Integrating Human Linguistic Insights into AI: Theory-Driven Representation for Multilingual Text-to-Speech
यह शोध पत्र यह प्रदर्शित करता है कि एक सिद्धांत-आधारित ध्वन्यात्मक प्रतिनिधित्व, फीचरली अंडरस्पेसिफाइड लेक्सिकन (FUL) को एक संशोधित फास्टस्पीच आर्किटेक्चर में एकीकृत करने से सीमित प्रशिक्षण डेटा के साथ भी मूल, गैर-मूल और कोड-मिक्स्ड भाषण के लिए स्केलेबल, व्याख्या योग्य और उच्च-गुणवत्ता वाला बहुभाषी टेक्स्ट-टू-स्पीच संश्लेषण सक्षम होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को पृथ्वी की हर भाषा बोलना सिखाने की कोशिश कर रहे हैं। अभी, इसे करने का सबसे लोकप्रिय तरीका ऐसा है जैसे किसी विशाल, भूखे राक्षस को लाखों घंटों की मानवीय बातचीत खिलाना। वह रोबोट उस सारे डेटा को खाता है, ध्वनियों को याद करता है, और अंततः बोलना सीख जाता है। यह अंग्रेजी या मंदारिन जैसी बड़ी संख्या में बोलने वालों वाली भाषाओं के लिए अद्भुत रूप से काम करता है, लेकिन छोटी भाषाओं के लिए यह एक बहुत बड़ी समस्या है। उन छोटी भाषाओं के लिए रोबोट को खिलाने के लिए पर्याप्त घंटों की रिकॉर्डिंग उपलब्ध नहीं है, और हर एक भाषा के लिए अलग "राक्षस" बनाना महंगा और बर्बादी भरा है।
लेकिन इंसान अलग होते हैं। हमें एक नई ध्वनि सीखने के लिए लाखों घंटों की आवश्यकता नहीं होती; हमें बस बुनियादी निर्माण खंडों (building blocks) को समझने की आवश्यकता होती है। भाषाविदों ने दशकों तक इन खंडों का अध्ययन किया है, जिन्हें "ध्वन्यात्मक विशेषताएं" (phonological features) कहा जाता है। इन्हें विशिष्ट अक्षरों या ध्वनियों के रूप में नहीं, बल्कि उन सूक्ष्म स्विचों के रूप में सोचें जो एक ध्वनि को वह बनाते हैं जो वह है। क्या ध्वनि होंठों से बनाई गई है? (यह एक "लैबियल" स्विच है)। क्या हवा स्वतंत्र रूप से बह रही है, या बाधित है? (यह एक "व्यंजन" स्विच है)। क्या वॉयस बॉक्स कंपन कर रहा है? (यह एक "वॉयस" स्विच है)। "कैट" (cat) शब्द को एक विशाल, अटूट टुकड़े के रूप में याद करने के बजाय, एक इंसान इसे इन स्विचों में तोड़ देता है: होंठ, हवा-अवरोध, कंपन, जीभ की ऊंचाई, इत्यादि। यह शोध पत्र एक सरल, साहसी प्रश्न पूछता है: क्या होगा यदि हम रोबट को पूरे शब्दों या ध्वनियों के बजाय इन सूक्ष्म स्विचों का उपयोग करके बोलना सिखाएं? क्या एक रोबोट उन नियमों को समझकर एक ऐसी भाषा बोल सकता है जिसे उसने पहले कभी नहीं सुना है?
इस अध्ययन के पीछे के शोधकर्ताओं ने इस विचार का परीक्षण करने का निर्णय लिया कि उन्हें "फीचरली अनडर्सपेसिफाइड लेक्सिकन" (FUL) नामक स्विचों के एक विशिष्ट सेट का उपयोग करना चाहिए। वे देखना चाहते थे कि क्या वे एक ऐसा स्पीच रोबोट बना सकते हैं जो अंग्रेजी, मंदारिन बोल सके, और यहाँ तक कि उन्हें आपस में मिला भी सके, और वह भी बहुत कम डेटा का उपयोग करके। उन्होंने दुनिया का सबसे बड़ा, सबसे पूर्ण रोबोट बनाने की कोशिश नहीं की; इसके बजाय, उन्होंने एक "प्रूफ-ऑफ-कॉन्सेप्ट" बनाया यह देखने के लिए कि क्या यह "स्विच-आधारित" दृष्टिकोण वास्तव में काम कर सकता है।
उन्होंने क्या किया और उन्हें क्या मिला, यहाँ बताया गया है। उन्होंने एक मानक स्पीच रोबोट (जो फास्टस्पीच नामक आर्किटेक्चर पर आधारित है) लिया और उसके सामान्य इनपुट—जो "p," "b," या "t" जैसे विशिष्ट ध्वनियों की एक सूची है—को इन FUL स्विचों की एक सूची से बदल दिया। उन्होंने रोबोट को इन 20 सार्वभौमिक स्विचों में मानक ध्वनि प्रतीकों को अनुवादित करना सिखाया। फिर, उन्होंने दो प्रयोग चलाए।
पहले प्रयोग में, उन्होंने रोबोट को बहुत कम डेटा दिया: केवल 2.62 घंटे की अंग्रेजी और 0.5 से 8 घंटे के बीच की मंदारिन। उन्होंने रोबोट को दोनों भाषाओं में बोलने के लिए कहा, भले ही अंग्रेजी बोलने वाले ने कभी मंदारिन नहीं सुनी थी और मंदारिन बोलने वाले ने कभी अंग्रेजी नहीं सुनी थी। परिणाम मिले-जुले थे, लेकिन एक स्पष्ट रुझान था। जब रोबोट के पास 8 घंटे का मंदारिन डेटा था, तो मंदारिन बोलने वाला व्यक्ति समझने योग्य मंदारिन बोल सका। और भी दिलचस्प बात यह है कि जब अंग्रेजी बोलने वाले ने मंदारिन बोलने की कोशिश की (एक ऐसी भाषा जिसे उसने पहले कभी नहीं सीखा था), तो रोबोट कुछ समझने योग्य ध्वनियाँ उत्पन्न कर सका, हालांकि यह थोड़ा लहजे (accent) जैसा लग रहा था। रोबोट जादू से धाराप्रवाह नहीं हुआ, लेकिन इसने दिखाया कि स्विचों ने इसे उन ध्वनियों के बारे में अनुमान लगाने की अनुमति दी जो उसने पहले कभी नहीं सुनी थीं।
दूसरे प्रयोग में, उन्होंने रोबोट को बहुत बड़ा आहार दिया: 12 अलग-अलग वक्ताओं से 100 घंटे का डेटा, जिसमें अंग्रेजी और मंदारिन दोनों शामिल थे। इस बार, परिणाम बहुत मजबूत थे। रोबोट स्पष्टता के साथ दोनों भाषाएं बोल सका। यहाँ तक कि मंदारिन बोलने वाला व्यक्ति, जिसके पास शून्य अंग्रेजी प्रशिक्षण डेटा था, वह अंग्रेजी इतनी अच्छी तरह बोल सका कि उसे समझा जा सके। अंग्रेजी बोलने वाला भी पहले की तुलना में बहुत बेहतर स्पष्टता के साथ मंदारिन बोल सका। रोबोट केवल नकल नहीं कर रहा था; वह ध्वनियों को बनाने के लिए साझा स्विचों का उपयोग कर रहा था। उदाहरण के लिए, जब अंग्रेजी रोबोट ने एक विशिष्ट मंदारिन ध्वनि बनाने की कोशिश की जिसे उसने पहले कभी नहीं सुना था, तो उसने उस ध्वनि का एक संस्करण बनाने के लिए "स्विचों" का उपयोग किया जो अन्य ध्वनियों से सीखा गया था और जो समझने योग्य होने के लिए पर्याप्त करीब था।
हालाँकि, यह शोध पत्र सावधानीपूर्वक यह भी बताता है कि इसका क्या अर्थ नहीं है। रोबोट एक आदर्श मानव वक्ता नहीं बना। वह भाषा की "संगीत" (music), विशेष रूप से मंदारिन के स्वरों (tones) के साथ संघर्ष करता रहा। क्योंकि रोबोट को टोन (जैसे बढ़ता या गिरता हुआ पिच) के लिए स्विचों का उपयोग करना नहीं सिखाया गया था, इसलिए अंग्रेजी बोलने वाला व्यक्ति ऐसा लग रहा था जैसे वह सपाट, तटस्थ स्वर के साथ मंदारिन बोल रहा हो, जिससे कुछ शब्द समझना कठिन हो गया। शोधकर्ता सुझाव देते हैं कि जबकि "स्विच" व्यक्तिगत ध्वनियों (व्यंजनों और स्वरों) के लिए बहुत अच्छा काम करते हैं, हमें अभी भी यह पता लगाने की आवश्यकता है कि भाषण के संगीतमय भागों के लिए स्विच कैसे जोड़े जाएं।
तो, मुख्य निष्कर्ष क्या है? अध्ययन बताता है कि सार्वभौमिक भाषाई स्विचों का उपयोग करना रोबोट को कई भाषाएं सिखाने का एक व्यवहार्य, डेटा-कुशल तरीका है। यह साबित करता है कि आपको रोबोट को एक नई भाषा सिखाने के लिए लाखों घंटों के डेटा की आवश्यकता नहीं है; आपको बस खेल के नियम सिखाने की आवश्यकता है। हालाँकि यह अभी भी एक पूर्ण समाधान नहीं है—विशेष रूप से भाषण के संगीतमय भागों जैसे टोन के लिए—यह एक ऐसे भविष्य के द्वार खोलता है जहाँ स्पीच तकनीक को कम संसाधन वाली छोटी भाषाओं के लिए बनाया जा सकता है, बिना दशकों की ऑडियो रिकॉर्डिंग की आवश्यकता के। यह एक ऐसी दुनिया की ओर एक कदम है जहाँ एक रोबोट एक नई भाषा को उसके इतिहास को याद करने के बजाय, उसके डीएनए को समझकर सीख सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।