Bridging communication between hearing and visually impaired individuals via speech recognition and synthesis
यह शोध पत्र MATLAB में विकसित एक लागत प्रभावी, केवल-सॉफ्टवेयर आधारित स्पीच रिकग्निशन एंड सिंथेसिस टूल (SRST) प्रस्तुत करता है जो भाषण को उच्च-विपरीत टेक्स्ट (high-contrast text) में और टेक्स्ट को संश्लेषित भाषण (synthesized speech) में परिवर्तित करके सुनने में अक्षम और दृष्टिबाधित व्यक्तियों के बीच द्विआयामी संचार की सुविधा प्रदान करता है, जो बिना किसी विशेष हार्डवेयर की आवश्यकता के लगभग 90% परिचालन दक्षता प्राप्त करता है।
मूल पेपर CC BY 4.0 (https://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
संचार की दुनिया की कल्पना एक विशाल, हलचल भरी पार्टी के रूप में करें जहाँ हर कोई एक-दूसरे से बात करने की कोशिश कर रहा है। अधिकांश लोगों के लिए, यह आसान है: आप बोलते हैं, आपका मित्र सुनता है, वे वापस बोलते हैं, और आप उनके होंठों को हिलते हुए देखते हैं। लेकिन कुछ मेहमानों के लिए, यह पार्टी थोड़ी टूटी हुई सी है। यदि आप संगीत नहीं सुन सकते (श्रवण बाधित), तो बातचीत एक मूक फिल्म देखने जैसी महसूस होती है जहाँ आप चुटकुले मिस कर देते हैं। यदि आप स्क्रीन नहीं देख सकते (दृष्टि बाधित), तो हो सकता है कि आप संगीत तो सुन लें लेकिन आपको पता न चले कि फिल्म किस बारे में है क्योंकि आप सबटाइटल नहीं पढ़ सकते।
यह शोध पत्र "सहायक तकनीक" (Assistive Technology) नामक विज्ञान के एक कोने में रहता है, जो मूल रूप से विकलांग लोगों को पार्टी में शामिल होने में मदद करने के लिए उपकरण बनाने का क्षेत्र है। इन शोधकर्ताओं ने क्या किया, इसे समझने के लिए आपको उन दो मुख्य तरीकों के बारे में जानना होगा जिनका उपयोग कंप्यूटर मनुष्यों से बात करने के लिए करते हैं। पहला है स्पीच रिकग्निशन (वाक् पहचान), जो एक सुपर-फास्ट अनुवादक की तरह है जो आपकी आवाज़ सुनता है और उसे स्क्रीन पर लिखे शब्दों में बदल देता है। दूसरा है स्पीच सिंथेसिस (वाक् संश्लेषण), जो इसका उल्टा है: यह लिखे हुए शब्दों को लेता है और कंप्यूटर की आवाज़ का उपयोग करके उन्हें ज़ोर से पढ़ता है। आमतौर पर, ये उपकरण उन लोगों के लिए डिज़ाइन किए गए होते हैं जो सुन सकते हैं लेकिन देख नहीं सकते, या इसके विपरीत। लेकिन क्या होता है जब एक व्यक्ति जो सुन नहीं सकता, वह एक ऐसे व्यक्ति से बात करने की कोशिश करता है जो देख नहीं सकता? वे एक ऐसे लूप में फंस जाते हैं जहाँ एक व्यक्ति उत्तर नहीं सुन सकता, और दूसरा प्रश्न नहीं पढ़ सकता। यह शोध पत्र इसी विशिष्ट टूटे हुए लूप को ठीक करने की कोशिश करता है।
शोधकर्ताओं ने, जो अक्सुम यूनिवर्सिटी, इथियोपिया की एक टीम है, एक डिजिटल पुल बनाया जिसे स्पीच रिकग्निशन एंड सिंथेसिस टूल (SRST) कहा जाता है। इसे एक दो-तरफा वॉकी-टॉकी के रूप में सोचें जो केवल ध्वनि प्रसारित नहीं करता है; यह तुरंत ध्वनि को टेक्स्ट में और टेक्स्ट को वापस ध्वनि में बदल देता है। उनका लक्ष्य एक ऐसा सिस्टम बनाना था जहाँ एक श्रवण बाधित व्यक्ति माइक्रोफ़ोन में बोल सके, उनके शब्द तुरंत एक स्क्रीन पर बड़े, स्पष्ट टेक्स्ट के रूप में दिखाई दें ताकि दृष्टि बाधित व्यक्ति उन्हें कंप्यूटर की आवाज़ के माध्यम से "सुन" सके, और फिर वह दृष्टि बाधित व्यक्ति वापस बोल सके, जिससे उनकी आवाज़ टेक्स्ट में बदल जाए ताकि श्रवण बाधित व्यक्ति उसे पढ़ सके।
इस प्रोजेक्ट की खास बात यह है कि उन्होंने कोई नया फैंसी रोबोट या महंगा हार्डवेयर नहीं बनाया। इसके बजाय, उन्होंने एक चतुर सॉफ़्टवेयर प्रोग्राम लिखा जो एक सामान्य माइक्रोफ़ोन और स्पीकर का उपयोग करके एक मानक कंप्यूटर पर चलता है। यह एक सामान्य लैपटॉप को एक जादुई संचार उपकरण में बदलने जैसा है। यह सिस्टम दो मुख्य दिशाओं में काम करता है। एक तरफ, यह एक दृष्टि बाधित व्यक्ति की आवाज़ सुनता है। यह ध्वनि को छोटे-छोटे टुकड़ों में काटता है, भाषण के अद्वितीय पैटर्न (जैसे ध्वनि के लिए फिंगरप्रिंट) का विश्लेषण करता है, और उन पैटर्न को शब्दों की उस सूची से मिलाता है जिन्हें उसे सिखाया गया है। एक बार जब वह समझ जाता है कि क्या कहा गया था, तो वह शब्दों को स्क्रीन पर उच्च-विपरीत (high-contrast) टेक्स्ट में प्रिंट करता है ताकि श्रवण बाधित व्यक्ति उन्हें पढ़ सके। दूसरी ओर, श्रवण बाधित व्यक्ति एक संदेश टाइप करता है। कंप्यूटर फिर उन अक्षरों को लेता है और मानव भाषण के छोटे पूर्व-रिकॉर्ड किए गए टुकड़ों (जिन्हें "डिफोन्स" कहा जाता है) को जोड़कर एक नई आवाज़ बनाता है जो संदेश को दृष्टि बाधित व्यक्ति के लिए ज़ोर से पढ़ती है।
टीम ने अपने निर्माण का परीक्षण एक शोर वाले विश्वविद्यालय लैब में लोगों को सिस्टम में बोलने के माध्यम से किया। उन्होंने पाया कि सिस्टम काफी अच्छा काम करता है, और लगभग 90% बार संदेश सही पहचान लेता है। यह शांत कमरे में वाक्यों को समझने (89.5%) की तुलना में अलग-थलग शब्दों को पहचानने (91.2%) में थोड़ा बेहतर था, और बैकग्राउंड शोर होने पर यह थोड़ा कम (84.1%) हो गया। लेखकों का सुझाव है कि कुछ गलतियाँ इसलिए हुईं क्योंकि कुछ शब्द कंप्यूटर के कान के लिए बहुत समान लगते हैं, जैसे भीड़ में जुड़वां बच्चे।
उन्होंने यह भी खोजा कि सिस्टम लचीला है। क्योंकि उन्होंने जटिल व्याकरण नियम हार्ड-कोड नहीं किए थे, इसलिए सिस्टम भाषाओं के मिश्रण को संभाल सकता था, और इसने एक ही बातचीत में अंग्रेजी, टिग्रिग्ना और अमारिक शब्दों को सफलतापूर्वक पहचाना। हालाँकि, वे स्वीकार करते हैं कि सिस्टम अभी भी पूर्ण नहीं है। यह कभी-कभी अचानक होने वाले तेज़ शोर (जैसे कुर्सी खिसकने की आवाज़) से भ्रमित हो जाता है जो भाषण नहीं है, और यदि कंप्यूटर को एक साथ बहुत सारे शब्दों की जाँच करनी पड़ती है तो यह थोड़ा धीमा हो सकता है।
शोधकर्ता निष्कर्ष निकालते हैं कि हालांकि यह एक कामकाजी प्रोटोटाइप है और कोई अंतिम व्यावसायिक उत्पाद नहीं है, यह साबित करता है कि एक कम लागत वाला, केवल-सॉफ्टवेयर समाधान इन दो समुदायों के बीच की खाई को सफलतापूर्वक पाट सकता है। वे सुझाव देते हैं कि भविष्य में, एक अनुवाद परत जोड़ने से लोग अलग-अलग भाषाएँ बोल सकते हैं और फिर भी एक-दूसरे को समझ सकते हैं, और बेहतर माइक्रोफ़ोन का उपयोग करने से सिस्टम बैकग्राउंड शोर को अनदेखा करने में मदद मिल सकती है। फिलहाल के लिए, उन्होंने एक ठोस आधार तैयार किया है—एक डिजिटल हैंडशेक—जो यह दिखाता है कि कैसे तकनीक दो ऐसे लोगों की मदद कर सकती है जो दुनिया को अलग तरह से अनुभव करते हैं, आखिरकार एक बातचीत करने में सक्षम बना सकती 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।