Evaluating Goodness of Pronunciation and Phonological Posteriors as Objective Markers of Speech Severity in Motor Speech Disorders
यह अध्ययन प्रदर्शित करता है कि स्व-पर्यवेक्षित स्पीच रिप्रजेंटेशन (self-supervised speech representations), विशेष रूप से WavLM, से प्राप्त उच्चारण की सुस्पष्टता (goodness of pronunciation) के स्कोर, पारंपरिक ध्वनिक विशेषताओं (acoustic features) और फोनोलॉजिकल पोस्टीरियर प्रोबेबिलिटीज (phonological posterior probabilities) की तुलना में मोटर स्पीच विकारों में स्पीच की गंभीरता का आकलन करने के लिए बेहतर वस्तुनिष्ठ मार्कर के रूप में कार्य करते हैं, जबकि वे विरूपण (distortion) और बोधगम्यता (intelligibility) के बोधपरक रेटिंग के साथ मजबूत संरेखण दिखाते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को मानवीय बोली समझना सिखाने की कोशिश कर रहे हैं, लेकिन बोलने वाले लोग एक ऐसी स्थिति से जूझ रहे हैं जो उनके शब्दों को "स्लशी" (slushy), "स्टिफ" (stiff), या "जंबल्ड" (jumbled) बना देती है। यह मोटर स्पीच डिसऑर्डर (वाक विकार) की दुनिया है, जहाँ मुँह चलाने की मस्तिष्क की योजना थोड़ी गड़बड़ा जाती है। दशकों से, डॉक्टर इस बात का निर्णय लेने के लिए कि भाषण कितना खराब सुनाई देता है, अपने कानों और अनुभव पर भरोसा करते आए हैं, ठीक वैसे ही जैसे एक संगीत शिक्षक किसी छात्र के गायन को सुनकर उसे ग्रेड देता है। लेकिन मानवीय कान थक सकते हैं, और अलग-अलग शिक्षक अलग-अलग ग्रेड दे सकते हैं। वैज्ञानिक एक "स्पीच रूलर" (भाषण का पैमाना) बनाने की कोशिश कर रहे हैं—एक ऐसा कंप्यूटर प्रोग्राम जो ध्वनि तरंग को देख सके और उसे एक वस्तुनिष्ठ स्कोर दे सके कि वह कितनी विकृत या अस्पष्ट है। इसे करने के लिए, वे दो मुख्य उपकरणों का उपयोग करते हैं: एक जो यह जाँचता है कि क्या कोई ध्वनि शब्द की "सही" शब्दकोश परिभाषा से मेल खाती है (ध्वनियों के लिए स्पेल-चेकर की तरह), और दूसरा जो ध्वनि को उसके भौतिक निर्माण खंडों में तोड़ देता है, जैसे कि यह जाँच करना कि होंठ गोल थे या जीभ सपाट थी। बड़ा सवाल यह है कि इनमें से कौन सा कंप्यूटर टूल परेशानी को पकड़ने में बेहतर है, और क्या उन्हें एक साथ काम करने की आवश्यकता है?
मेयो क्लिनिक के शोधकर्ताओं द्वारा किए गए इस अध्ययन ने इन उपकरणों का परीक्षण करने का निर्णय लिया और इसके लिए एक बहुत ही विशिष्ट शब्द का उपयोग किया: "कैटास्ट्रोफी" (catastrophe)। उन्होंने 48-9 लोगों द्वारा इस शब्द को बोलने की रिकॉर्डिंग की—जिनमें से कुछ स्वस्थ भाषण वाले थे और 156 मोटर स्पीच डिसऑर्डर वाले थे। टीम यह देखना चाहती थी कि क्या वे एक बेहतर "गुडनेस ऑफ प्रोनंसिएशन" (GoP) स्कोर बनाने के लिए आधुनिक "सेल्फ-सुपरवाइज्ड" AI मॉडल (सोचिए इन्हें ऐसे सुपर-स्मार्ट रोबोट के रूप में जिन्होंने इंटरनेट पर लाखों घंटों के अनलेबल ऑडियो को सुनकर बोलना सीखा है) का उपयोग कर सकते हैं। उन्होंने इस नई, हाई-टेक GoP की तुलना पुराने, पारंपरिक ध्वनिक गुणों (acoustic features) और "फोनोलॉजिकल पोस्टीरियर प्रोबेबिलिटीज" (वह टूल जो भौतिक निर्माण खंडों की जाँच करता है) से की।
उन्होंने क्या पाया: नया, हाई-टेक AI दृष्टिकोण एक स्पष्ट विजेता था। जब शोधकर्ताओं ने भाषण का विश्लेषण करने के लिए WavLM नामक एक विशिष्ट आधुनिक AI मॉडल का उपयोग किया, तो इसने पुराने तरीकों की तुलना में डॉक्टरों की रेटिंग (कि भाषण कितना विकृत या अस्पष्ट था) से मेल खाने में बहुत बेहतर प्रदर्शन किया। वास्तव में, सबसे अच्छा प्रदर्शन करने वाला सेटअप वह था जिसमें "के-नियरस्ट नेबर्स" (k-nearest neighbors) नामक पद्धति (जो निर्णय लेने के लिए लाइब्रेरी में सबसे समान उदाहरण खोजने जैसा है) को WavLM AI के साथ जोड़ा गया था। इस संयोजन ने डॉक्टरों द्वारा दिए गए भाषण के मूल्यांकन के साथ सबसे मजबूत संबंध हासिल किया।
अध्ययन ने दूसरे टूल पर भी नज़र डाली, जो भाषण के भौतिक निर्माण खंडों की जाँच करता है। यह पता चला कि यह टूल मददगार था, लेकिन यह GoP स्कोर की तुलना में भाषण की समस्याओं की समग्र गंभीरता की भविष्यवाणी करने में उतना अच्छा नहीं था। शोधकर्ताओं ने पाया कि हालांकि दोनों उपकरण भाषण को अलग तरह से देखते हैं—एक यह जाँचता है कि ध्वनि "सही" शब्द है या नहीं, और दूसरा यह जाँचता है कि मुँह कैसे हिला—वे वास्तव में थोड़ी अलग चीजें कैप्चर करते हैं। हालाँकि, जब उन्होंने एक "सुपर-स्कोरर" बनाने के लिए उन्हें मिलाने की कोशिश की, तो GoP स्कोर पहले से ही इतना भारी काम कर रहा था कि दूसरे टूल ने बहुत अधिक अतिरिक्त मूल्य नहीं जोड़ा।
दिलचस्प बात यह है कि अध्ययन ने जाँच की कि क्या उम्र या लिंग ने परिणामों को बिगाड़ दिया। उन्होंने पाया कि इन कारकों का कंप्यूटर के स्कोरिंग कार्य पर लगभग कोई प्रभाव नहीं पड़ा। चाहे बोलने वाला युवा हो या वृद्ध, पुरुष हो या महिला, भाषण की समस्या को पहचानने में कंप्यूटर की क्षमता स्थिर रही। यह एक बड़ी बात है क्योंकि यह सुझाव देता है कि ये कंप्यूटर उपकरण बिना हर व्यक्ति के लिए फिर से ट्यून किए गए, विविध प्रकार के लोगों के लिए काफी अच्छी तरह से काम कर सकते हैं।
अंत में, यह पेपर सुझाव देता है कि उच्चारण स्कोर बनाने के लिए इन उन्नत, सेल्फ-सुपरवाइज्ड AI मॉडल का उपयोग करना भाषण दोष को वस्तुनिष्ठ रूप से मापने का एक शक्तिशाली तरीका है। जबकि "निर्माण खंड" जाँचने वाला टूल यह समझने के लिए अपनी जगह रखता है कि मुँह कैसे हिलता है, "स्पेल-चेकर" शैली वाला GoP स्कोर यह बताने के लिए बेहतर उपकरण है कि भाषण की समस्या कितनी गंभीर है। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि इसका परीक्षण एक ही शब्द को कई बार दोहराकर किया गया था, इसलिए हालांकि परिणाम उत्साहजनक हैं, यह देखने के लिए कि क्या यह लंबे, स्वाभाविक संवादों में भी उतना ही अच्छा काम करता है, और अधिक काम की आवश्यकता है। लेकिन फिलहाल, ऐसा लगता है कि भाषण मूल्यांकन का भविष्य एक बहुत ही स्मार्ट रोबोट के बहुत ध्यान से सुनने में छिपा 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।