কথা একই রেখে কণ্ঠের পরিচিত স্বর বদলায় কীভাবে?

একটি নাটকের জন্য নিজের অনুমোদিত রেকর্ডিংয়ের একই সংলাপ অন্য ধরনের কণ্ঠে শুনতে চান, এমন একটি উদাহরণ ভাবুন। কথাগুলো নতুন করে লেখা হয়নি, কিন্তু গলার স্বর পরিচিত মানুষটির মতো শোনাচ্ছে না। কণ্ঠ রূপান্তরের মূল প্রশ্ন এটাই: কী বলা হয়েছে, সেটি রাখার চেষ্টা করে কীভাবে কে বলছেন বলে শোনা যায়, সেই বৈশিষ্ট্য বদলানো হয়?

এখানে ইনপুট বক্তব্যের অডিও, শুধু টাইপ করা বাক্য নয়। লেখা থেকে কথা বানানোর ব্যবস্থায় শুরু হয় লেখা দিয়ে; কণ্ঠ রূপান্তরে শুরুতেই উচ্চারণ করা শব্দ আছে। এই পার্থক্য গুরুত্বপূর্ণ। একই কণ্ঠের মতো শোনানো অডিও একাধিক উপায়ে তৈরি হতে পারে, তাই শুনে একা কোন পদ্ধতি ব্যবহৃত হয়েছে তা জানা যায় না।

বক্তব্য আর কণ্ঠের বৈশিষ্ট্য

মানুষের গলা বদলালে শুধু শব্দ উঁচু বা নিচু হয় না। বিভিন্ন ধ্বনি কীভাবে শোনায়, তার গঠনও কণ্ঠকে পরিচিত করে। কম্পিউটারের কাজ সেই তথ্যকে ব্যবহারযোগ্য রূপে প্রকাশ করা। বক্তব্য ও বক্তার বৈশিষ্ট্য বাস্তব অডিওতে একসঙ্গে থাকে; আলাদা নামে ডাকলেই সেগুলো নিখুঁতভাবে আলাদা হয়ে যায় না। এ জন্য ফলের মিল এবং কথা বোঝা যায় কি না, দুটোই দেখতে হয়।

FreeVC নামে একটি গবেষণা পদ্ধতিতে মূল অডিও থেকে বক্তব্য-সংক্রান্ত তথ্য এবং রেফারেন্স কণ্ঠ থেকে বক্তার তথ্য নেওয়া হয়। তারপর সেগুলো ব্যবহার করে নতুন শব্দতরঙ্গ তৈরি করা হয়, অর্থাৎ শোনার মতো অডিও। রেফারেন্স বলতে এখানে কণ্ঠের বৈশিষ্ট্য বোঝার জন্য ব্যবহৃত উদাহরণ। এটি একটি পদ্ধতির ব্যাখ্যা; প্রতিটি কণ্ঠ বদলানোর অ্যাপের একই নকশা নয়।

সেই পদ্ধতিতে বক্তব্যের তথ্য নেওয়ার অংশে কত তথ্য যেতে পারে, তা সীমিত করা হয়, যাতে মূল বক্তার পরিচয়ের তথ্য কম ঢোকে। শব্দের তথ্য রেখে কণ্ঠের পরিচিত বৈশিষ্ট্য আলাদা করা তাই একটি প্রকৌশল সমস্যা। গবেষণাতেই বলা আছে, বক্তব্যের প্রতিনিধিত্বে বক্তার তথ্য থেকে যেতে পারে। মূল কণ্ঠের সব চিহ্ন অবশ্যই মুছে যায়, এমন নিশ্চয়তা নেই।

প্রস্তুতির সময় উদাহরণ ব্যবহার করে মডেলের এই রূপান্তর শেখানো হয়; পরে নতুন অডিওতে শেখানো ব্যবস্থা প্রয়োগ করা হয়। ব্যবহারকালে রেফারেন্স কণ্ঠের তথ্য দেওয়া আর শুরু থেকে একটি মডেল প্রস্তুত করা এক কাজ নয়। কত অডিও লাগবে বা কোন ভাষা কাজ করবে, তা নির্দিষ্ট পদ্ধতির প্রশ্ন। একটি গবেষণার ফল সব ভাষা, সব মানুষ ও সব রেকর্ডিংয়ে ছড়িয়ে দেওয়া ঠিক নয়।

একই কথা মানেই সবকিছু অপরিবর্তিত নয়

কথার বিষয় রাখার লক্ষ্য আর প্রতিটি শব্দ, বিরতি, আবেগ অক্ষুণ্ণ থাকার নিশ্চয়তা আলাদা। নতুন অডিও অস্পষ্ট হলে বক্তব্যের জরুরি অংশ বোঝা নাও যেতে পারে। তাই নাম, সংখ্যা বা নির্দেশ গুরুত্বপূর্ণ হলে মূল রেকর্ডিংয়ের সঙ্গে শুনে মিলিয়ে নিন। পরিচিত কণ্ঠের মিল ভালো হলেই বার্তা নির্ভুল, এমন নয়; আবার স্পষ্ট কথা মানেই কণ্ঠের মিল ভালো, তাও নয়।

ফল রেকর্ডিং হিসেবে তৈরি করা এবং সরাসরি কথোপকথনের সময় ব্যবহার করা আলাদা দাবি। লাইভ ব্যবহারে অডিও নেওয়া, বদলানো ও পাঠানোর বিলম্ব সামলাতে হয়। কিন্তু কণ্ঠ রূপান্তর বললেই সব ব্যবস্থা লাইভ চলে বা কয়েক মিলিসেকেন্ড লাগে, এমন নয়। এখানে কোনো সর্বজনীন গতির সংখ্যা নেই; বাস্তব কাজের জন্য নির্দিষ্ট ব্যবস্থার পরীক্ষা দেখতে হবে।

এই নাটকের উদাহরণে অনুমতি থাকা এবং শ্রোতাকে সম্পাদনার কথা জানানো গুরুত্বপূর্ণ। অন্য কারও মতো শোনানো মানে সেই মানুষটি কথাগুলো বলেছেন বা কাজটিতে সম্মতি দিয়েছেন, এমন প্রমাণ নয়। নিজের বা অনুমোদিত কণ্ঠ ব্যবহার করুন এবং পরিবর্তিত অডিওকে আসল বক্তব্যের প্রমাণ হিসেবে দেখাবেন না। শব্দতরঙ্গের পরিবর্তন ব্যক্তির অনুমতি তৈরি করে না।

একই বিভ্রান্তি প্রতারণায় কাজে লাগতে পারে। FTC পরিচিত মানুষের মতো এআই কণ্ঠ দিয়ে জরুরি টাকা চাওয়ার ঝুঁকি সম্পর্কে সতর্ক করেছে। সেই সতর্কতা থেকে বলা যায় না, প্রতিটি ঘটনায় লাইভ কণ্ঠ রূপান্তর ব্যবহার হয়েছে। রেকর্ড করা বা লেখা থেকে তৈরি কণ্ঠও থাকতে পারে। নিরাপত্তার সিদ্ধান্তের জন্য প্রতারক কোন প্রযুক্তি নিয়েছে তা আগে প্রমাণ করা জরুরি নয়।

পরিচিত স্বরের কেউ জরুরি টাকা বা গোপন তথ্য চাইলে কথোপকথন থামিয়ে আগে থেকে জানা নম্বরে ব্যক্তির সঙ্গে যোগাযোগ করুন। শুধু সেই কলের নম্বর বা পাঠানো যোগাযোগে নির্ভর করবেন না। একটি অদ্ভুত শব্দ সন্দেহের কারণ হতে পারে, কিন্তু শব্দ স্বাভাবিক হলেই আসল মানুষ প্রমাণ হয় না। স্বাধীন যোগাযোগে খবর যাচাই করা শ্রুতিমিলের চেয়ে বেশি কার্যকর ভিত্তি।

কণ্ঠ রূপান্তর বুঝতে তিনটি আলাদা বিষয় মনে রাখা যায়: বলা কথার তথ্য, কণ্ঠের মিল এবং অডিওর উৎস। প্রথম দুটো নিয়ে প্রযুক্তি কাজ করতে পারে; তৃতীয়টির সত্যতা শুধু ভালো শব্দ দিয়ে নিশ্চিত হয় না। সৃষ্টি বা সম্পাদনায় ফল শুনে যাচাই করুন, আর অন্যের পরিচয় বা অনুরোধের ক্ষেত্রে পরিচিত যোগাযোগপথে আলাদা করে নিশ্চিত হন।