Automatic speech recognition system for court proceedings in Ethiopia

कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ कंप्यूटर मानव आवाजों को सुन सकते हैं और उन्हें तुरंत लिखित शब्दों में बदल सकते हैं। यह कोई जादू नहीं है; यह विज्ञान का एक क्षेत्र है जिसे ऑटोमैटिक स्पीच रिकग्निशन (ASR) कहा जाता है। इसे एक सुपर-फास्ट, सुपर-सतर्क लेखक के रूप में सोचें जो कभी थकता नहीं, कभी पेन नहीं गिराता, और आपके बोलने की गति के साथ टाइप कर सकता है। वर्षों से, यह तकनीक स्वास्थ्य सेवा जैसे उच्च-तकनीकी क्षेत्रों में एक स्टार खिलाड़ी रही है, जहाँ यह डॉक्टरों को नोट्स डिक्टेट करने में मदद करती है, और ब्रॉडकास्टिंग में, जहाँ यह लाइव समाचारों के लिए कैप्शन बनाती है। लेकिन यहाँ एक पेंच है: इस "सुपर लेखक" को मुख्य रूप से उन भाषाओं पर प्रशिक्षित किया गया है जिनके पास सीखने के लिए डेटा के पहाड़ हैं, जैसे अंग्रेजी या मंदारिन। कई अन्य भाषाओं के लिए, विशेष रूप से उन स्थानों के लिए जहाँ डिजिटल संसाधन कम हैं, लेखक अक्सर भ्रमित हो जाता है, चुप हो जाता है, या बस शब्द बना लेता है।

यह समझने के लिए कि यह लेखक कैसे सीखता है, हमें उन दो मुख्य उपकरणों को देखने की आवश्यकता है जिनका यह उपयोग करता है। पहला, "एकॉस्टिक मॉडल" (acoustic model) है, जो एक संगीतकार की तरह है जो वायलिन बनाम बांसुरी की विशिष्ट ध्वनि को पहचानना सीख रहा है। यह भाषण की कच्ची ध्वनि तरंगों को फोनिम्स (phonemes) नामक छोटे, प्रबंधनीय टुकड़ों में तोड़ देता है (जो भाषा की ध्वनि की सबसे छोटी इकाइयाँ हैं)। दूसरा, "लैंग्वेज मॉडल" (language model) है, जो व्याकरण पुलिस अधिकारी या प्रेडिक्टिव टेक्स्ट ऐप की तरह कार्य करता है। यह केवल ध्वनियों को नहीं सुनता; यह अनुमान लगाता है कि पहले आए शब्द के आधार पर अगला शब्द क्या होना चाहिए, जिससे सिस्टम को यह समझने में मदद मिलती है कि आपने "court" कहा या "court" (यदि वे समान सुनाई देते हों)। जब आप इन दोनों को मिलाते हैं, तो आपको एक ऐसा सिस्टम मिलता है जो बातचीत को सुनकर उसे लिख सकता है। लेकिन क्या होगा जब बातचीत एक व्यस्त अदालत में हो रही हो, टिग्रिग्ना (Tigrigna) जैसी भाषा में, जिसे लेखक ने पहले कभी नहीं सीखा है? यही वह बड़ा सवाल है जिसे यह शोध हल करने की कोशिश कर रहा है।

---

लापता अदालती लेखक का मामला

इथियोपिया के हलचल भरे कोर्टरूम में बहुत से महत्वपूर्ण कार्य होते हैं। न्यायाधीश, वकील, गवाह और प्रतिवादी सभी बोलते हैं, और आधिकारिक रिकॉर्ड बनाने के लिए किसी को हर एक शब्द लिखना होता है। अभी, यह काम मानव लिपिकों (transcribers) द्वारा किया जाता है। यह एक कठिन काम है। उन्हें ध्यान से सुनना होता है, तेजी से टाइप करना होता है, और एक लाइव कानूनी लड़ाई के तनाव से निपटना होता है। यदि वे थक जाते हैं या यदि कमरा शोर वाला होता है, तो गलतियाँ होती हैं, और कानूनी रिकॉर्ड गड़बड़ा जाता है।

यहाँ अक्सुम विश्वविद्यालय के टेड्रोस केबडे बिडाडा और डावित टेकलु वेल्डेस्लासिए आते हैं। उन्होंने एक सरल लेकिन शक्तिशाली प्रश्न पूछा: क्या हम एक ऐसा कंप्यूटर लेखक बना सकते हैं जो टिग्रिग्ना बोल सके और इथियोपियाई अदालतों की विशिष्ट, जटिल भाषा को समझ सके?

टिग्रिग्ना लाखों लोगों द्वारा बोली जाने वाली एक प्रमुख भाषा है, लेकिन कंप्यूटर की दुनिया में, इसे "अल्प-संसाधित" (under-resourced) माना जाता है। इसका मतलब है कि कंप्यूटर को यह सिखाने के लिए कि इसे कैसे समझा जाए, पर्याप्त डिजिटल रिकॉर्डिंग उपलब्ध नहीं हैं, विशेष रूप से एक मुकदमे के उच्च-दांव वाले, शोर भरे वातावरण में। शोधकर्ता इस अंतर को पाटना चाहते थे और एक "स्पीकर-इंडिपेंडेंट" (speaker-independent) सिस्टम बनाना चाहते थे। यह एक फैंसी तरीका है यह कहने का कि वे एक ऐसा लेखक चाहते थे जो किसी भी व्यक्ति के लिए काम करे जो टिग्रिग्ना बोल रहा हो, न कि केवल एक विशिष्ट व्यक्ति जिसके लिए उसने अपनी आवाज याद कर ली हो।

डिजिटल कान का निर्माण

इस सिस्टम को बनाने के लिए, टीम ने केवल अनुमान नहीं लगाया; उन्होंने CMU Sphinx नामक टूलकिट का उपयोग करके एक सख्त रेसिपी का पालन किया। इस टूलकिट को एक विशाल, पहले से बने हुए लेगो (Lego) सेट के रूप में सोचें।

सबसे पहले, उन्हें डेटा की आवश्यकता थी। वे लोगों से किताब पढ़ने के लिए नहीं कह सकते थे; अदालतें अराजक होती हैं। इसलिए, उन्होंने वास्तविक, स्वतःस्फूर्त अदालती ऑडियो के तीन घंटे रिकॉर्ड किए। उन्होंने असली माहौल को कैद किया: एक गवाह की घबराहट भरी हकलाहट, एक वकील की तीव्र बहस, और एक न्यायाधीश की गूँजती हुई आवाज। उन्होंने 24 मूल वक्ताओं (प्रशिक्षण के लिए 10 पुरुष और 10 महिला, और परीक्षण के लिए 4 अन्य) से रिकॉर्डिंग एकत्र की।

इसके बाद, उन्हें कंप्यूटर को "सुनना" सिखाना था। उन्होंने MFCC (Mel-Frequency Cepstral Coefficients) नामक तकनीक का उपयोग किया। कल्पना कीजिए कि यह चश्मे की एक विशेष जोड़ी है जो बैकग्राउंड शोर को फ़िल्टर करती है और मानव आवाज के अनूठे "फिंगरप्रिंट" को उभारती है। यह ध्वनि तरंगों की टेढ़ी-मेढ़ी रेखाओं को संख्याओं की एक सूची में बदल देता है जिसे कंप्यूटर समझ सकता है।

फिर आया डिक्शनरी (शब्दकोश)। टीम ने कानूनी कार्यवाही में पाए जाने वाले 5,205 अद्वितीय शब्दों की एक कस्टम सूची बनाई और उन्हें उनकी ध्वनियों से जोड़ा। उन्होंने कंप्यूटर को टिग्रिग्ना की 51 विशिष्ट ध्वनियों (फोन्स) के बारे में भी सिखाया, जिसमें कुछ कठिन ध्वनियाँ भी शामिल थीं जैसे ग्लोटलाइज्ड व्यंजन (glottalized consonants) जो इस भाषा के लिए अद्वितीय हैं।

अंत में, उन्होंने इन ध्वनियों को सुनने के लिए दो प्रकार के "संगीतकारों" (एकॉस्टिक मॉडल) को प्रशिक्षित किया:

1. द सोलोइस्ट (संदर्भ-स्वतंत्र/Context-Independent): यह मॉडल एक समय में एक ध्वनि सुनता है, जैसे एक संगीतकार जो यह परवाह किए बिना एक एकल नोट बजाता है कि उससे पहले या बाद में कौन सा नोट आएगा।
2. द बैंड (संदर्भ-निर्भर/Context-Dependent): यह मॉडल एक ध्वनि और उसके पड़ोसियों को सुनता है। यह जानता है कि "t" की ध्वनि थोड़ी बदल जाती है कि वह "a" या "i" के बाद आती है। यह महत्वपूर्ण है क्योंकि वास्तविक भाषण में, हमारे मुँह एक निरंतर प्रवाह में चलते हैं, जिससे ध्वनियाँ आपस में मिल जाती हैं (एक घटना जिसे कोआर्टिक्यूलेशन कहा जाता है)।

बड़ा परीक्षण: कौन जीतता है?

शोधकर्ताओं ने अपने सिस्टम को उस 10% डेटा का उपयोग करके परखा जो उन्होंने इसे पहले कभी नहीं दिखाया था। वे देखना चाहते थे कि कंप्यूटर मानव-लिखित ट्रांसक्रिप्ट की तुलना में कितने शब्दों को सही पहचान पाता है।

परिणाम स्पष्ट थे, और वे एक बहुत ही विशिष्ट कहानी बताते थे। "सोलोइस्ट" मॉडल (वह जो ध्वनियों को अलग-थलग सुनता था) संघर्ष कर रहा था, जिसने केवल लगभग 53.12% शब्द सही पहचाने। यह हर तीसरे शब्द को सुनने की कोशिश करने जैसा था।

हालाв, "बैंड" मॉडल (संदर्भ-निर्भर वाला) एक गेम-चेंजर साबित हुआ। ध्वनियों के संदर्भ को सुनकर, इसे एहसास हुआ कि "court" में "t" की ध्वनि "test" में "t" से अलग होती है। जैसे-जैसे उन्होंने सिस्टम को अधिक जटिल गणित (विशेष रूप से, "गौसियन मिक्स्चर कंपोनेंट्स" की संख्या बढ़ाकर, जिसे आप ध्वनि फिंगरप्रिंट में विवरण की अधिक परतें जोड़ने के रूप में सोच सकते हैं) का उपयोग करने के लिए ट्यून किया, सटीकता बढ़ती गई।

सही संतुलन 11 कंपोनेंट्स के साथ पाया गया। इस सेटिंग पर, सिस्टम ने 73.84% शब्द सटीकता प्राप्त की। इसका मतलब है कि एक सिम्युलेटेड कोर्टरूम में बोले गए हर 100 शब्दों में से, कंप्यूटर ने लगभग 74 शब्दों को सही ढंग से लिखा।

लेकिन कहानी एक पूर्ण स्कोर के साथ समाप्त नहीं हुई। शोधकर्ताओं ने पाया कि सिस्टम ने बहुत सारी "प्रतिस्थापन" (substitution) त्रुटियाँ कीं—यानी एक शब्द को दूसरे समान ध्वनि वाले शब्द से बदल दिया। ऐसा इसलिए हुआ क्योंकि टिग्रिग्ना में बहुत से शब्द बहुत समान ध्वनियों वाले हैं, और कंप्यूटर कभी-कभी भ्रमित हो जाता है। उन्होंने यह भी देखा कि यदि उन्होंने बहुत अधिक परतें जोड़ीं (जैसे 12 कंपोनेंट्स तक जाना), तो सिस्टम वास्तव में और खराब हो गया। यह एक ऐसे छात्र की तरह था जिसने अभ्यास टेस्ट को इतनी अच्छी तरह से रट लिया कि वह वास्तविक परीक्षा में विफल हो गया क्योंकि वह सूक्ष्म अंतरों को नहीं संभाल सका। सिस्टम "ओवरफिटिंग" (overfitting) कर रहा था, या शोर को सीखने के बजाय उसे रट रहा था।

भविष्य के लिए इसका क्या अर्थ है

यह शोध पत्र यह दावा नहीं करता है कि इसने इथियोपिया में अदालती ट्रांसक्रिप्शन की समस्या को हल कर दिया है। इसके बजाय, यह एक ठोस नींव रखता है। यह सिद्ध करता है कि एक ऐसा टिग्रिग्ना स्पीच रिकग्नाइज़र बनाना संभव है जो विभिन्न वक्ताओं के लिए काम करता है और कोर्टरूम की अव्यवस्थित वास्तविकता को संभाल सकता है।

अध्ययन स्पष्ट रूप से दिखाता है कि संदर्भ मायने रखता है। आप केवल कंप्यूटर को व्यक्तिगत ध्वनियाँ नहीं सिखा सकते; आपको उसे यह सिखाना होगा कि वे एक वाक्य में एक साथ कैसे नृत्य करती हैं। 73.84% की सटीकता एक आधार रेखा है—एक शुरुआती रेखा। यह पूर्ण नहीं है, लेकिन यह शून्य से एक बड़ा कदम है।

लेखकों का सुझाव है कि भविष्य के कार्यों के लिए अधिक विविध लोगों से अधिक डेटा एकत्र करने और शायद बैकग्राउंड शोर और चिंता-प्रेरित भाषण पैटर्न को संभालने के लिए नए, अधिक शक्तिशाली एआई (AI) तकनीकों को आज़माने की आवश्यकता है। फिलहाल, उन्होंने इथियाबिया की कानूनी प्रणाली को एक नया उपकरण दिया है: एक डिजिटल लेखक जो उनकी भाषा बोलना सीख रहा है, एक समय में एक कोर्टरूम।