്; അതിനെ സാങ്കേതികവിദ്യയുമായി കൂട്ടിയിണക്കുമ്പോൾ വ്യക്തിഗത ജാഗ്രത പാലിക്കുന്നത് ആശയവിനിമയം കൂടുതൽ സുരക്ഷിതവും മനോഹരവുമാക്കും.