An Artificial Glottal Spectrum-Based Excitation Model with LP-Based Spectral Modelling for Prosody Modification
यह शोध पत्र एक नवीन प्रोसोडी संशोधन विधि प्रस्तावित करता है जो पारंपरिक टाइम-डोमेन पिच मार्किंग के स्थान पर एक कृत्रिम ग्लॉटल स्पेक्ट्रम-आधारित एक्साइटेशन मॉडल का उपयोग करता है ताकि पिच-मार्किंग की अस्पष्टताओं और आर्टिफ़ैक्ट्स को समाप्त किया जा सके, जिससे टेक्स्ट-टू-स्पीच और वॉयस कन्वर्जन अनुप्रयोगों के लिए उपयुक्त उच्च-गुणवत्ता वाली, प्राकृतिक और कुशल पिच एवं ड्यूरेशन मैनिपुलेशन प्राप्त की जा सके।
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
मानव भाषण एक जटिल भौतिक घटना है, हवा का एक क्षणिक कंपन जो अर्थ, भावना और पहचान को वहन करता है। अपने मूल में, हमारे द्वारा उत्पन्न ध्वनि दो अलग-अलग भागों के तालमेल पर निर्भर करती है। पहला है स्रोत (source): वह कच्चा, लयबद्ध स्पंदन जो तब उत्पन्न होता है जब हवा गले में वोकल कॉर्ड्स (स्वर तंत्रियों) के माध्यम से बहती है। दूसरा है प्रणाली (system): मुंह, जीभ और गले का आकार जो एक फिल्टर की तरह कार्य करता है, जो उस कच्चे स्पंदन को स्वरों और व्यंजनों की विशिष्ट ध्वनियों में रंग देता है। जब हम बोलते हैं, तो ये दोनों तत्व आपस में इस कदर जुड़े होते हैं कि एक को बदलने पर दूसरे को प्रभावित किए बिना इसे बदलना कठिन हो जाता है। यह उन इंजीनियरों के लिए एक महत्वपूर्ण चुनौती पेश करता है जो ऐसी मशीनें बनाने की कोशिश कर रहे हैं जो स्वाभाविक रूप से बोल सकें या किसी रिकॉर्डिंग की आवाज़ को बदल सकें। यदि कोई कंप्यूटर गति या पिच बदलने के लिए रिकॉर्डिंग को केवल खींचने या सिकोड़ने की कोशिश करता है, तो परिणाम अक्सर रोबोटिक या विकृत सुनाई देता है, जिससे वक्ता की स्वाभाविक गुणवत्ता खो जाती है।
शोधकर्ता लंबे समय से इन दो घटकों को अलग करने के तरीके खोज रहे हैं ताकि उन्हें स्वतंत्र रूप से नियंत्रित किया जा सके। दशकों से सबसे आम दृष्टिकोण एक ऐसी तकनीक रही है जो वोकल कॉर्ड वाइब्रेशन के समय के आधार पर स्पीच सिग्नल को छोटे टुकड़ों में काटती है, फिर उन टुकड़ों को गति या पिच बदलने के लिए पुनर्व्यवस्थित करती है। छोटे समायोजनों के लिए प्रभावी होने के बावजूद, यह विधि बड़े बदलावों के लिए संघर्ष करती है। यह वोकल कॉर्ड्स के बंद होने के सटीक क्षण को खोजने पर बहुत अधिक निर्भर करती है, जो एक कठिन कार्य है। जब कंप्यूटर इन क्षणों के बारे में गलत अनुमान लगाता है, तो पुनर्गठित आवाज़ अजीब आर्टिफैक्ट्स (artifacts) विकसित करती है, जो विशेष रूप से तब धातु जैसी या ग्लिच वाली सुनाई देती है जब पिच को काफी बढ़ाया जाता है या बहुत कम किया जाता है।
हाल ही में एक अध्ययन में, भारत के शोधकर्ताओं की एक टीम ने इस समस्या को संभालने का एक अलग तरीका प्रस्तावित किया। मूल ध्वनि तरंगों को बचाने और पुनर्व्यवस्थित करने के बजाय, उन्होंने पूरे स्रोत को ही बदलने का निर्णय लिया। उनकी विधि में स्पीच रिकॉर्डिंग से मूल वोकल कॉर्ड वाइब्रेशन को हटाना और उसे कंप्यूटर द्वारा उत्पन्न एक पूरी तरह से स्वच्छ, कृत्रिम संस्करण से बदलना शामिल है। वे मूल "फिल्टर" (वक्ता के मुंह और गले की अनूठी आकृति) को बरकरार रखते हैं, जिससे यह सुनिश्चित होता है कि आवाज़ अभी भी उसी व्यक्ति की लगे। वांछित पिच के आधार पर एक नया, आदर्शल (idealized) पल्स उत्पन्न करके और उसे मूल फिल्टर के साथ जोड़कर, वे पुरानी विधियों से होने वाले विरूपण के बिना आवाज़ को नया रूप दे सकते हैं।
शोधकर्ताओं ने तमिल बोलने वालों की रिकॉर्डिंग का उपयोग करके पारंपरिक विधि के विरुद्ध इस नई पद्धति का परीक्षण किया। उन्होंने मानव श्रोताओं से एक से पांच के पैमाने पर संशोधित भाषण की गुणवत्ता को रेट करने के लिए कहा। परिणामों ने दिखाया कि उनकी नई विधि लगातार उच्च गुणवत्ता वाली आवाजें प्रदान करती है, विशेष रूप से तब जब पिच में बड़े बदलाव किए जाते हैं। जबकि पारंपरिक विधि एक निश्चित बिंदु के बाद पिच बदलने पर अप्राकृतिक और खराब होने लगती है, नया दृष्टिकोण व्यापक रेंज में स्पष्टता और स्वाभाविकता बनाए रखता है। टीम ने पाया कि यह तकनीक पुरुष और महिला दोनों की आवाजों के लिए अच्छी तरह से काम करती है, और पिच को काफी ऊपर या नीचे करने के बावजूद वक्ता की पहचान को सुरक्षित रखती है।
साधारण पिच परिवर्तनों से परे, अध्ययन ने यह भी पता लगाया कि यह विधि अभिव्यंजक भाषण (expressive speech) को कितनी अच्छी तरह संभाल सकती है, जहाँ भावना या जोर व्यक्त करने के लिए आवाज का स्वर ऊपर-नीचे होता है। शोधकर्ताओं ने पिच मूवमेंट के विशिष्ट पैटर्न बनाए, जैसे कि प्रश्नों के लिए बढ़ती हुई टोन या कथनों के लिए गिरती हुई टोन, और उन्हें भाषण पर लागू किया। नया तरीका गतिशील परिवर्तनों को पारंपरिक दृष्टिकोण की तुलना में अधिक सुचारू रूप से संभालता है, जो अक्सर पिच कंटूर (pitch contour) तेजी से बदलने पर श्रव्य ग्लिच पैदा करता है। उनके द्वारा उत्पन्न कृत्रिम स्रोत ध्वनि के प्रवाह को तोड़े बिना इन जटिल वक्रों का पालन करने के लिए पर्याप्त लचीला था।
आवाज को इन अलग-अलग हिस्सों से पुनर्गठित करने की प्रक्रिया के लिए एक विशिष्ट चरण की आवश्यकता थी ताकि यह सुनिश्चित हो सके कि ध्वनि केवल आवृत्तियों का संग्रह नहीं बल्कि एक सुसंगत तरंग है। चूंकि शोधकर्ता ध्वनि तरंगों के परिमाण (magnitude) के साथ काम कर रहे थे लेकिन उनके टाइमिंग फेज (timing phase) के साथ नहीं, इसलिए उन्होंने लापता टाइमिंग जानकारी का अनुमान लगाने के लिए एक इटरेटिव (iterative) गणितीय प्रक्रिया का उपयोग किया। 'फेज रिकंस्ट्रक्शन' (phase reconstruction) के रूप में ज्ञात इस चरण ने उन्हें एक अंतिम वेवफॉर्म (waveform) को संश्लेषित करने की अनुमति दी जो मानव कान के लिए स्वाभाविक लगता है। हालांकि शोधकर्ताओं ने नोट किया कि यह पुनर्निर्माण चरण पूर्ण नहीं है और इसमें सुधार की थोड़ी गुंजाइश है, लेकिन समग्र भाषण की गुणवत्ता मौजूदा तकनीकों से बेहतर थी।
अध्ययन यह निष्कर्ष निकालता है कि मूल वोकल कॉर्ड वाइब्रेशन को सटीक रूप से ट्रैक करने के प्रयास को त्यागकर, एक स्वच्छ, कृत्रिम स्रोत उत्पन्न करके, अधिक मजबूत और अभिव्यंजक आवाज संशोधन प्राप्त करना संभव है। यह दृष्टिकोण वोकल कॉर्ड क्लोजर के सटीक क्षणों का पता लगाने से जुड़ी अस्पष्टता और त्रुटियों को दूर करता है, जो इस क्षेत्र में एक निरंतर बाधा रही है। निष्कर्ष बताते हैं कि टेक्स्ट-टू-स्पीच सिस्टम या वॉयस कन्वर्जन जैसे अनुप्रयोगों के लिए, जहां स्वाभाविकता और लचीलापन सर्वोपरि है, मूल सिग्नल को खींचने के बजाय एक नियंत्रित, कृत्रिम मॉडल के साथ स्रोत को बदलना एक अधिक विश्वसनीय मार्ग प्रदान करता है। यह कार्य प्रदर्शित करता है कि कभी-कभी, किसी आवाज को अधिक मानवीय बनाने के लिए, आपको मानवीय तत्व को एक सटीक, गणितीय आदर्श से बदलने के लिए तैयार रहना चाहिए।
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।