Automatic Identification of Maxaatiri and Maay Somali Dialects from Speech Using Mel-Spectrogram-Based Convolutional Neural Networks

कल्पना कीजिए कि आपके पास ऑडियो रिकॉर्डिंग का एक विशाल पुस्तकालय है, लेकिन किताबों के बजाय, इसमें अलग-अलग संस्करणों में बोलती विभिन्न आवाज़ें हैं। इस अध्ययन का लक्ष्य एक डिजिटल "कान" बनाना था जो भाषण के एक छोटे से क्लिप को सुनकर तुरंत आपको बता सके: "क्या यह महातीरी (Maxaatiri) बोली (जिसे अक्सर मानक सोमाली कहा जाता है) है या माय (Maay) बोली?"

यहाँ शोधकर्ता, मोहम्मद मोहामुद अली ने इस प्रणाली को कैसे बनाया, इसे सरल शब्दों में समझाया गया है:

1. समस्या: एक लापता अनुवादक

सोमाली लाखों लोगों द्वारा बोली जाती है, लेकिन यह केवल एक एकल आवाज़ नहीं है। इसके प्रमुख बोलियाँ हैं, जैसे महातीरी और माय। इसे आप ब्रिटिश लहजे और अमेरिकी लहजे के बीच के अंतर की तरह समझ सकते हैं, लेकिन इनमें शब्दों के निर्माण और उच्चारण के तरीके में बड़े अंतर होते हैं।

वर्तमान में, अधिकांश कंप्यूटर प्रोग्राम जो भाषण को समझते हैं, उन्हें "मानक" भाषाओं पर प्रशिक्षित किया जाता है। वे अक्सर अलग बोली सुनने पर भ्रमित हो जाते हैं, ठीक वैसे ही जैसे कोई व्यक्ति जो केवल औपचारिक पाठ्यपुस्तकों को पढ़ना जानता हो, वह अपने किसी दोस्त की स्थानीय बोलचाल को समझने में संघर्ष कर सकता है। यह अध्ययन देखना चाहता था कि क्या एक कंप्यूटर केवल सुनकर इन दो सोमाली बोलियों के बीच अंतर करना सीख सकता है।

2. रेसिपी: डेटा कैसे एकत्र किया गया

चूंकि कोई पहले से बना हुआ "सोमाली बोली डेटासेट" डिब्बे में उपलब्ध नहीं था, इसलिए शोधकर्ता को अपनी सामग्री खुद बनानी पड़ी।

• स्रोत: वे यूट्यूब पर गए और सार्वजनिक प्रसारण वीडियो डाउनलोड किए।
  • महातीरी के लिए, उन्होंने सोमाली नेशनल टेलीविजन के क्लिप का उपयोग किया।
  • माय के लिए, उन्होंने अर्लादी टीवी (Arlaadi TV) के क्लिप का उपयोग किया।
• कटिंग बोर्ड: उन्होंने इन लंबे वीडियो को शुद्ध भाषण के छोटे-छोटे, 10-सेकंड के टुकड़ों में काट दिया।
• सफाई: उन्होंने सन्नाटे और बैकग्राउंड शोर को हटा दिया, और सब कुछ एक साफ, मानक ऑडियो फॉर्मेट में बदल दिया (जैसे सभी फाइलों को एक ही MP3 क्वालिटी में बदलना)।

अंत में, उनके पास एक "ट्रेनिंग मील" के रूप में 180 ऑडियो क्लिप थे: प्रत्येक बोली से 90। यह एक छोटा, संतुलित भोजन था, लेकिन स्वाद लेने के लिए पर्याप्त था।

3. जादुई चश्मा: ध्वनि को चित्रों में बदलना

कंप्यूटर चित्र देखने में बहुत अच्छे होते हैं, लेकिन वे कच्ची ध्वनि तरंगों (raw sound waves) को सुनने में खराब होते हैं। इसे ठीक करने के लिए, शोधकर्ता ने मेल-स्पेक्ट्रोग्राम (Mel-Spectrogram) नामक एक तरकीब का उपयोग किया।

कल्पना कीजिए कि आप एक ध्वनि तरंग को प्रिज्म के माध्यम से चला रहे हैं। रंगों के इंद्रधनुष के बजाय, आपको एक हीट मैप (heat map) या एक ध्वनि का फिंगरप्रिंट मिलता है।

• X-अक्सिस (X-axis) समय है (ध्वनि कितनी देर तक चलती है)।
• Y-अक्सिस (Y-axis) पिच है (आवाज़ कितनी ऊँची या नीची है)।
• रंग दिखाते हैं कि अलग-अलग पिच कितनी तेज़ या धीमी हैं।

अब, एक साउंड फाइल के बजाय, कंप्यूटर के पास ध्वनि का एक छोटा सा चित्र है। इससे कंप्यूटर के लिए दोनों बोलियों के बीच के अंतर को "देखना" बहुत आसान हो जाता है।

4. जासूस: न्यूरल नेटवर्क

शोधकर्ता ने एक कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) बनाया। इसे एक डिजिटल जासूस के रूप में सोचें जिसे उन "ध्वनि चित्रों" को देखने के लिए प्रशिक्षित किया गया है।

• प्रशिक्षण (Training): जासूस को 180 चित्र दिखाए गए। कुछ को "महातीरी" के रूप में लेबल किया गया था और कुछ को "माय" के रूप में।
• सीखना: जासूस ने पैटर्न की तलाश की। शायद महातीरी की आवाजों में उच्च-पिच वाले क्षेत्र में अधिक "लाल" रंग था, जबकि माय की आवाजों में कम-पिच वाले क्षेत्र में अधिक "नीला" रंग था।
• परीक्षण: अध्ययन के बाद, जासूस को चित्रों का एक नया सेट दिया गया जिसे उसने पहले कभी नहीं देखा था (टेस्ट सेट) और उससे बोली पहचानने को कहा गया।

5. परिणाम: जासूस कितना अच्छा था?

जासूस ने काफी अच्छा काम किया, लेकिन वह पूर्ण नहीं था।

• सटीकता (Accuracy): इसने लगभग 81.5% बार सही उत्तर दिया।
• गलतियाँ: टेस्ट क्लिप्स में से, इसने 14 में से 12 महातीरी क्लिप्स और 13 में से 10 माय क्लिप्स को सही ढंग से पहचाना।
• भ्रम: कभी-कभी इसने उन्हें आपस में मिला दिया। इसने कुछ महातीरी क्लिप्स को माय समझ लिया, और कुछ माय क्लिप्स को महातीरी।

6. बड़ा "लेकिन": हमें सावधान क्यों रहना चाहिए

यह पेपर अपने सीमाओं के बारे में बहुत ईमानदार है। यह समझना महत्वपूर्ण है कि क्यों यह जासूस इस विशिष्ट परीक्षण के लिए अच्छा हो सकता है लेकिन वास्तविक दुनिया के लिए अभी तैयार नहीं है।

• "टीवी स्टेशन" का पूर्वाग्रह (Bias): यह सबसे बड़ी पकड़ है। शोधकर्ता ने महातीरी के लिए एक टीवी स्टेशन और माय के लिए एक अलग टीवी स्टेशन का उपयोग किया।

  • उपमा: कल्पना कीजिए कि आप एक बच्चे को "सेब" और "संतरे" के बीच अंतर करना सिखाने की कोशिश कर रहे हैं। लेकिन आप उसे केवल एक विशिष्ट किराने की दुकान से रेड डेलिशियस सेब और दूसरी दुकान से हरे संतरे दिखाते हैं।
  • बच्चा शायद फल के बीच अंतर नहीं सीख रहा है; वह शायद किराने की दुकान के लोगो या दुकान की लाइटिंग के बीच अंतर सीख रहा है।
  • इसी तरह, कंप्यूटर ने वास्तविक बोली के बजाय सोमाली नेशनल टीवी बनाम अर्लादी टीवी की ध्वनि गुणवत्ता को पहचानना सीख लिया होगा। यदि आप सोमाली नेशनल टीवी पर एक माय बोलने वाले को चलाते हैं, तो कंप्यूटर भ्रमित हो सकता है।

• छोटा सैंपल साइज: डेटासेट बहुत छोटा था (केवल 180 क्लिप)। यह सिर्फ दो छोटी कहानियाँ पढ़कर पूरी भाषा सीखने जैसा है।

• विवरणों की कमी: शोधकर्ता को वक्ताओं (उनकी उम्र, लिंग या क्षेत्र) के बारे में पता नहीं था। यदि महातीरी बोलने वाले सभी पुरुष थे और माय बोलने वाले सभी महिलाएं थीं, तो कंप्यूटर केवल "पुरुष बनाम महिला" का अनुमान लगा रहा होगा, न कि "बोली अ बनाम बोली ब"।

निष्कर्ष

यह पेपर एक पहला कदम है। यह साबित करता है कि ध्वनि चित्रों का उपयोग करके इन दो सोमाली बोलियों के बीच अंतर करने के लिए डीप लर्निंग का उपयोग करना संभव है। यह एक प्रोटोटाइप कार इंजन बनाने जैसा है जो एक टेस्ट ट्रैक पर चलता है।

हालाँकि, यह पेपर यह दावा नहीं करता कि यह इंजन अभी हाईवे के लिए तैयार है। क्योंकि डेटा सीमित टीवी स्रोतों से आया था और छोटा था, इसलिए परिणाम केवल एक "प्रारंभिक आधार रेखा" (preliminary baseline) हैं। इस तकनीक को वास्तविक लोगों के लिए उपयोगी बनाने के लिए, हमें कई अलग-अलग वक्ताओं, कई अलग-अलग स्थानों से रिकॉर्ड की गई आवाजों का एक बहुत बड़ा पुस्तकालय चाहिए होगा, ताकि कंप्यूटर केवल टीवी स्टेशन को नहीं बल्कि बोली को सीख सके।