Mitigating Error Accumulation in Co-Speech Motion Generation via Global Rotation Diffusion and Multi-Level Constraints

कल्पना कीजिए कि एक आभासी पात्र आपसे बात कर रहा है। बातचीत को वास्तविक महसूस कराने के लिए, पात्र केवल अपना मुँह ही नहीं हिला सकता; पूरे शरीर को इसमें भाग लेना चाहिए। कंधे हिलते हैं, हाथ संकेत करते हैं, और मुद्रा (पोस्चर) आवाज की लय और भावना के अनुरूप बदलती है। यही 'को-स्पीच मोशन जनरेशन' का लक्ष्य है: कंप्यूटर को ऐसे पूर्ण-शरीर की गतिविधियाँ बनाना सिखाना जो बोले गए शब्दों के साथ स्वाभाविक रूप से तालमेल बिठा सकें। वर्षों से, शोधकर्ताओं ने डिजिटल कंकालों (डिजिटल स्केलेटन) का निर्माण करके इसे हल करने का प्रयास किया है, जहाँ हाथ की गति की गणना कंधे, कोहनी और कलाई के रोटेशन को एक श्रृंखला में जोड़कर की जाती है। हालाँकि यह दृष्टिकोण इस बात की नकल करता है कि हड्डियाँ कैसे जुड़ी होती हैं, लेकिन इसमें एक छिपा हुआ दोष है। जिस तरह संदेश पास करने वाली लोगों की एक लंबी कतार में एक छोटी सी गलती से अंतिम संदेश पूरी तरह से गलत हो सकता है, उसी तरह कंधे के रोटेशन की गणना में होने वाली छोटी त्रुटियाँ जैसे-जैसे हाथ के नीचे की ओर बढ़ती हैं, वे बड़ी होती जाती हैं। जब तक कंप्यूटर उंगलियों के पोरों की स्थिति की गणना करता है, तब तक त्रुटि इतनी बड़ी हो सकती है कि हाथ मुड़ा हुआ, टूटा हुआ या असंभव तरीकों से तैरता हुआ दिखाई दे।

अलीबाबा ग्रुप और नानयांग टेक्नोलॉजिकल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया तरीका प्रस्तावित किया है, जो इस 'चेन-रिएक्शन' पद्धति को पूरी तरह से छोड़ देता है। यह गणना करने के बजाय कि प्रत्येक जोड़ (जॉइंट) पिछले वाले के सापेक्ष कैसे घूमता है, उनका नया सिस्टम, जिसे 'ग्लोबलडिफ' (GlobalDiff) कहा जाता है, कमरे के हर एक जोड़ की अंतिम दिशा को एक ही समय में निर्धारित करता है। इसे ऐसे समझें जैसे कोहनी को कंधे के सापेक्ष कहाँ इशारा करना है, यह बताने के बजाय, हर जोड़ को ठीक-ठीक यह बताना कि दुनिया में उसे किस दिशा में संकेत करना है। यह दृष्टिकोण छोटी त्रुटियों को जमा होने से रोकता है, जिससे लंबे और अभिव्यंजक संवादों के दौरान भी हाथ और पैर स्थिर और सटीक रहते हैं। हालाँकि, हर जोड़ को पूर्ण स्वतंत्रता देने से एक नया जोखिम पैदा होता है: पात्र अपने अंगों को ऐसी आकृतियों में मोड़ सकता है जो मानव शरीर के लिए भौतिक रूप से असंभव हों। इसे ठीक करने के लिए, शोधकर्ताओं ने अदृश्य नियमों का एक सेट जोड़ा जो एक मार्गदर्शक के रूप में कार्य करता है, यह जाँच करता है कि हड्डियाँ सही लंबाई की रहें, अंगों के बीच के कोण तर्कसंगमंद हों, और गति समय के साथ सुचारू रूप से प्रवाहित हो।

शोधकर्ताओं ने इस नए सिस्टम का परीक्षण 1,700 से अधिक संवाद अनुक्रमों वाले रिकॉर्ड किए गए संवादों के एक बड़े संग्रह पर किया। उन्होंने पाया कि जोड़ों की वैश्विक दिशा (ग्लोबल डायरेक्शन) की सीधे भविष्यवाणी करके, कंप्यूटर ऐसी गतिविधियाँ उत्पन्न कर सकता था जो पिछले तरीकों की तुलना में बहुत अधिक स्थिर थीं। अपने परीक्षणों में, नए सिस्टम ने मौजूदा सर्वोत्तम उपकरणों की तुलना में अंतिम गति में त्रुटियों को 46 प्रतिशत तक कम कर दिया। जब उन्होंने परिणामों को करीब से देखा, तो अंतर स्पष्ट था। पुराने सिस्टम में, उंगलियाँ अक्सर अंदर की ओर मुड़ती हुई दिखती थीं या हाथ शरीर से दूर चले जाते थे। नए तरीके के साथ, हाथ प्राकृतिक स्थितियों में रहे, और हाव-भाव वक्ता की आवाज़ के साथ ऐसी सटीकता के साथ मेल खाते थे जो मानवीय महसूस होते थे। सिस्टम ने विभिन्न वक्ताओं को भी संभालने की क्षमता सीखी, चाहे आवाज़ किसी पुरुष की हो या महिला की, किसी मूल वक्ता की हो या किसी अलग लहजे वाले व्यक्ति की, गुणवत्ता उच्च बनी रही।

यह सुनिश्चित करने के लिए कि गतिविधियाँ न केवल स्थिर बल्कि शारीरिक रूप से संभव भी हों, टीम ने तीन स्तरों की जाँच पेश की। सबसे पहले, उन्होंने प्रत्येक जोड़ के चारों ओर आभासी मार्कर रखे ताकि रोटेशन सटीक रहे और अंगों को अस्वाभाविक रूप से मुड़ने से रोका जा सके। दूसरा, उन्होंने शरीर की सभी हड्डियों के बीच के कोणों को मापा ताकि कंकाल बरकरार रहे, जिससे पात्र का रीढ़ या अंग असंभव दिशाओं में न मुड़ें। तीसरा, उन्होंने गति के समय (टाइमिंग) का विश्लेषण किया ताकि हाव-भाव भाषण की लय के साथ प्रवाहित हों, जिससे झटकेदार या अनियमित गतियाँ टल सकें। जब उन्होंने इन जाँचों को एक-एक करके हटाया, तो गति की गुणवत्ता काफी गिर गई, जिससे सिद्ध हुआ कि एक विश्वसनीय परिणाम बनाने के लिए तीनों स्तर आवश्यक थे।

यह अध्ययन दर्शाता है कि वर्चुअल पात्रों के लिए यथार्थवादी, लंबी अवधि की शारीरिक भाषा उत्पन्न करना संभव है, बिना उन त्रुटियों के संचय के जिसने लंबे समय से इस क्षेत्र को परेशान किया है। पूरे शरीर को सख्त भौतिक नियमों द्वारा निर्देशित स्वतंत्र भागों के संग्रह के रूप में मानकर, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो सहज, शारीरिक रूप से सही और अभिव्यंजक गति उत्पन्न करता है। यह कार्य सुझाव देता है कि आभासी अवतारों का भविष्य विफल होने के प्रति संवेदनशील जटिल गणनाओं की श्रृंखलाओं पर नहीं, बल्कि इस बात की सीधी, वैश्विक समझ पर निर्भर करेगा कि शरीर का प्रत्येक भाग अंतरिक्ष में कैसे घूमना चाहिए। परिणाम एक ऐसी डिजिटल उपस्थिति है जो स्वाभाविक रूप से बोल और चल सकती है, जो हमें मनुष्यों और मशीनों के बीच निर्बाध संपर्क के करीब लाती है।