आता चित्रपटातील पात्रांची ‘भाषा’ परस्पर बदलणार एआय!

डबिंग ही एक गुंतागुंतीची प्रक्रिया आहे, ज्यामध्ये अनेक टप्पे असतात : अनुवाद, लिप-सिंक (ओठांच्या हालचाली जुळवणे), आवाज देणाऱ्या कलाकारांची निवड, रेकॉर्डिंग.. आणि अंतिमत: मिक्सिंग.

दीपक शिकारपूर -

कृत्रिम बुद्धिमत्ता हे आतापर्यंतचे सर्वांत वेगाने विकसित होणारे तंत्रज्ञान आहे. आतापर्यंत शास्त्रीय व तांत्रिक बाबींमध्ये या तंत्राचा वापर झाला होता, कलाक्षेत्र यापासून दूर कसे राहील?  एका भाषेत बनवलेला चित्रपट जगभरातील वेगवेगळ्या भाषा बोलणाऱ्या प्रेक्षकांपर्यंत पोहोचविताना डबिंगचा उपयोग केला जातो.  उपशीर्षके (सबटायटलस)  वाचण्याऐवजी डब केलेला चित्रपट पाहणे अधिक सोयीचे वाटते. एकाच चित्रपटाच्या वेगवेगळ्या भाषांतील आवृत्त्या तयार केल्याने तो विविध प्रादेशिक बाजारपेठेत यशस्वी होऊ शकतो. वेगवेगळ्या भाषांमध्ये चित्रपट पुन्हा शूट करण्यापेक्षा डबिंग करणे अधिक सोपे आणि कमी खर्चाचे ठरते. यामुळे निर्मात्यांना कमी गुंतवणुकीत जास्तीत जास्त लोकांपर्यंत पोहोचता येते. आपण हे दाक्षिणात्य चित्रपटांबद्दल पाहिले आहे. 

डबिंग ही एक गुंतागुंतीची प्रक्रिया आहे, ज्यामध्ये अनेक टप्पे असतात : अनुवाद, लिप-सिंक (ओठांच्या हालचाली  जुळवणे), आवाज देणाऱ्या कलाकारांची निवड, रेकॉर्डिंग.. आणि अंतिमत: मिक्सिंग.  

डबिंगमध्ये एआयचा वापर मोठ्या प्रमाणात वाढत आहे आणि या प्रक्रियेत अनेक महत्त्वपूर्ण बदल घडवत आहे. एआय-आधारित सॉफ्टवेअर मूळ संवादांचे जलद आणि अचूक भाषांतर करू शकते. एआय आता मानवासारखे नैसर्गिक आवाज तयार करू शकते. ‘टेक्स्ट-टू-स्पीच’ तंत्रज्ञानाचा वापर करून, भाषांतरित मजकूर स्वयंचलितपणे आवाजात रूपांतरित केला जातो. एआय अल्गोरिदम व्हिडीओतील पात्रांच्या ओठांच्या हालचालींचे विश्लेषण करून, तयार केलेला आवाज त्यांच्याशी जुळवण्याचा प्रयत्न करतात. एआय तंत्रज्ञान मूळ कलाकाराच्या आवाजाची नक्कल करू शकते. यामुळे डब केलेल्या संवादातही मूळ कलाकाराचाच आवाज असल्याचा अनुभव येतो. मूळ कलाकार डबिंगसाठी उपलब्ध नसतात तेव्हा याचा मोठा उपयोग होतो.

काही प्रगत प्रणाली तर व्हिज्युअल माहितीचा वापर करून अधिक नैसर्गिक लिप-सिंक तयार करू शकतात, ज्यामुळे डब केलेला भाग पडद्यावर मूळ भागासारखाच दिसतो. स्वीडिश  चित्रपट ‘वॉच द स्काइज’मध्ये ‘व्हिज्युअल डबिंग’  तंत्राचा वापर करून एकही दृश्य पुन्हा शूट न करता कलाकारांच्या ओठांच्या हालचालींमध्ये बदल करत आहे. हे लॉस एंजेलिसमधील चित्रपट निर्माती एआय फर्म फ्लॉलेस आणि त्यांच्या ट्रूसिंक तंत्रज्ञानामुळे शक्य झाले आहे. ट्रूसिंक तंत्रज्ञान अभिनेत्यांच्या चेहऱ्याचे व्हॉल्यूमेट्रिक 3D प्रतिनिधित्व तयार करण्यासाठी डीप लर्निंगचा वापर करते. नंतर पोस्ट-प्रॉडक्शनमध्ये फुटेजमध्ये त्यांच्या तोंडाच्या हालचाली अनुकूल करते.
डबिंगच्या क्षेत्रात एआय एक शक्तिशाली साधन म्हणून उदयास आले आहे, ज्यामुळे भाषांतर, आवाज संश्लेषण आणि लिप-सिंक यांसारख्या प्रक्रियांमध्ये सुधारणा झाली आहे. यामुळे चित्रपट निर्मात्यांना जागतिक स्तरावर मोठ्या प्रेक्षकांपर्यंत पोहोचणे अधिक सोपे आणि प्रभावी झाले आहे.  
    deepak@deepakshikarpur.com