Evaluating Speech Articulation Synthesis with Articulatory Phoneme Recognition
यह शोध पत्र आर्टिकुलेटरी फोनम रिकग्निशन (उच्चारण संबंधी ध्वनि पहचान) को एक प्रॉक्सी मीट्रिक के रूप में उपयोग करके स्पीच आर्टिकुलेशन सिंथेसिस के मूल्यांकन का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि यह दृष्टिकोण पारंपरिक पॉइंट-वाइज डिस्टेंस मीट्रिक्स की तुलना में उत्पादन की बारीकियों को बेहतर ढंग से पकड़ता है और अधिक सुदृढ़ मूल्यांकन प्रदान करता 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 बोलना सिखाने की कोशिश कर रहे हैं, लेकिन उसे आवाज़ सुनाने के बजाय, आप उसे एक व्यक्ति के गले के अंदर मुँह के हिलने-डुलने की तस्वीरें दिखा रहे हैं। यह आर्टिकुलेटरी स्पीच सिंथेसिस (articulatory speech synthesis) का मूल आधार है: यानी उन ध्वनियों (फोनीम्स) के आधार पर स्वर तंत्र (मुँह और गला) का "आकार" बनाना जिन्हें रोबोट को बोलना है।
बड़ी समस्या जो लेखकों के सामने आई वह यह थी: आपको कैसे पता चलेगा कि रोबोट अच्छा काम कर रहा है?
समस्या: "रूलर" (पैमाना) स्वाद नहीं माप सकता
आमतौर पर, जब वैज्ञानिक दो कंप्यूटर मॉडलों की तुलना करते हैं, तो वे रोबोट के आउटपुट और वास्तविक मानव गति के बीच के अंतर को मापने के लिए एक "रूलर" का उपयोग करते हैं। वे जीभ के आकार के दो बिंदुओं के बीच की दूरी को माप सकते हैं।
लेखक तर्क देते हैं कि यह एक शेफ के सूप को चम्मच और कटोरे के बीच की दूरी मापकर परखने जैसा है। इसे मापना आसान है, लेकिन इससे यह पता नहीं चलता कि सूप का स्वाद कैसा है।
- दोष: वास्तविक मानव भाषण अव्यवस्थित होता है। लोग हर बार "apple" बोलते समय अपनी जीभ को थोड़ा अलग तरह से हिलाते हैं। एक साधारण रूलर यह कह सकता है कि रोबोट "गलत" था क्योंकि उसने जीभ को एक मिलीमीटर अलग तरह से हिलाया था, भले ही वह ध्वनि एकदम सटीक रही हो।
- अंतराल: वर्तमान तरीके यह बताने में संघर्ष करते हैं कि एक ऐसा रोबोट जो थोड़ा "लड़खड़ाता" हुआ लेकिन समझने योग्य स्वर बनाता है, और एक जो पूरी तरह से समझ से बाहर (unintelligible) ध्वनि बनाता है, के बीच क्या अंतर है।
समाधान: "टेस्ट टेस्टर" (फोनीम रिकग्निशन)
इस समस्या को हल करने के लिए, लेखकों ने रोबोट को परखने का एक नया तरीका प्रस्तावित किया: एक इंसान (या एक स्मार्ट कंप्यूटर) से पूछें कि उन्होंने कौन से शब्द बोले और उन्हें पहचानने की कोशिश करें।
उन्होंने एक "टेस्ट टेस्टर" (एक न्यूरल नेटवर्क) बनाया जो मुँह के आकारों को देखता है और ध्वनियों की पहचान करने की कोशिश करता है।
- उपमा: रोबोट की जीभ और मानव की जीभ के बीच की दूरी मापने के बजाय, वे रोबोट से पूछते हैं, "यदि मैं तुम्हें यह मुँह का आकार दिखाऊं, तो तुम कौन सी ध्वनि कहोगे?"
- तर्क: यदि रोबोट के मुँह के आकार अच्छे हैं, तो "टेस्ट टेस्टर" 90% बार ध्वनियों को सही ढंग से पहचान लेना चाहिए। यदि आकार खराब हैं, तो टेस्टर भ्रमित हो जाएगा और गलत अनुमान लगाएगा।
प्रयोग: तीन दावेदार
शोधकर्ताओं ने तीन अलग-अलग "रोबोट्स" (सिंथेसिस मॉडल) का परीक्षण किया, जिसके लिए उन्होंने एक फ्रांसीसी महिला के डेटासेट का उपयोग किया जिसे एक विशेष एमआरआई (MRI) मशीन के साथ फिल्माया गया था (जो वास्तविक समय में गले के अंदर की तस्वीरें लेती है)।
- "एवरेज जो" (बेसलाइन): यह रोबोट हर ध्वनि के लिए औसत मुँह के आकार को लेता है। यह सरल लेकिन कठोर है, जैसे एक पुतला जिसके होंठ कभी स्वाभाविक रूप से नहीं हिलते।
- "फ्री स्पिरिट" (मॉडल-फ्री): यह रोबोट किसी सख्त नियम पुस्तिका का पालन किए बिना सीधे डेटा से मुँह के आकार बनाना सीखता है।
- "आर्किटेक्ट" (ऑटोएन्कोडर): यह रोबोट पहले शरीर रचना (anatomy) के नियमों को सीखता है, और फिर उन नियमों के आधार पर मुँह के आकार बनाता है।
परिणाम: "टेस्ट टेस्टर" ने क्या पाया
लेखकों ने तीनों रोबोटों के मुँह के आकार को अपने "टेस्ट टेस्टर" में डाला। यहाँ क्या हुआ:
- "एवरेज जो" बुरी तरह विफल रहा। टेस्टर यह समझ ही नहीं पाया कि कौन सी ध्वनियाँ निकाली जा रही थीं। इसने पुष्टि की कि केवल आकारों का औसत निकालना पर्याप्त नहीं है।
- "आर्किटेक्ट" (ऑटोएन्कोडर) ठीक-ठाक था। इसने जीभ की स्थिति को सही पकड़ा (जैसे यह जानना कि "T" ध्वनि बनाने के लिए उंगली कहाँ रखनी है), लेकिन इसकी टाइमिंग थोड़ी गड़बड़ महसूस हुई।
- "फ्री स्पिरिट" (मॉडल-फ्री) आश्चर्यजनक विजेता रहा। भले ही इसने सख्त शारीरिक नियमों का पालन नहीं किया, लेकिन "टेस्ट टेस्टर" ने इसके मुँह के आकार को अन्य सभी मॉडलों की तुलना में बेहतर समझा, यहाँ तक कि कुछ मामलों में वास्तविक मानव डेटा से भी बेहतर!
क्यों? लेखक सुझाव देते हैं कि "फ्री स्पिरिट" रोबोट ने अनजाने में वास्तविक मानव डेटा से "शोर" (छोटी, अव्यवस्थित हलचल) को फ़िल्टर कर दिया, जिससे अधिक साफ और सुसंगत मुँह के आकार बने जो टेस्टर के लिए पढ़ने में आसान थे।
एक महत्वपूर्ण विवरण: "वॉइस स्विच"
एक चीज़ जो एमआरआई कैमरा नहीं देख सका वह थी वोकल कॉर्ड्स (वह हिस्सा जो आवाज़ बनाने के लिए कंपन करता है)। "T" (unvoiced) और "D" (voiced) के लिए मुँह का आकार लगभग एक जैसा दिखता है।
- इसे ठीक करने के लिए, शोधकर्ताओं ने डेटा में एक सरल "स्विच" जोड़ा जो कंप्यूटर को बताता है कि "यह ध्वनि voiced है" या "यह unvoiced है।"
- परिणाम: इस स्विच को जोड़ने से "टेस्ट टेस्टर" बहुत स्मार्ट हो गया, जिससे यह साबित हुआ कि मुँह के आकार अपने आप में बहुत सारी जानकारी रखते हैं, लेकिन समान ध्वनियों के बीच अंतर करने के लिए उन्हें थोड़े से संकेत की आवश्यकता होती है।
निचोड़
यह पेपर यह दावा नहीं करता कि उन्होंने अस्पतालों या फोन के लिए अभी तक एक आदर्श बोलने वाला रोबोट बना लिया है। इसके बजाय, यह स्पीच सिंथेसिस शोधकर्ताओं के लिए होमवर्क को ग्रेड करने का एक नया तरीका पेश करता है।
एक "फोनीम रिकग्नाइज़र" (ध्वनि-पहचानने वाला AI) को ग्रेडिंग टूल के रूप में उपयोग करके, उन्होंने पाया कि:
- सरल दूरी माप (distance measurements) भाषण की गुणवत्ता को आंकने के लिए खराब हैं।
- एक मॉडल जो "साफ" मूवमेंट उत्पन्न करता है (भले ही वह कुछ शारीरिक नियमों को अनदेखा करता हो), वास्तव में अधिक स्पष्ट परिणाम दे सकता है, बजाय उस मॉडल के जो शारीरिक रूप से पूर्ण होने की कोशिश करता है लेकिन अव्यवस्थित होता है।
- मुँह के आकार स्वयं इतनी जानकारी रखते हैं कि उन्हें टेक्स्ट की तरह "पढ़ा" जा सकता है, बशर्ते आप एक छोटा सा संकेत जोड़ दें कि ध्वनि 'voiced' है या नहीं।
संक्षेप में: रोबोट के मुँह को रूलर से न मापें; उसे एक किताब पढ़ने को कहें। यदि वह किताब पढ़ सकता है, तो मुँह सही काम कर रहा 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।