BanglaVowelDataset: True AC and Synthetic BC Bangla Vowel Datasets in Speech Information System
यह शोध पत्र बांग्लावावेलडेटासेट (BanglaVowelDataset) को प्रस्तुत करता है, जिसमें दस वक्ताओं के 120 रिकॉर्ड किए गए एयर-कंडक्टेड (AC) और 120 सिंथेटिक बोन-कंडक्टेड (BC) बांग्ला स्वर शामिल हैं, ताकि इस प्रकार के संसाधनों की कमी को दूर किया जा सके और शोर-रोधी स्पीच प्रोसेसिंग, रिकग्निशन और स्पीकर आइडेंटिफिकेशन में अनुसंधान को सुगम बनाया 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
स्पीच टेक्नोलॉजी की दुनिया में, कंप्यूटर लगातार सुनना सीख रहे हैं। उन्हें शब्दों को पहचानने, वक्ताओं की पहचान करने या आदेशों को समझने के लिए रिकॉर्ड की गई आवाजों के विशाल पुस्तकालयों पर प्रशिक्षित किया जाता है। हालाँकि, इनमें से अधिकांश लाइब्रेरी हवा में पकड़े गए ध्वनियों से बनी होती हैं। जब हम बोलते हैं, तो ध्वनि तरंगें हवा के माध्यम से यात्रा करती हैं, एक माइक्रोफ़ोन से टकराती हैं, और डिजिटल डेटा में परिवर्तित हो जाती हैं। यह विधि, जिसे एयर-कंडक्शन (वायु-चालन) कहा जाता है, लगभग सभी वॉइस असिस्टेंट और ट्रांसक्रिप्शन सेवाओं के लिए मानक है। लेकिन एक और तरीका भी है जिससे ध्वनि हमारे कानों और रिकॉर्डिंग उपकरणों तक पहुँचती है: हमारी खोपड़ी की हड्डियों के माध्यम से। जब हम बोलते हैं, तो हमारे वोकल कॉर्ड्स हमारी खोपड़ी की हड्डियों में कंपन पैदा करते हैं, और ये कंपन सीधे आंतरिक कान तक पहुँचते हैं और त्वचा पर रखे गए सेंसर द्वारा पकड़े जा सकते हैं। यह बोन-कंडक्शन (अस्थि-चालन) है। जहाँ एयर-कंडक्टेड ध्वनि ट्रैफ़िक के शोर या भीड़ की चर्चा में आसानी से दब जाती है, वहीं बोन-कंडक्टेड ध्वनि उल्लेखनीय रूप से स्पष्ट रहती है क्योंकि यह शोर वाले वातावरण को बायपास कर देती है। दशकों से, शोधकर्ता इस तरह के कंप्यूटर बनाने के लिए संघर्ष कर रहे थे जो इस हड्डी-आधारित भाषण को समझ सकें, मुख्य रूप से इसलिए क्योंकि कई भाषाओं के लिए आवश्यक डेटा मौजूद ही नहीं था।
बांग्लादेश और जापान के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने बांग्ला भाषा में स्वर ध्वनियों (vowel sounds) का पहला समर्पित संग्रह बनाकर इस क्षेत्र में एक महत्वपूर्ण अंतर को भर दिया है, जिसे वायु और अस्थि दोनों माध्यमों से कैप्चर किया गया है। बांग्ला वर्णमाला में बारह विशिष्ट स्वर ध्वनियाँ होती हैं, एक ऐसी जटिलता जो इस भाषा को समृद्ध बनाती है लेकिन मशीनों के लिए इसे समझना कठिन बना देती है, विशेष रूप से तब जब पृष्ठभूमि का शोर हस्तक्षेप करता है। इस कार्य से पहले, ऐसा कोई डेटासेट मौजूद नहीं था जो इन ध्वनियों के पारंपरिक वायु-रिकॉर्ड किए गए संस्करणों और उनके बोन-कंडक्टेड समकक्षों को तुलना के लिए प्रदान करता हो। शोधकर्ताओं ने इन ध्वनियों को दस मूल वक्ताओं—पाँच पुरुषों और पाँच महिलाओं—से एक शांत, साउंडप्रूफ कमरे में रिकॉर्ड करने का लक्ष्य रखा। उन्होंने वायु-संचालित स्वरों को कैप्चर करने के लिए उच्च गुणवत्ता वाले माइक्रोफ़ोन का उपयोग किया, यह सुनिश्चित करते हुए कि प्रत्येक रिकॉर्डिंग विश्लेषण के लिए पर्याप्त लंबी हो, जो 600 से 780 मिलीसेकंड के बीच थी। डेटा को स्वच्छ सुनिश्चित करने के लिए, उन्होंने प्रत्येक रिकॉर्डिंग की शुरुआत और अंत के मौन भाग को सावधानीपूर्वक छाँट दिया, जिससे केवल ध्वनि का शुद्ध, मुखर हिस्सा ही बचा।
इसके बाद चुनौती यह थी कि बिना प्रत्येक प्रतिभागी को विशेष, दुर्लभ बोन-कंडक्शन माइक्रोफोन पहनाए, बोन-कंडक्टेड डेटा कैसे प्राप्त किया जाए, जो मानक अनुसंधान सेटिंग्स में मिलना और उपयोग करना कठिन है। सीधे हड्डी के कंपन को रिकॉर्ड करने के बजाय, टीम ने उन्हें सिम्युलेट (अनुकरण) करने के लिए एक परिष्कृत कंप्यूटर मॉडल का उपयोग किया। उन्होंने साफ, वायु-रिकॉर्ड किए गए स्वरों को लिया और उन्हें एक डिजिटल फ़िल्टर के माध्यम से गुजारा जो यह नकल करता है कि मानव खोपड़ी ध्वनि को कैसे बदल देती है। इस प्रक्रिया ने प्रभावी रूप से उन उच्च-आवृत्ति विवरणों को हटा दिया जिन्हें हवा ले जाती है लेकिन हड्डियाँ फ़िल्टर कर देती हैं, जिससे एक सिंथेटिक संस्करण तैयार हुआ कि वह ध्वनि कैसी दिखती यदि उसे खोपड़ी के माध्यम से रिकॉर्ड किया गया होता। परिणाम एक युग्मित (paired) डेटासेट था: 120 वास्तविक वायु-संचालित स्वर और 120 सिंथेटिक बोन-कंडक्टेड स्वर, जो एक ही वक्ताओं और उन्हीं बारह स्वर ध्वनियों के साथ पूरी तरह से मेल खाते थे।
शोधकर्ताओं ने फिर इस विशाल संग्रह को एक संरचित लाइब्रेरी में व्यवस्थित किया, डेटा को प्रसंस्करण के विभिन्न चरणों में विभाजित किया ताकि अन्य वैज्ञानिक अपने स्वयं के सिद्धांतों का परीक्षण कर सकें। उन्होंने कच्चे (raw) रिकॉर्डिंग, छाँटे गए संस्करण और कंप्यूटर-सिम्युलेटेड बोन ध्वनियाँ प्रदान कीं, जिन्हें वक्ता के लिंग और बोले जा रहे विशिष्ट स्वर के सटीक विवरण के साथ लेबल किया गया था। यह सिद्ध करने के लिए कि उनका सिमुलेशन सटीक था, उन्होंने वास्तविक वायु ध्वनियों के गणितीय गुणों की तुलना सिंथेटिक बोन ध्वनियों से की। उन्होंने पाया कि सिंथेटिक बोन ध्वनियाँ बिल्कुल वैसे ही व्यवहार करती हैं जैसी अपेक्षित थीं: वे आवृत्तियों की एक विस्तृत श्रृंखला दिखाती हैं और एक विशिष्ट गणितीय हस्ताक्षर प्रदर्शित करती हैं जो उन्हें वायु ध्वनियों से अलग करती है। इसने पुष्टि की कि उनके कंप्यूटर मॉडल ने सफलतापूर्वक बोन-कंडक्टेड स्पीच के अद्वितीय ध्वनिक प्रोफाइल को पुन: निर्मित किया।
यह डेटासेट अब वैश्विक अनुसंधान समुदाय के उपयोग के लिए उपलब्ध है। यह एक अनूठा अवसर प्रदान करता है कि स्पीच रिकग्निशन सिस्टम शोर को कितनी अच्छी तरह संभाल सकते हैं। क्योंकि वायु-संचालित भाषण पृष्ठभूमि के शोर से आसानी से दूषित हो जाता है जबकि बोन-कंडक्टेड भाषण नहीं होता, शोधकर्ता इस युग्मित डेटा का उपयोग ऐसे सिस्टम बनाने के लिए कर सकते हैं जो शोर भरे वातावरण जैसे व्यस्त सड़कों या भीड़भाड़ वाले कमरों में समझने के लिए दो माध्यमों के बीच स्विच कर सकें या उन्हें मिला सकें। टीम ने वह कंप्यूटर कोड भी सार्वजनिक किया है जिसका उपयोग उन्होंने इन ध्वनियों को उत्पन्न करने के लिए किया था, जिससे अन्य लोग उनकी विधियों को सत्यापित कर सकें या अन्य भाषाओं में समान तकनीक लागू कर सकें। बांग्ला स्वरों के माध्यम से पहला व्यापक दृष्टिकोण प्रदान करके, यह कार्य अधिक मजबूत, शोर-प्रतिरोधी स्पीच टेक्नोलॉजी के द्वार खोलता है जो केवल एक शांत स्टूडियो में ही नहीं, बल्कि कहीं भी विश्वसनीय रूप से कार्य कर सके।
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।