Bidirectional Deaf-Hearing Communication: a Modular Service- Oriented System Combining Multi-Purpose Artificial Intelligence and 3D Avatar Rendering

सदियों से, बधिर (deaf) और सुनने में सक्षम लोगों के बीच मौलिक बाधा इंद्रियों का एक सरल बेमेल रहा है: एक समूह हाथों और चेहरों की दृश्य भाषा के माध्यम से संवाद करता है, जबकि दूसरा आवाजों की ध्वनि पर निर्भर करता है। हालांकि तकनीक ने लंबे समय से बधिर लोगों के लिए बोले गए शब्दों को टेक्स्ट में और सुनने में सक्षम लोगों के लिए टेक्स्ट को स्पीच में अनुवाद करने की अनुमति दी है, लेकिन वास्तविक समय की बातचीत में इस अंतर को पाटना बेहद कठिन बना हुआ है। चुनौती केवल एक भाषा से दूसरी भाषा में रूपांतरण करने के बारे में नहीं है, बल्कि दुनिया को अनुभव करने के दो पूरी तरह से अलग तरीकों को प्रबंधित करने के बारे में है। बधिर व्यक्ति सांकेतिक भाषा (sign language) का उपयोग करते हैं, जो एक जटिल प्रणाली है जहाँ अर्थ हाथों के आकार, हाथ की गति, शरीर की स्थिति और चेहरे के भावों से व्यक्त किया जाता है। इसके विपरीत, सुनने में सक्षम लोग ध्वनियों में बोलते हैं जो हवा के माध्यम से यात्रा करती हैं। जब एक बधिर व्यक्ति एक वाक्य साइन करता है, तो कंप्यूटर को वीडियो देखना होगा, विशिष्ट गतिविधियों को समझना होगा और उन्हें शब्दों में बदलना होगा। जब एक सुनने में सक्षम व्यक्ति बोलता है, तो कंप्यूटर को उन शब्दों को लेना चाहिए, उन्हें सही क्रम में तोड़ना चाहिए, और फिर उन्हें बधिर व्यक्ति को दिखाना चाहिए। इन दोनों कार्यों को बिना किसी ऐसे अंतराल (lag) के तुरंत करना, जो बातचीत के प्रवाह को तोड़ दे, एक ऐसी प्रणाली की आवश्यकता रखता है जो अविश्वसनीय रूप से तेज़ और अविश्वसनीय रूप से स्मार्ट हो।

पुर्तगाल के शोधकर्ताओं की एक टीम ने इस सटीक समस्या को हल करने के लिए डिज़ाइन किया गया एक नया सिस्टम बनाया है, जो एक डिजिटल सेतु बनाता है ताकि बधिर और सुनने में सक्षम लोग यथासंभव स्वाभाविक रूप से एक-दूसरे से बात कर सकें। वे अपनी इस रचना को SLaDIS कहते हैं, जो एक मॉड्यूलर प्लेटफॉर्म है जो दो-तरफा बातचीत के लिए एक सार्वभौमिक अनुवादक (universal translator) के रूप में कार्य करता है। सब कुछ एक ही विशाल प्रोग्राम में जबरदस्ती फिट करने के बजाय, शोधकर्ताओं ने सिस्टम को तीन अलग-अलग भागों में विभाजित किया है जो एक सुव्यवस्थित रिले रेस (relay race) की तरह मिलकर काम करते हैं। पहला भाग बधिर व्यक्ति के हाथों और चेहरे को देखता है, दूसरा भाग सुनने में सक्षम व्यक्ति के शब्दों को सुनता है और उन्हें संकेतों (signs) में बदलता है, और तीसरा भाग वह स्क्रीन है जहाँ वास्तव में बातचीत होती है। इन भागों को अलग लेकिन जुड़े हुए रखकर, सिस्टम बातचीत को धीमा किए बिना कंप्यूटर विजन और आर्टिफिशियल इंटेलिजेंस के भारी कार्यों को संभाल सकता है।

यात्रा तब शुरू होती है जब एक बधिर व्यक्ति बोलना चाहता है। वे मोबाइल फोन या कंप्यूटर पर लगे कैमरे में अपना संदेश साइन करते हैं। सिस्टम वीडियो के हर एक पिक्सेल को याद रखने की कोशिश नहीं करता, जो बहुत धीमा होगा और बहुत अधिक डेटा की आवश्यकता होगी। इसके बजाय, यह व्यक्ति के शरीर के मुख्य बिंदुओं—उंगलियों के जोड़, कोहनियों, कंधों और मुंह के कोनों—को खोजने के लिए एक विशेष टूल का उपयोग करता है। यह इन बिंदुओं को उनके हिलने-डुलते हुए ट्रैक करता है, जिससे जेस्चर (gesture) का एक सरलीकृत मानचित्र तैयार होता है। इस मानचित्र को फिर एक डीप लर्निंग मॉडल में फीड किया जाता है, जो पुर्तगाली सांकेतिक भाषा के हजारों उदाहरणों पर प्रशिक्षित एक प्रकार का आर्टिफिशियल इंटेलिजेंस है। मॉडल गतिविधियों के क्रम को देखता है और विशिष्ट संकेतों की पहचान करता है, जिससे दृश्य गति को शब्दों की एक सूची में बदल दिया जाता है। क्योंकि सांकेतिक भाषा अक्सर छोटे जोड़ने वाले शब्दों को छोड़ देती है या बोली जाने वाली भाषा की तुलना में एक अलग वाक्य संरचना का उपयोग करती है, इसलिए सिस्टम इस शब्दों की सूची को एक बड़े लैंग्वेज मॉडल (large language model) को भेजता है। यह बुद्धि का दूसरा स्तर एक सहायक संपादक की तरह कार्य करता है, जो शब्दों को पुनर्व्यवस्थित करता है, आवश्यक व्याकरण जोड़ता है, और वाक्य को सुचारू बनाता है ताकि वह सुनने में सक्षम व्यक्ति के लिए पूरी तरह समझ में आए। परिणाम एक स्पष्ट, स्वाभाविक वाक्य होता है जो सुनने में सक्षम प्रतिभागी के पढ़ने या सुनने के लिए स्क्रीन पर दिखाई देता है।

जब सुनने में सक्षम व्यक्ति जवाब देना चाहता है, तो यह प्रक्रिया उलटी दिशा में काम करती है। वे अपना संदेश टाइप करते हैं या बोलते हैं, और सिस्टम तुरंत इसे पुर्तगाली सांकेतिक भाषा के विशिष्ट 'ग्लोसेस' (glosess), या निर्माण खंडों (building blocks) में अनुवादित कर देता है। यह केवल शब्द-दर-शब्द बदलाव नहीं है; सिस्टम समझता है कि सांकेतिक भाषा के अपने शब्द क्रम और व्याकरण के नियम होते हैं। एक बार जब वाक्य को संकेतों के सही क्रम में बदल दिया जाता है, तो सिस्टम उस संदेश को बधिर उपयोगकर्ता को दिखाने के लिए तैयार होता है। किसी मानव सांकेतिककर्ता का पूर्व-रिकॉर्ड किया गया वीडियो भेजने के बजाय, जिसमें डाउनलोड होने में समय लग सकता है और जो सटीक शब्दों से मेल नहीं खा सकता, सिस्टम एक 3D डिजिटल अवतार का उपयोग करता है। यह अवतार एक आभासी मानव है जो एप्लिकेशन के भीतर रहता है। सिस्टम प्रत्येक संकेत के लिए लाइब्रेरी से विशिष्ट एनिमेशन निकालता है और उन्हें एक साथ जोड़ता है, जिससे एक निरंतर प्रदर्शन बनता है। अवतार एक वास्तविक सांकेतिककर्ता की नकल करने के लिए अपने हाथों, बाहों और चेहरे को हिलाता है, और संदेश को सीधे बधिर उपयोगकर्ता की स्क्रीन पर प्रदर्शित करता है।

शोधकर्ताओं ने यह देखने के लिए इस सिस्टम का व्यापक परीक्षण किया कि क्या यह वास्तविक बातचीत की गति के साथ तालमेल बिठा सकता है। उन्होंने पाया कि संकेतों को पहचानने वाला सिस्टम अत्यधिक सटीक था, जिसने परीक्षण किए गए संकेतों में से 95.6 प्रतिशत को सही ढंग से पहचाना। जब सिस्टम ने उन संकेतों को पूर्ण वाक्यों में बदला, तो अर्थ का मूल संदेश से मिलान उच्च स्तर की समानता के साथ हुआ, जिसने 1.0 के पैमाने पर (जहाँ 1.0 एक पूर्ण मिलान है) 0.81 स्कोर किया। सिस्टम की गति भी उतनी ही प्रभावशाली थी। एक संकेत को पहचानने और उसे वाक्य में बदलने में लगने वाला समय एक सेकंड के दसवें हिस्से से भी कम था, और सुनने में सक्षम व्यक्ति द्वारा संदेश भेजने के बाद अवतार के हिलना शुरू करने में लगा समय एक सेकंड से थोड़ा अधिक था। ये गति इतनी तेज़ है कि यह संदेशों के आदान-प्रदान के बजाय एक स्वाभाविक, प्रवाहमयी बातचीत जैसा महसूस कराती है।

यह सुनिश्चित करने के लिए कि सिस्टम वास्तव में उपयोगी था, शोधकर्ताओं ने अवतार का मूल्यांकन करने के लिए 'पुर्तगाली एसोसिएशन ऑफ द डेफ' के विशेषज्ञों को शामिल किया। दो स्वतंत्र मूल्यांकनकर्ताओं ने अवतार को संकेत करते हुए देखा और इस बात को रेट किया कि वे संदेश को कितनी अच्छी तरह समझ पाए। एक विशेषज्ञ ने 90 प्रतिशत संकेतों को समझा, जबकि दूसरे ने 78 प्रतिशत को। अध्ययन में उल्लेख किया गया कि जब एनिमेशन की गुणवत्ता उच्च थी, तो समझ एकदम सटीक थी, जिससे पता चलता है कि शब्दों की सटीकता जितनी महत्वपूर्ण है, उतनी ही महत्वपूर्ण गति की स्पष्टता भी है। सिस्टम यह भी साबित करने में सफल रहा कि यह खरीदारी, पर्यटन और स्वास्थ्य सेवा जैसे विभिन्न परिवेशों में बातचीत को संभालने में सक्षम है, जो दर्शाता है कि यह दैनिक जीवन में आवश्यक विविध शब्दावली के अनुकूल हो सकता है।

इस कार्य की वास्तविक नवीनता इस बात में निहित है कि ये हिस्से आपस में कैसे जुड़ते हैं। सिस्टम को स्वतंत्र सेवाओं के संग्रह के रूप में डिजाइन करके, शोधकर्ताओं ने एक ऐसा प्लेटफॉर्म बनाया है जो विकसित हो सकता है। यदि भविष्य में बेहतर AI मॉडल विकसित होते हैं, तो पूरे सिस्टम को फिर से बनाए बिना उन्हें बदला जा सकता है। यदि लाइब्रेरी में अधिक संकेतों को जोड़ने की आवश्यकता है, तो उन्हें बिना अनुवाद प्रक्रिया को बाधित किए रिकॉर्ड और जोड़ा जा सकता है। यह दृष्टिकोण सुनिश्चित करता है कि सिस्टम केवल एक बार का प्रयोग नहीं है, बल्कि एक ऐसा उपकरण है जो विकसित हो सकता है। शोधकर्ता स्वीकार करते हैं कि भाषा की पूरी समृद्धि की तुलना में शब्दावली अभी सीमित है, और टेक्स्ट से साइन में अनुवाद अधिक सहज हो सकता है यदि अधिक प्रशिक्षण डेटा उपलब्ध हो। हालाँकि, परिणाम यह प्रदर्शित करते हैं कि बधिर और सुनने योग्य दुनिया के बीच एक पूर्णतः कार्यात्मक, दो-तरफा सेतु केवल एक सैद्धांतिक संभावना नहीं है, बल्कि एक काम करने वाली वास्तविकता है जो वास्तविक मानवीय जुड़ाव के लिए आवश्यक गति और विश्वसनीयता के साथ काम करती है।