WAXAL: A Large-Scale Multilingual African Language Speech Corpus
यह शोध पत्र WAXAL को प्रस्तुत करता है, जो 24 उप-सहारा अफ्रीकी भाषाओं में 1,485 घंटों से अधिक के डेटा वाला एक बड़े पैमाने का, खुले रूप से सुलभ बहुभाषी भाषण संग्रह है, जिसे डिजिटल विभाजन को पाटने और इन कम संसाधन वाले समुदायों के लिए स्पीच टेक्नोलॉजी को आगे बढ़ाने के लिए डिज़ाइन किया गया 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
वॉयस टेक्नोलॉजी (जैसे सिरी, एलेक्सा, या ऑटो-ट्रांसक्रिप्शन) की दुनिया को एक विशाल, हाई-टेक लाइब्रेरी के रूप में कल्पना करें। लंबे समय से, यह लाइब्रेरी केवल कुछ लोकप्रिय भाषाओं जैसे अंग्रेजी, स्पेनिश या मंदारिन की किताबों से भरी रही है। लेकिन उप-सहारा अफ्रीका के करोड़ों लोगों के लिए, जो 2,000 से अधिक विभिन्न भाषाएं बोलते हैं, इस लाइब्रेरी की अलमारियां लगभग खाली हैं। वे दिशा-निर्देश नहीं मांग सकते, संदेश नहीं लिख सकते, या कंप्यूटर से कहानी नहीं पढ़वा सकते क्योंकि उन्हें सिखाने के लिए आवश्यक "किताबें" (डेटा) मौजूद ही नहीं हैं।
WAXAL में प्रवेश: महान लाइब्रेरी का विस्तार
शोधकर्ताओं की एक टीम ने, जिसका नेतृत्व गूगल कर रहा है और जो अफ्रीका भर के स्थानीय विश्वविद्यालयों और सामुदायिक समूहों के साथ मिलकर काम कर रही है, इस लाइब्रेरी के लिए एक विशाल नया विंग बनाया है। वे इसे WAXAL कहते हैं।
WAXAL को एक विशाल, ओपन-सोर्स टूलकिट के रूप में सोचें जिसे कंप्यूटर को 24 अलग-अलग अफ्रीकी भाषाओं में बोलना और समझना सिखाने के लिए डिज़ाइन किया गया है। यह एक मास्टर शेफ को पहली बार खाना पकाने के लिए बचे हुए खाने के बजाय ताज़ा और विविध सामग्री देने जैसा है।
यहाँ बताया गया है कि उन्होंने इसे कैसे बनाया, जिसे दो मुख्य "रेसिपी" में विभाजित किया गया है:
1. "प्राकृतिक बातचीत" की रेसिपी (ASR डेटा)
लक्ष्य: कंप्यूटर को यह सिखाना कि लोग स्वाभाविक रूप से कैसे बात करते हैं, जैसे कि आप किसी बाज़ार या पारिवारिक समारोह में करते हैं।
- विधि: लोगों को एक सख्त स्क्रिप्ट पढ़ने के लिए मजबूर करने के बजाय (जो रोबोटिक लगती है), शोधकर्ताओं ने प्रतिभागियों को तस्वीरें (जैसे व्यस्त सड़क या खाना बनाती हुई एक परिवार की फोटो) दिखाईं।
- उपमा: कल्पना कीजिए कि आप अपने दोस्त से पूछते हैं, "इस तस्वीर में क्या हो रहा है, बताओ।" वे स्वाभाविक रूप से दृश्य का वर्णन करना शुरू कर देंगे, जिसमें स्लैंग, ठहराव और अलग-अलग लहजे शामिल होंगे। WAXAL टीम ने ठीक वही कैप्चर किया।
- पैमाना: उन्होंने हजारों अलग-अलग लोगों की विभिन्न आयु और लिंग से लगभग 1,250 घंटों की इस प्राकृतिक बातचीत को रिकॉर्ड किया।
- परिणाम: यह मस्तिष्क का "सुनने वाला" हिस्सा है। यह कंप्यूटर को वास्तविक दुनिया की बातचीत को समझने में मदद करता है, जिसमें बैकग्राउंड शोर और अलग-अलग लहजे भी शामिल हैं।
2. "परफेक्ट वॉयस" की रेसिपी (TTS डेटा)
लक्ष्य: कंप्यूटर को स्पष्ट, उच्च-गुणवत्ता वाली आवाज़ के साथ बोलना सिखाना।
- विधि: इस हिस्से के लिए, उन्हें "स्टूडियो पूर्णता" की आवश्यकता थी। उन्होंने स्थानीय वॉयस एक्टर्स को काम पर रखा और उन्हें पेशेवर रिकॉर्डिंग बूथों में रखा (जहाँ ट्रैफिक का शोर या हवा का शोर न हो)।
- उपमा: इसे एक पेशेवर ऑडियोबुक रिकॉर्ड करने जैसा समझें। कलाकारों ने सावधानीपूर्वक संतुलित स्क्रिप्ट्स पढ़ीं जिन्हें भाषा की हर ध्वनि को कवर करने के लिए डिज़ाइन किया गया था, जिससे यह सुनिश्चित हुआ कि कंप्यूटर शब्दों के सटीक "संगीत" को सीख सके।
- पैमाना: उन्होंने 72 अलग-अलग वॉयस एक्टर्स से 235 घंटों से अधिक की क्रिस्टल-क्लियर रिकॉर्डिंग तैयार की।
- परिणाम: यह मस्तिष्क का "बोलने वाला" हिस्सा है। यह कंप्यूटर को मानवीय और स्वाभाविक आवाज़ में कहानियाँ, समाचार या निर्देश पढ़ने की अनुमति देता है।
यह क्यों महत्वपूर्ण है
WAXAL से पहले, लुगांडा या फुला जैसी भाषा के लिए वॉयस असिस्टेंट बनाना ईंटों के बिना घर बनाने जैसा था। आपके पास ब्लूप्रिंट (कोड) तो था, लेकिन सामग्री (डेटा) नहीं थी।
- "डिजिटल डिवाइड": इस डेटा के बिना, लाखों लोग डिजिटल दुनिया से बाहर हैं। वे वॉयस सर्च का उपयोग नहीं कर सकते, फोन के माध्यम से चिकित्सा सलाह नहीं ले सकते, या अपनी मातृभाषा में शैक्षिक उपकरणों तक नहीं पहुँच सकते।
- समाधान: WAXAL उस निर्माण स्थल पर ईंटों का एक विशाल कंटेनर भेजने जैसा है। क्योंकि यह डेटा मुफ्त और खुला (एक सार्वजनिक पार्क की तरह जहाँ कोई भी जा सकता है) है, इसलिए दुनिया भर के शोधकर्ता और डेवलपर्स अब इन उपकरणों को बना सकते हैं।
मानवीय स्पर्श
इस प्रोजेक्ट को जो चीज़ खास बनाती है वह केवल तकनीक नहीं है; वह लोग हैं।
- स्थानीय विशेषज्ञ: उन्होंने केवल दूर बैठे कर्मचारियों को काम पर नहीं रखा; उन्होंने घाना, युगांडा और सेनेगल के विश्वविद्यालयों के साथ साझेदारी की। स्थानीय भाषाविदों (Linguists) ने ट्रांसक्रिप्शन (जो कहा गया उसे लिखना) किया, जिससे यह सुनिश्चित हुआ कि स्पेलिंग और अर्थ 100% सही हों।
- उचित भुगतान: जिन लोगों ने अपनी आवाज़ रिकॉर्ड की और उन विशेषज्ञों को जिन्होंने उन्हें लिखा, उन्हें स्थानीय औसत से काफी बेहतर भुगतान किया गया, जिससे यह सुनिश्चित हुआ कि प्रोजेक्ट ने समुदाय के समय और प्रतिभा का सम्मान किया।
निचोड़
WAXAL डिजिटल समानता की ओर एक बड़ी छलांग है। यह कहता है, "आपकी भाषा मायने रखती है, और आपकी आवाज़ भी मशीनों द्वारा सुनी जाने योग्य है।" इस विशाल डेटासेट को जनता के लिए जारी करके, टीम की उम्मीद है कि यह नवाचार की एक ऐसी लहर पैदा करेगा जहाँ तकनीक अंततः सभी की सेवा करेगी, न कि केवल कुछ प्रमुख भाषाओं के बोलने वालों की।
आप इसे लाइब्रेरी की चाबियाँ सभी को सौंपने के रूप में देख सकते हैं, यह सुनिश्चित करते हुए कि आप चाहे जो भी भाषा बोलते हों, आप अंततः अंदर जा सकते हैं और एक ऐसी किताब पा सकते हैं जो आपका नाम बोलती 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।