Building and Evaluating a Synthetic Bengali Speech Resource for Telecom Customer Care

कल्पना कीजिए कि एक ऐसी दुनिया जहाँ मशीनें इंसानी भाषाओं को उतनी ही सहजता से समझ और बोल सकती हैं जितनी सहजता से एक व्यक्ति। यह स्पीच टेक्नोलॉजी (भाषण तकनीक) का वादा है, वह क्षेत्र जो कंप्यूटर को बोले गए शब्दों को सुनने और उन्हें टेक्स्ट में बदलने, या लिखे हुए शब्दों को बोलकर सुनाने के लिए प्रशिक्षित करने के लिए समर्पित है। इन प्रणालियों के बेहतर ढंग से काम करने के लिए, उन्हें मानव भाषण की विशाल रिकॉर्डिंग से सीखने की आवश्यकता होती है। हालाँकि, ये रिकॉर्डिंग एकत्र करना कठिन, महंगा और अक्सर विशिष्ट स्थितियों के लिए असंभव होता है, जैसे कि सिग्नल खो जाने या अकाउंट ब्लॉक होने की रिपोर्ट करने के लिए टेलीकॉम कंपनी को कॉल करने वाला ग्राहक। कई भाषाओं में, बंगाली सहित, इन विशिष्ट बातचीत को प्रशिक्षित करने के लिए पर्याप्त उच्च गुणवत्ता वाली रिकॉर्डिंग उपलब्ध नहीं हैं। यह अंतर उन लाखों लोगों के लिए सहायक उपकरण बनाने की हमारी क्षमता में एक कमी छोड़ देता है जो हर दिन इन सेवाओं पर निर्भर रहते हैं।

इस अंतर को भरने के लिए, बांग्लादेश यूनिवर्सिटी ऑफ इंजीनियरिंग एंड टेक्नोलॉजी के शोधकर्ताओं कौशिक कुमार पॉल और मो. नाफुल आलम फुजी ने एक नया संसाधन बनाया है: सिंथेटिक बंगाली स्पीच का एक विशाल पुस्तकालय जिसे विशेष रूप से टेलीकॉम कस्टमर केयर के लिए डिज़ाइन किया गया है। वास्तविक लोगों को स्टूडियो में रिकॉर्ड करने के बजाय, उन्होंने दस हजार अद्वितीय ऑडियो क्लिप उत्पन्न करने के लिए एक शक्तिशाली कंप्यूटर प्रोग्राम का उपयोग किया। ये क्लिप एक वास्तविक व्यक्ति के बोलने की तरह सुनाई देती हैं, लेकिन इन्हें पूरी तरह से सॉफ्टवेयर द्वारा बनाया गया है। टीम ने उन वाक्यांशों पर ध्यान केंद्रित किया जिनका उपयोग एक ग्राहक टेलीकॉम कंपनी को कॉल करते समय कर सकता है, जैसे कि विफल भुगतान के बारे में पूछना, बैलेंस चेक करना, या सिम कार्ड की समस्या की रिपोर्ट करना। इस डेटासेट को बनाकर, उन्होंने प्रशिक्षण सामग्री की एक सुरक्षित, नियंत्रित और प्रचुर आपूर्ति प्रदान की है जिसका उपयोग डेवलपर्स मशीनों को इन विशिष्ट, रोजमर्रा की समस्याओं को समझने के लिए सिखाने हेतु कर सकते हैं।

शोधकर्ताओं ने मशीनों को बोलना सिखाने का कोई नया तरीका आविष्कार नहीं किया; इसके बजाय, उन्होंने भारी काम करने के लिए 'ओमनीवॉइस' (OmniVoice) नामक एक मौजूदा उन्नत प्रणाली का उपयोग किया। उन्होंने सिस्टम में संदर्भ के रूप में एक वास्तविक महिला की आवाज़ की एक एकल रिकॉर्डिंग और टेलीकॉम समस्याओं का वर्णन करने वाले हजारों लिखित वाक्य डाले। फिर कंप्यूटर ने उस संदर्भ का उपयोग करके उसकी आवाज़ की नकल की और नए वाक्यों को बोला। परिणाम दस हजार ऑडियो फाइलों का एक संग्रह है, जो लगभग छब्बीस घंटे का भाषण है, जिसे उच्च गुणवत्ता में रिकॉर्ड किया गया है जो बंगाली भाषा की बारीकियों को पकड़ता है। महत्वपूर्ण रूप से, टीम ने केवल ऑडियो ही जारी नहीं किया; उन्होंने उस सटीक टेक्स्ट को भी प्रदान किया जिसका उपयोग इसे बनाने के लिए किया गया था, और साथ ही उस टेक्स्ट का एक साफ-सुथरा संस्करण भी दिया। यह साफ संस्करण अत्यंत महत्वपूर्ण है क्योंकि कंप्यूटर अक्सर विराम चिह्नों, स्पेसिंग या संख्याओं को लिखने के विभिन्न तरीकों से भ्रमित हो जाते हैं। एक मानकीकृत संस्करण प्रदान करके, शोधकर्ताओं ने अन्य वैज्ञानिकों के लिए यह परीक्षण करना बहुत आसान बना दिया है कि उनके स्पीच-रिकग्निशन सिस्टम जनरेट किए गए ऑडियो को कितनी अच्छी तरह समझ पाते हैं।

डेटा वास्तव में उपयोगी था या नहीं, यह सुनिश्चित करने के लिए शोधकर्ताओं को यह सत्यापित करना था कि कंप्यूटर-जनरेटेड स्पीच इच्छित शब्दों से मेल खाती है या नहीं। उन्होंने यह करने के लिए एक परिष्कृत स्पीच-टू-टेक्स्ट सिस्टम के माध्यम से सभी दस हजार ऑडियो क्लिप्स को चलाया, जिसे उन्होंने विशेष रूप से बंगाली टेलीकॉम भाषा पर प्रशिक्षित किया था। यह सिस्टम एक श्रोता की तरह कार्य करता था, जो सुनी गई बातों को ट्रांसक्राइब करने की कोशिश करता था और मूल टेक्स्ट के साथ उसकी तुलना करता था। परिणाम उल्लेखनीय रूप से सुसंगत थे। औसतन, सिस्टम ने बहुत कम गलतियाँ कीं, जिसमें ऑडियो क्लिप्स का एक बड़ा हिस्सा पूरी तरह से सही ट्रांसक्राइब हुआ। वास्तव में, आधे नमूनों को शून्य त्रुटियों के साथ ट्रांसक्राइब किया गया था। यह सुझाव देता है कि सिंथेटिक आवाज़ स्पष्ट और सटीक है जिससे इसे मशीनों को कस्टमर सर्विस कॉल्स को समझने के लिए प्रशिक्षित करने हेतु एक विश्वसनीय विकल्प के रूप में उपयोग किया जा सकता है।

हालाँकि, शोधकर्ता सावधानीपूर्वक यह भी बताते हैं कि यह डेटासेट क्या नहीं है। यह वास्तविक फोन कॉल्स का संग्रह नहीं है, और इसमें बैकग्राउंड शोर, भावनात्मक तनाव या वास्तविक जीवन में होने वाले अचानक व्यवधान शामिल नहीं हैं। चूंकि आवाज़ को एक अकेली महिला वक्ता से क्लोन किया गया था, इसलिए इस डेटासेट में वास्तविक जनसंख्या में पाए जाने वाले विभिन्न आवाजों, लहजों और लिंगों की विविधता का अभाव है। टीम स्वीकार करती है कि हालांकि यह सिंथेटिक डेटा मशीनों को टेलीकॉम भाषा की बुनियादी बातें सिखाने के लिए उत्कृष्ट है, लेकिन यह वास्तविक दुनिया के लिए सिस्टम बनाने के लिए वास्तविक मानव रिकॉर्डिंग की आवश्यकता को प्रतिस्थापित नहीं कर सकता है। वे यह भी नोट करते हैं कि उनके द्वारा किया गया मूल्यांकन स्वचालित था, जिसका अर्थ है कि एक कंप्यूटर ने गुणवत्ता का निर्णय लिया, न कि एक मानव श्रोता ने। जबकि कंप्यूटर ने भाषण को अत्यधिक सटीक पाया, एक मानव स्वाभाविकता में सूक्ष्म अंतर देख सकता है जिसे एक मशीन मिस कर सकती है।

यह कार्य टेलीकॉम क्षेत्र में बंगाली बोलने वालों के लिए स्पीच टेक्नोलॉजी को सुलभ बनाने की दिशा में एक महत्वपूर्ण कदम है। इस डेटासेट को सार्वजनिक रूप से जारी करके, शोधकर्ताओं ने डेवलपर्स को बेहतर कस्टमर सर्विस बॉट्स और वॉयस असिस्टेंट बनाने की शुरुआत करने के लिए एक शक्तिशाली उपकरण दिया है, बिना वर्षों तक वास्तविक दुनिया का डेटा एकत्र करने की प्रतीक्षा किए। यह डेटासेट किसी के भी उपयोग के लिए उपलब्ध है, बशर्ते वे लाइसेंस के नियमों का पालन करें, जो क्लोनिंग के लिए उपयोग की गई आवाज़ के अधिकारों की रक्षा करते हुए साझा करने को प्रोत्साहित करता है। यह दृष्टिकोण एक सामान्य समस्या के लिए एक व्यावहारिक समाधान प्रदान करता है: कैसे मशीनों को विशिष्ट स्थितियों में बोलने और सुनने के लिए सिखाया जाए जब वास्तविक डेटा दुर्लभ हो। यह सुझाव देता है कि सही उपकरणों के साथ, हम उच्च-गुणवत्ता, डोमेन-विशिष्ट स्पीच संसाधन उत्पन्न कर सकते हैं जो मानव आवश्यकताओं और मशीन क्षमताओं के बीच के अंतर को पाटने में मदद करते हैं, जिससे अधिक समावेशी और प्रभावी तकनीक का मार्ग प्रशस्त होता है।