Genre Classification of Saint Yared Qum Zema Using a Convolutional Neural Network

संगीत हमेशा से केवल ध्वनि से कहीं अधिक रहा है; सदियों से, इसने इतिहास, विश्वास और पहचान के एक वाहक के रूप में कार्य किया है। आधुनिक विज्ञान के क्षेत्र में, शोधकर्ताओं ने कंप्यूटर को सुनने के तरीके विकसित किए हैं, जिसे 'म्यूजिक इंफॉर्मेशन रिट्रीवल' (संगीत सूचना पुनर्प्राप्ति) कहा जाता है। यह विषय मशीनों से वह करने को कहता है जो मानव कान स्वाभाविक रूप से करते हैं: पैटर्न पहचानना, वाद्य यंत्रों की पहचान करना और गीतों को जैज़, रॉक या शास्त्रीय जैसे श्रेणियों में वर्गीकृत करना। जबकि कंप्यूटर पश्चिमी संगीत के विशाल पुस्तकालयों का विश्लेषण करने में काफी कुशल हो गए हैं, वे अक्सर उन अनूठे, पारंपरिक रूपों के साथ संघर्ष करते हैं जो केवल मानव स्वर पर निर्भर होते हैं। ये प्राचीन परंपराएं, जो बिना किसी लिखित स्कोर या वाद्य यंत्रों के, पीढ़ियों से आगे बढ़ाई जाती हैं, एक विशेष चुनौती पेश करती हैं। उनकी ध्वनियाँ सूक्ष्म हैं, उनके उतार-चढ़ाव बारीक हैं, और उनका संरक्षण अत्यंत आवश्यक है, क्योंकि उन्हें सिखाने वाले लोगों की संख्या घट रही है।

इथियोपिया में, इथियोपियाई ऑर्थोडॉक्स टेवाहिडो चर्च 'ज़ेमा' (Zema) नामक एक पवित्र संगीत परंपरा की रक्षा करता है। यह आध्यात्मिक मंत्रोच्चार का एक रूप है जिसकी रचना छठी शताब्दी में सेंट यारेड द्वारा की गई थी, जो उस समय के संगीत के प्रधान प्रोफेसर के रूप में पूजनीय विद्वान थे। सेंट यारेड ने इन मंत्रों को तीन विशिष्ट शैलियों में व्यवस्थित किया: गीज़ (Geez), एज़िल (Ezil), और अराराय (Araray)। जब इन मंत्रों को बिना किसी वाद्य यंत्र के, केवल मानव स्वर का उपयोग करके प्रस्तुत किया जाता है, तो उन्हें 'कुम ज़ेमा' (Qum Zema) कहा जाता है। सदियों से, इन तीन शैलियों के बीच अंतर करने का ज्ञान चर्च स्कूलों के भीतर कुछ विशेष विद्वानों के मस्तिष्क में जीवित रहा है। हालाँकि, जैसे-जैसे इन विशेषज्ञों की संख्या कम हो रही है और सामान्य जनता के लिए इन शैलियों के बीच अंतर करना कठिन होता जा रहा है, एक जोखिम बना हुआ है कि यह सूक्ष्म कला खो सकती है या गलत समझी जा सकती है। शोधकर्ताओं के सामने प्रश्न यह था कि क्या आधुनिक तकनीक इन अंतरों को एक अनुभवी विद्वान की तरह स्पष्ट रूप से सुन सकती है।

डेब्रे मार्कोस विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक कंप्यूटर मॉडल बनाने के उद्देश्य से इस प्रश्न का उत्तर देने का प्रयास किया, जिसे विशेष रूप से सेंट यारेड के 'कुम ज़ेमा' की तीन शैलियों को पहचानने के लिए डिज़ाइन किया गया था। उन्होंने कंप्यूटर को संगीत के विशिष्ट नियमों, जैसे कि विशिष्ट नोट्स या लय को मैन्युअल रूप से सूचीबद्ध करके सिखाने की कोशिश नहीं की। इसके बजाय, उन्होंने 'कन्वोल्यूशनल न्यूरल नेटवर्क' नामक एक प्रकार के कृत्रिम बुद्धिमत्ता (AI) का उपयोग किया, जो छवियों को देखने के लिए डिज़ाइन किया गया एक सिस्टम है। इसे सफल बनाने के लिए, शोधकर्ताओं को पहले मंत्रों की ध्वनि को ऐसी चीज़ में बदलना था जिसे कंप्यूटर देख सके। उन्होंने मंत्रोच्चार की रिकॉर्डिंग ली और उन्हें दस सेकंड के छोटे क्लिप्स में विभाजित किया। प्रत्येक क्लिप को फिर एक 'स्पेक्ट्रोग्राम' (spectrogram) में बदल दिया गया, जो एक दृश्य मानचित्र है जो दिखाता है कि समय के साथ ध्वनि की पिच और वॉल्यूम कैसे बदलता है। इस मानचित्र में, क्षैतिज अक्ष (horizontal axis) समय का प्रतिनिधित्व करता है, ऊर्ध्वाधर अक्ष (vertical axis) पिच का प्रतिनिधित्व करता है, और रंगों की चमक यह दर्शाती है कि किसी भी क्षण ध्वनि कितनी तेज़ है।

शोधकर्ताओं ने पारंपरिक चर्च स्कूलों के विद्वानों से कुल 1,555 ऐसे दस-सेकंड के ऑडियो क्लिप एकत्र किए। उन्होंने बैकग्राउंड शोर को हटाकर रिकॉर्डिंग को साफ किया और फिर प्रत्येक क्लिप को एक स्पेक्ट्रोग्राम छवि में परिवर्तित किया। इन छवियों का संग्रह उनके नए मॉडल के लिए प्रशिक्षण डेटा बना, जिसे उन्होंने 'सेंट यारेड्स कुम ज़ेमा क्लासिफायर' नाम दिया। सिस्टम को ये छवियां दी गईं और उनसे गीज़, एज़िल और अराराय शैलियों के अनुरूप दृश्य पैटर्न सीखने के लिए कहा गया। यह परीक्षण करने के लिए कि क्या सिस्टम वास्तव में सीख रहा है, शोधकर्ताओं ने अपने डेटा को विभाजित किया, जिसमें से 70 प्रतिशत छवियों का उपयोग मॉडल को सिखाने के लिए किया गया और शेष 30 प्रतिशत को यह देखने के लिए रोक दिया गया कि वह उस संगीत पर कैसा प्रदर्शन करता है जिसे उसने पहले कभी नहीं देखा है।

परिणामों ने दिखाया कि कंप्यूटर वास्तव में इन प्राचीन वाचिक शैलियों के बीच अंतर करना सीख सकता है। जब मॉडल का परीक्षण अनदेखे ऑडियो क्लिप्स पर किया गया, तो इसने 88 प्रतिशत बार शैली की सही पहचान की। यह एक महत्वपूर्ण उपलब्धि थी, विशेष रूप से यह देखते हुए कि तीनों शैलियाँ एक-दूसरे के बहुत समान हैं और श्रोता का मार्गदर्शन करने के लिए बिना किसी वाद्य यंत्र की सहायता के गाई जाती हैं। शोधकर्ताओं ने अपने कस्टम-निर्मित मॉडल की तुलना छवि पहचान के लिए डिज़ाइन किए गए कई अन्य प्रसिद्ध कंप्यूटर सिस्टम, जैसे कि ResNet, VGGNet और AlexNet से की। हालांकि वे अन्य सिस्टम बड़े थे और उन्हें अधिक कंप्यूटिंग शक्ति की आवश्यकता थी, लेकिन वे इस विशिष्ट कार्य पर उतना अच्छा प्रदर्शन नहीं कर सके। कस्टम मॉडल ने अन्य की तुलना में उच्च सटीकता दर हासिल की और यह चलाने में बहुत छोटा और तेज़ भी था।

अध्ययन ने यह भी पता लगाया कि कंप्यूटर मॉडल के भीतर विभिन्न सेटिंग्स ने इसकी सीखने की क्षमता को कैसे प्रभावित किया। उन्होंने पाया कि सूचना को संसाधित करने का एक विशिष्ट तरीका, जिसे 'ReLU एक्टिवेशन फंक्शन' कहा जाता है, ने मॉडल को अन्य तरीकों की तुलना में अधिक प्रभावी ढंग से पैटर्न सीखने में मदद की। पूरी प्रक्रिया इस विचार पर आधारित थी कि ध्वनि को चित्रों में बदलकर, एक कंप्यूटर बिना किसी मानवीय व्याख्या के प्रत्येक संगीत शैली के अद्वितीय "फिंगरप्रिंट" को खोज सकता है। शोधकर्ताओं ने उल्लेख किया कि मॉडल का प्रदर्शन इस तथ्य से सीमित था कि डेटासेट में केवल उच्च समानता वाली वाचिक ध्वनियाँ थीं, जिससे यह कार्य स्वाभाविक रूप से कठिन हो गया, लेकिन 88 प्रतिशत की सफलता दर ने प्रदर्शित किया कि 'डीप लर्निंग' अमूर्त सांस्कृतिक संपदाओं को संरक्षित करने के लिए एक शक्तिशाली उपकरण हो सकता है।

यह कार्य सेंट यारेड की संगीत विरासत की रक्षा के लिए एक व्यावहारिक मार्ग प्रदान करता है। इन मंत्रों को स्वचालित रूप से वर्गीकृत करने के लिए एक उपकरण बनाकर, शोधकर्ताओं ने नए विद्वानों की शिक्षा में सहायता करने और यह सुनिश्चित करने का एक तरीका प्रदान किया है कि गीज़, एज़िल और अराराय के बीच के अंतर समय के साथ लुप्त न हों। अध्ययन सुझाव देता है कि हालांकि कार्य जटिल है, पारंपरिक ज्ञान और आधुनिक मशीन लर्निंग का संयोजन अतीत और भविष्य के बीच के अंतर को पाट सकता है। शोधकर्ता अधिक डेटा एकत्र करके और सिस्टम को और भी सटीक बनाने के तरीकों की खोज करके इस कार्य को जारी रखने की योजना बना रहे हैं, लेकिन प्रारंभिक सफलता यह सिद्ध करती है कि एक कंप्यूटर को एक नए प्रकार की समझ के साथ इथियोपिया के पवित्र गीतों को सुनने के लिए सिखाया जा सकता है।