Lokmat AI ची अद्भूत दुनिया: टेक्स्ट-टू-स्पीच कृत्रिम बुद्धिमत्ता : मशीन बोलायला कसे शिकते?

Lokmat AI ची अद्भूत दुनिया: हे नेमकं कसं घडतं ते टप्प्याटप्प्याने समजून घेऊया.

Lokmat AI ची अद्भूत दुनिया: आज मोबाइलमध्ये गुगल असिस्टंटला काहीही विचारलं की लगेच उत्तर देतो, यू-ट्यूबवर काही व्हिडीओंमध्ये माणूस नसतानाही स्पष्ट आवाज ऐकू येतो, रेल्वे स्टेशनवरील घोषणा आपोआप होत असतात. यामागे काम करत असते टेक्स्ट टू स्पीच एआय तंत्रज्ञान. साध्या भाषेत सांगायचे तर लिहिलेला मजकूर संगणकाने मानवी आवाजात वाचणे म्हणजे टेक्स्ट-टू-स्पीच. पूर्वी संगणकाचा आवाज कडक आणि रोबोटसारखा वाटायचा. कारण त्या वेळी मशीन वेगवेगळे शब्द रेकॉर्ड करून जोडत असे. पण आजचे एआय आवाज तयार करते. त्यामुळे तो माणसाने आवाज काढल्यासारखा वाटतो. हे नेमकं कसं घडतं ते टप्प्याटप्प्याने समजून घेऊया.

मजकूर समजून घेणे

मशीन सर्वप्रथम मजकूर वाचत नाही, तर समजून घेते. उदा. राम पुण्याला गेला. एआय ओळखतो - ही मराठी भाषा आहे 'पुणे' चा उच्चार 'पु-णे' आहे. वाक्य संपल्यावर थोडा विराम घ्यायचा या प्रक्रियेला नॅचरल लँग्वेज प्रोसेसिंग (एनएलपी) म्हणतात.

खरा आवाज तयार करणे

शेवटच्या टप्प्यात संगणक ध्वनींचे रूपांतर प्रत्यक्ष ऑडिओ वेव्हमध्ये करतो. यासाठी विशेष Vocoder AI models वापरले जातात. इथेच मजकूर खऱ्या आवाजात बदलतो आणि आपण ऐकतो.

शब्दांचे ध्वनीत रूपांतर

आपण अक्षरे बोलत नाही आपण ध्वनी बोलतो. म्हणून एआय शब्दांना ध्वनींच्या तुकड्यांमध्ये बदलतो.
भारत bha-ra-t
ज्ञान → gya-n
शाळा shaa-laa
याला ग्रॅफमे टू फोनेमे कन्व्हर्जन म्हणतात.
उपयोग कुठे होतो?
GPS navigation.
कॉल सेंटर बॉट.
ऑडिओबुक.
न्यूज AI अँकर.
दृष्टिहीन विद्यार्थ्यांसाठी वाचन
You Tube व Reels voiceover
आज अनेक विद्यार्थी स्वतःचे व्हिडिओ बनवताना स्वतः बोलत नाहीत तर AI त्यांच्यासाठी बोलते !

आवाजाला भावना देणे

आता एआय ठरवतो-हा आवाज कसा असावा?
शिक्षकासारखा शांत?
बातमीदारासारखा स्पष्ट?
मित्रासारखा आनंदी?
डीप लर्निंग प्रारूप (मॉडेल) लाखो तासांचे मानवी आवाज ऐकून शिकलेले असते. त्यामुळे ते शब्दांसोबत भावनादेखील तयार करते. म्हणूनच आज एआयचा आवाज आपल्याला नैसर्गिक वाटतो. ध्वनी बोलतो. म्हणून एआय शब्दांना ध्वनींच्या तुकड्यांमध्ये बदलतो.
भारत bha-ra-t
ज्ञान → gya-n
शाळा shaa-laa
याला ग्रॅफमे टू फोनेमे कन्व्हर्जन म्हणतात.

संपूर्ण प्रक्रिया

Text→ अर्थ ध्वनी भावना आवाज.

भविष्य काय सांगते?

आगामी काळात प्रत्येक विद्यार्थ्यांचा स्वतःचा डिजिटल आवाज तयार होईल. आपण लिहू आणि संगणक आपल्या आवाजात बोलेल. शिक्षण, मीडिया, परीक्षा तयारी, भाषा शिक्षण या सर्व क्षेत्रांत याचा मोठा वापर होणार आहे.

Teaching Machines to Speak-

Al does not record words- it understands language and generates a human-like voice from scratch. That is why modern voice assistants sound natural and expressive. Technology becomes powerful when it understands humans. Future computers will not just calculate, they will communicate.

- इंजि. अविनाश जाधव, एआय आणि टेक एज्युकेटर