A Situational Speech Synthesizer for Yoruba: System Design, Phonological Rule Architecture, and Orthographic Extensions for Contour

शब्दों का संगीत: कंप्यूटर को योरूबा (Yorùbá) में गाना सिखाना

कल्पना कीजिए कि भाषा एक गीत है। कई भाषाओं में, धुन छिपी होती है; आप अपनी आवाज़ का स्वर बदल सकते हैं, और शब्द का अर्थ बदल सकता है, लेकिन लिखे हुए अक्षर बिल्कुल वही रहते हैं। लेकिन योरूबा में, जो पश्चिम अफ्रीका में लाखों लोगों द्वारा बोली जाने वाली भाषा है, धुन सीधे सुरों में लिखी होती है। यह भाषा "सुरों" (tones) का उपयोग करती है—उच्च, निम्न, और बढ़ते या गिरते हुए स्वर—जो आपको ठीक से बताते हैं कि शब्द का क्या अर्थ है। यदि आप गलत सुर लिखते हैं, तो आप गलती से "शेर" के बजाय "कुत्ता" कह सकते हैं। यह योरूबा को कंप्यूटर के लिए एक अनूठी पहेली बना देता है। आमतौर पर, जब हम कंप्यूटर से टेक्स्ट को ज़ोर से पढ़ने के लिए कहते हैं (एक तकनीक जिसे टेक्स्ट-टू-स्पीच या TTS कहा जाता है), तो मशीन को हज़ारों घंटों के मानव भाषण को सुनकर सीखे गए पैटर्न के आधार पर धुन का अनुमान लगाना पड़ता है। लेकिन योरूबा जैसी भाषाओं के लिए, जहाँ "शीट म्यूज़िक" पहले से ही टेक्स्ट में लिखा होता है, हमें कंप्यूटर को अनुमान लगाने की ज़रूरत नहीं है। हमें बस एक ऐसे कंप्यूटर की आवश्यकता है जो सुरों को पूरी तरह से पढ़ सके।

यहीं से कहानी दिलचस्प हो जाती है। लंबे समय तक, कंप्यूटर स्वाभाविक रूप से योरूबा बोलने में संघर्ष करते रहे क्योंकि उनके पास सीखने के लिए पर्याप्त रिकॉर्ड किए गए मानव स्वर नहीं थे। वे बिना शीट म्यूज़िक के एक जटिल गीत को केवल सुनकर सीखने की कोशिश करने वाले संगीतकार की तरह थे, जो अक्सर लय गलत कर देते थे। लेकिन क्या होगा अगर हम एक रोबोट संगीतकार बनाएं जिसे अनुमान लगाने की आवश्यकता न हो? क्या होगा यदि हम उसे हर संभव संगीत नोट संयोजन का एक पुस्तकालय दें, जिसे एक इंसान द्वारा रिकॉर्ड किया गया हो, और उसे अगला नोट कब बजाना है यह जानने के लिए नियमों का एक सख्त सेट दिया जाए? यह उस चुनौती का समाधान है जिसे शोधकर्ताओं की एक टीम ने उठाया, जो योरूबा नामों के एक विशाल ऑनलाइन शब्दकोश के लिए एक आवाज़ बनाना चाहती थी। उन्हें एक ऐसी प्रणाली की आवश्यकता थी जो एक लिखित नाम ले सके, सटीक पिच और लय का पता लगा सके, और बिना किसी इंसान द्वारा दुनिया के हर नाम को रिकॉर्ड किए, उसे तुरंत ज़ोर से बोल सके।

रोबोट कॉयर और नियमों का जादू

यह शोध पत्र TTSYoruba को पेश करता है, जो विशेष रूप से योरूबा के लिए डिज़ाइन किया गया एक चतुर, नियम-आधारित रोबोटिक स्वर है। इस प्रणाली को एक ऐसे मस्तिष्क के रूप में न सोचें जो सुनकर सीखता है, बल्कि एक बहुत ही व्यवस्थित लाइब्रेरियन के रूप में सोचें जिसके पास पहले से रिकॉर्ड किए गए साउंड क्लिप्स का एक बड़ा बॉक्स है। शोधकर्ताओं ने एक मानव आवाज़ को पाँच अलग-अलग संगीत सुरों में व्यंजन और स्वर के हर संभव संयोजन (जैसे "ba," "de," "go") को बोलते हुए रिकॉर्ड किया। अंत में उनके पास 651 छोटे साउंड क्लिप्स का एक पुस्तकालय तैयार हुआ।

जादू नियमों में छिपा है। जब आप Adébọ̀wálé जैसा नाम टाइप करते हैं, तो कंप्यूटर केवल क्लिप्स को क्रम में नहीं बजाता है। यह एक कंडक्टर की तरह कार्य करता है। यह अक्षरों के ऊपर लिखे सुरों (टोन मार्क्स) को देखता है और उस नोट की जाँच करता है जो इसके पहले आया था। योरूबा में, एक नोट की पिच अक्सर अपने पहले वाले नोट पर निर्भर करती है। यदि एक निम्न सुर के बाद एक उच्च सुर आता है, तो वह उच्च सुर वास्तव में "फिसल" सकता है, जो एक बढ़ते हुए स्वर की तरह सुनाई देता है। इस प्रणाली के पास इसके लिए एक विशिष्ट नियम है: यदि यह एक निम्न नोट के बाद उच्च नोट देखता है, तो यह मानक "उच्च" साउंड क्लिप को एक विशेष "बढ़ते" (rising) साउंड क्लिप से बदल देता है। यह गिरते हुए सुरों (falling tones) के लिए भी ऐसा ही करता है। इन सख्त संगीत नियमों का पालन करके, कंप्यूटर क्लिप्स को इस तरह जोड़ता है कि वे एक बहते हुए वाक्य की तरह लगें, न कि किसी रोबोट के जीभ चटकाने की आवाज़ की तरह।

"N" की पहेली को सुलझाना

पहेली का सबसे कठिन हिस्सा अक्षर n था। योरूबा में, अक्षर n एक रूप बदलने वाला (shape-shifter) है। कभी-कभी यह शब्द की शुरुआत में एक व्यंजन होता है (जैसे nọ́ में)। कभी-कभी यह अपने आप में एक पूर्ण शब्दांश (syllable) होता है (जैसे ń में)। और कभी-कभी, यह कोई ध्वनि नहीं है, बल्कि एक मार्कर है जो आपको बताता है कि उससे पहले वाला स्वर "नाक से निकलने वाला" (nasal) है। कंप्यूटर के लिए, यह समान अक्षरों का एक भ्रमित करने वाला ढेर जैसा दिखता है।

शोधकर्ताओं ने इसे हल करने के लिए एक "नेज़ल डिसएम्बिग्यूएशन" (Nasal Disambiguation) प्रणाली बनाई। यह एक जासूस की तरह है जो तीन प्रश्न पूछता है:

1. क्या n के ऊपर कोई संगीत नोट है? यदि हाँ, तो यह एक स्वतंत्र शब्दांश है।
2. क्या n विशिष्ट स्वरों जैसे i या u के बीच बैठा है? यदि हाँ, तो यह एक नेज़ल मार्कर है, और कंप्यूटर उससे पहले वाले स्वर की ध्वनि को बदल देता है।
3. क्या यह सिर्फ एक सामान्य व्यंजन है? यदि ऐसा है, तो इसे अगली ध्वनि की शुरुआत के रूप में मानें।

इन नियमों को लागू करके, प्रणाली उन नामों का सही उच्चारण करती है जो अन्यथा गलत सुनाई देते, जिससे नेज़ल स्वर और शब्दांश वाले n के बीच अंतर स्पष्ट होता है।

नया संगीत लेखन: कैरॉन (Carons) और सिरकमफ्लेक्स (Circumflexes)

यहाँ शोध पत्र एक साहसी और रचनात्मक कदम उठाता है। शोधकर्ताओं ने पाया कि एक समस्या है: कुछ नामों में एक एकल स्वर पर "कंटूर टोन" (एक पिच जो ऊपर या नीचे जाती है) होता है, लेकिन योरूबा में इसे लिखने का पारंपरिक तरीका स्वर को दोहराना है (जैसे Níkẹ̀ẹ́)। यह कई मूल भाषियों को अजीब लगता है और भारी महसूस होता है।

टीम ने इन ध्वनियों को लिखने का एक नया तरीका प्रस्तावित किया, जिसमें उन प्रतीकों का उपयोग किया गया है जो पहले से ही कंप्यूटर कीबोर्ड पर मौजूद हैं लेकिन मानक योरूबा लेखन में इस उद्देश्य के लिए उपयोग नहीं किए गए हैं: बढ़ता हुआ स्वर दिखाने के लिए कैरॉन (एक छोटा चेक मार्क जैसा ǎ) और गिरता हुआ स्वर दिखाने के लिए सिरकमफ्लेक्स (एक छोटी टोपी जैसा â)।

इसे इस तरह सोचें: एक लंबे, दोहरे नोट वाले कॉर्ड को दो अलग-अलग कुंजियों (keys) के रूप में लिखने के बजाय, आप एक विशेष "टोपी" वाली एक कुंजी दबाते हैं। कंप्यूटर जानता है कि ǎ का अर्थ है "बढ़ते हुए ध्वनि क्लिप को बजाएं," और â का अर्थ है "गिरते हुए ध्वनि क्लिप को बजाएं।" यह लोगों को अपने नामों को उसी तरह टाइप करने की अनुमति देता है जैसे वे आमतौर पर स्पेलिंग करते हैं, बिना अजीब दोहरे स्वरों के, जबकि उन्हें सटीक संगीत पिच भी मिलती है। शोधकर्ताओं ने इसका परीक्षण करने के लिए 50 लोगों से पुराने "दोहरे स्वर" वाले तरीके और नए "टोपी" वाले तरीके से लिखे गए नामों को सुनने के लिए कहा। परिणाम? श्रोता अंतर नहीं बता सके। उन्होंने दोनों संस्करणों को समान रूप से स्वाभाविक और समझने में आसान बताया। वास्तव में, कुछ श्रोताओं ने नए "टोपी" वाले संस्करण को इसलिए पसंद किया क्योंकि यह वैसा ही दिखता था जैसा वे शब्दों को अपने दिमाग में देखते हैं।

निर्णय: एक अच्छी शुरुआत, लेकिन पूर्ण नहीं

टीम ने अपने सिस्टम का परीक्षण 50 स्वयंसेवकों के साथ किया जिन्होंने प्रत्येक को 10 अलग-अलग नाम सुनाए। परिणाम उत्साहजनक लेकिन ईमानदार थे। कंप्यूटर समझ में आने (intelligibility) में अविश्वसनीय रूप से अच्छा था, जिसका अर्थ है कि सभी लोग ठीक से जानते थे कि कौन सा शब्द बोला जा रहा है। हालाँकि, "स्वाभाविकता" (naturalness) का स्कोर थोड़ा कम था। श्रोताओं ने आवाज़ को थोड़ा धीमा बताया, जैसे कोई शिक्षक कक्षा में छात्रों को पाठ्यपुस्तक पढ़ कर सुना रहा हो, न कि एक दोस्त की तरह बातचीत कर रहा हो। ऐसा इसलिए है क्योंकि सिस्टम छोटे क्लिप्स को जोड़ता है, और हर शब्दांश के बीच एक बहुत ही मामूली, अस्वाभाविक ठहराव होता है।

शोध पत्र बहुत स्पष्ट है कि यह क्या नहीं करता है। यह जटिल लय वाले लंबे वाक्यों या पूरे पैराग्राफ में पिच गिरने के तरीके को नहीं संभालता है। यह विशेष रूप से छोटे नामों के लिए डिज़ाइन किया गया है। यह इस बात पर भी निर्भर करता है कि उपयोगकर्ता सही टोन मार्क्स टाइप करे; यदि आप बिना उनके टाइप करते हैं, तो रोबोट को धुन का पता नहीं चलेगा।

अंततः, यह शोध पत्र दिखाता है कि जिन भाषाओं में संगीत लिखा होता है, हमें गीत सीखने के लिए विशाल AI मस्तिष्क की आवश्यकता नहीं है। हमें बस नियमों के एक अच्छे सेट के साथ एक स्मार्ट लाइब्रेरियन की आवश्यकता है। यह प्रणाली सिद्ध करती है कि एक नियम-आधारित दृष्टिकोण योरूबा की जटिल संगीतता को संभाल सकता है, और नए "टोपी" और "चेक मार्क" प्रतीक लोगों के नाम की स्पेलिंग बदले बिना इन ध्वनियों को लिखने का एक व्यावहारिक, कीबोर्ड-अनुकूल तरीका प्रदान करते हैं। यह एक ठोस, कामकाजी आधार है जो भविष्य में और भी बेहतर आवाज़ें बनाने में मदद कर सकता है।