कौन गहन ऑडियो में संलग्न है और इसकी आवश्यकता क्यों है

वर्ष की शुरुआत के बाद से, कई नए एआई सिस्टम दिखाई दिए हैं जो ऑडियो पर आधारित बात करने वाले व्यक्ति के साथ वीडियो रिकॉर्डिंग को संश्लेषित करने में सक्षम हैं। हम आपको बताएंगे कि कौन और किस उद्देश्य के लिए समान विकास में लगा हुआ है। हम अन्य उपकरणों के बारे में भी बात करेंगे जो आपको ऑडियो रिकॉर्डिंग को संपादित करने की अनुमति देते हैं।


^{फोटो एरिक-जान लेउसिंक / अनप्लैश}

क्या करना है

दिसंबर 2019 में, म्यूनिख तकनीकी विश्वविद्यालय और मैक्स प्लैंक सोसाइटी इंस्टीट्यूट ऑफ इंफॉर्मेटिक्स के विशेषज्ञों ने न्यूरल वॉयस कठपुतली प्रणाली पर एक वैज्ञानिक पत्र प्रकाशित किया ।

वीडियो रिकॉर्डिंग उत्पन्न करने के लिए, उसे केवल एक व्यक्ति की आवाज़ और उसकी फ़ोटो के साथ एक ऑडियो फ़ाइल की आवश्यकता होती है। प्रक्रिया में तीन चरण होते हैं । सबसे पहले, एक आवर्तक तंत्रिका नेटवर्क रिकॉर्ड पर भाषण का विश्लेषण करता है और एक लॉजिट मॉडल बनाता है जो स्पीकर के उच्चारण की विशेषताओं को दर्शाता है। यह एक सामान्यीकृत तंत्रिका नेटवर्क को भेजा जाता है, जो चेहरे के त्रि-आयामी मॉडल के निर्माण के लिए गुणांक की गणना करता है। अगला, एक रेंडर मॉड्यूल खेलने में आता है, जो अंतिम रिकॉर्ड उत्पन्न करता है।

डेवलपर्स का कहना है कि न्यूरल वॉयस कठपुतली उच्च गुणवत्ता वाले वीडियो चलाती है, लेकिन उन्हें अभी भी ध्वनि के सिंक्रनाइज़ेशन से जुड़ी कुछ समस्याओं को हल करना होगा। सिंगापुर में नानयांग विश्वविद्यालय के इंजीनियरों द्वारा

एक समान तकनीक विकसित की जा रही है । उनकी प्रणाली आपको एक व्यक्ति के भाषण की रिकॉर्डिंग को दूसरे के वीडियो के साथ संयोजित करने की अनुमति देती है। सबसे पहले, यह लक्ष्य वीडियो पर प्रत्येक फ्रेम के लिए चेहरे का एक 3 डी मॉडल बनाता है। इसके अलावा, तंत्रिका नेटवर्क चेहरे के प्रमुख बिंदुओं का विश्लेषण करता है, और तीन आयामी मॉडल को संशोधित करता है ताकि इसकी अभिव्यक्तियाँ मूल ऑडियो फ़ाइल के स्वरों के साथ मेल खाती हों। लेखकों के अनुसार, उनका उपकरण गुणवत्ता में एनालॉग्स से आगे निकल जाता है। अंधे परीक्षणों के दौरान, उत्तरदाताओं ने रिकॉर्ड के 55% को "वास्तविक" के रूप में चिह्नित किया ।

आवेदन कहाँ करें

भविष्य में, डिपफेक वॉयस असिस्टेंट के लिए यथार्थवादी वीडियो अवतार - व्यक्तित्व बनाने की अनुमति देगा। 2017 में, उत्साही जेर्म आर्चर ने होलोग्राम के रूप में विंडोज 10 से कोरटाना सहायक को लागू किया । डिपफेक के गठन के लिए आर्टिफिशियल इंटेलिजेंस सिस्टम इस तरह के समाधानों को एक नए स्तर पर ले जाएगा। ऐसे एल्गोरिदम के आवेदन का एक अन्य क्षेत्र गेमिंग उद्योग है। साउंडट्रैक द्वारा चेहरे के एनिमेशन बनाने से गेम डिजाइनरों के काम को सरल बनाया जाएगा जो आभासी पात्रों के चेहरे के भावों को अनुकूलित करते हैं।

डिप्के तकनीक के डेवलपर्स ध्यान दें कि उनके सिस्टम केवल एक उपकरण हैं। और दुर्भाग्य से, यह अनिवार्य रूप से अवैध उद्देश्यों के लिए उपयोग किया जाएगा। पहला ऐसा अपराध किया गया था2019 में। एक अंग्रेजी ऊर्जा कंपनी के निदेशक ने एक जालसाज को $ 240,000 हस्तांतरित किए। उन्होंने जर्मनी से तंत्रिका नेटवर्क का उपयोग करते हुए चिंता के प्रमुख की आवाज की नकल की और लेनदेन को पूरा करने के लिए कहा। इसलिए, विश्वविद्यालयों के विशेषज्ञ इस तरह की स्थितियों को रोकने के लिए कानून प्रवर्तन एजेंसियों और राजनेताओं के साथ सक्रिय रूप से काम कर रहे हैं। उदाहरण के लिए, डेनवर में कोलोराडो विश्वविद्यालय नकली ऑडियो और वीडियो रिकॉर्डिंग को पहचानने के लिए उपकरण विकसित कर रहा है । भविष्य में, केवल ऐसी और परियोजनाएँ होंगी।

अन्य कौन से प्रोजेक्ट हैं

ऐसे उपकरण हैं जो आपको ऑडियो रिकॉर्डिंग को सरल पाठ के रूप में आसानी से संपादित करने की अनुमति देते हैं । उदाहरण के लिए, डिस्क्रिप्ट, एक ऑडियो संपादक प्रदान करता है जो स्पीकर के शब्दों को प्रसारित करता है और आपको उन्हें पाठ रूप में संपादित करने की अनुमति देता है। आप विराम जोड़ सकते हैं, स्थानों में टुकड़ों को फिर से व्यवस्थित कर सकते हैं - सभी संपादन ऑडियो रिकॉर्डिंग के साथ सिंक्रनाइज़ किए जाते हैं। डेवलपर्स का कहना है कि सिस्टम .m4a, .mp3, .aiff, .aac और .wav में फाइल प्रोसेस करता है, और ट्रांसक्रिप्शन की सटीकता 93% से अधिक है । <sup>Yohann LIBOT / Unsplash


द्वारा फोटो</sup>

अन्य परियोजनाएं डिस्क्रिप्ट के रूप में एक ही समय में दिखाई दीं। प्रिंसटन विश्वविद्यालय के इंजीनियरों ने पेश किया"ऑडियो के लिए फोटोशॉप" - VoCo प्रणाली। यह न केवल पाठ रूप में अभिलेखों को संपादित करने की अनुमति देता है, बल्कि वाक्यांशों को स्पीकर की आवाज के साथ संश्लेषित भी करता है (खाता जानकारी ले रहा है)।

भविष्य में, ऐसी सेवाएं पत्रकारों और मीडिया कंपनियों के लिए उपयोगी होंगी जो ऑडियो सामग्री का निर्माण करती हैं। वे विशिष्ट बीमारियों वाले लोगों की भी मदद करेंगे जो भाषण संश्लेषण प्रणाली का उपयोग करके संवाद करते हैं। VoCo और इसके समकक्ष अपनी आवाज को कम "रोबोट" करेंगे।

---

हमारे हाई-फाई वर्ल्ड ब्लॉग पर अतिरिक्त रीडिंग:

"बिची बेटी" और ऑडियो इंटरफेस: वे एक महिला आवाज में क्यों बोलते हैं
ऑडियो इंटरफेस: सड़क पर, कार्यालय में और आकाश में जानकारी के स्रोत के रूप में ध्वनि
दुनिया का पहला "लिंग-तटस्थ" आवाज सहायक
सिंथेसाइज़र इतिहास भाषण की: पहली यांत्रिक स्थापना
कैसे एक पीसी पर भाषण संश्लेषण दिखाई दिया

---