AI lip sync: ভিডিওতে যেকোনো ভাষার সাথে ঠোঁটের নড়াচড়া মেলানোর প্রযুক্তি

টেলিভিশনে একটি চমৎকার আন্তর্জাতিক প্রামাণ্যচিত্র দেখছেন। স্ক্রিনে বিদেশি এক গবেষক কথা বলছেন, কিন্তু তাঁর মুখ দিয়ে অবিকল পরিষ্কার খাঁটি বাংলা ভাষা শোনা যাচ্ছে। সবচেয়ে বিস্ময়কর ব্যাপার হলো, তিনি যখন বাংলা 'প', 'ব' বা 'ম' উচ্চারণ করছেন, তাঁর ঠোঁট দুটি অবিকল বাংলার ছন্দে ওঠানামা করছে—মনে হচ্ছে তিনি নিজেই জন্মসূত্রে বাংলা বলছেন! পুরোনো দিনের চলচ্চিত্রে ডাবিং করা কণ্ঠের সাথে অভিনেতার মুখের অমিল দেখে যে অস্বস্তি হতো, তা আজ দূর হয়ে গেছে। ভিডিওতে নতুন শব্দের সাথে মানুষের মুখের ঠোঁটের নড়াচড়া নিখুঁতভাবে সমন্বয় করার এই কৃত্রিম বুদ্ধিমত্তা প্রযুক্তিকে বলা হয় নিউরাল লিপ-সিঙ্ক (Neural Lip Synchronization বা AI Lip-Sync)।

কম্পিউটার কীভাবে শব্দের সাথে ঠোঁটের ভঙ্গি মেলায়?

আগে অ্যানিমেশন শিল্পীদের হাতে করে প্রতিটি ফ্রেমের ঠোঁটের নড়াচড়া বসাতে হতো (যাকে ম্যানুয়াল কি-ফ্রেমিং বা Keyframing বলা হতো), যা ছিল অত্যন্ত দীর্ঘ ও ব্যয়বহুল প্রক্রিয়া। কিন্তু আধুনিক এআই এই কাজটি সম্পন্ন করে শব্দ ও মুখাবয়বের অনন্য মেলবন্ধনে। মানুষের মুখের কথাকে সফটওয়্যার প্রথমে ক্ষুদ্রতম উচ্চারিত ধ্বনির এককে ভাগ করে নেয় (যাকে ফোনিম বা Phonemes বলা হয়)। এরপর সেই নির্দিষ্ট ধ্বনি উচ্চারণের সময় ঠোঁট, দাঁত ও চিবুকের যে দৃশ্যমান শারীরিক আকৃতি তৈরি হয় (যাকে বিজ্ঞানের ভাষায় ভিজিম বা Visemes বলা হয়), তার সাথে নিখুঁতভাবে মিলিয়ে দেওয়া হয়। কৃত্রিম বুদ্ধিমত্তা মূল ভিডিওর কেবল ঠোঁট ও চিবুকের অংশটুকু নতুন করে এঁকে নতুন ভাষার সাথে হুবহু তাল মিলিয়ে দেয়।

ভেঙ্কট্রিলোকুইস্ট ও কাঠের পুতুলের গল্প

মেলায় কাঠের পুতুল নিয়ে কথা বলা এক অভিজ্ঞ জাদুকরের কথা ভাবুন। জাদুকর নিজের ঠোঁট স্থির রেখে পেটের ভেতর থেকে কথা বলেন এবং হাতের আঙুল দিয়ে কোলের কাঠের পুতুলের মুখটি কথা বলার সাথে সাথে নাড়ান।

পুতুলের ঠোঁট যদি জাদুকরের কথার ঠিক এক সেকেন্ড পরে নড়ে কিংবা 'মা' ডাকার সময় পুতুলের মুখ বন্ধ না হয়ে হা করা থাকে, তবে দর্শকরা সাথে সাথে ধরে ফেলে যে এটি আসলে এক কৃত্রিম পুতুলনাচ। কিন্তু যখন প্রতিটি অক্ষরের নিখুঁত সময়ে পুতুলের মুখ খোলে ও বন্ধ হয়, তখন দূর থেকে দেখে মনে হয় কাঠের পুতুলটি সত্যিই প্রাণ ফিরে পেয়েছে।

ডিজিটাল লিপ-সিঙ্ক ঠিক সেই জাদুকরের মতোই কাজ করে। তবে মানুষ যখন কথা বলে, তখন কেবল তার ঠোঁট নড়ে না; সাথে সাথে চোখের পাতার নিচে হালকা কম্পন, গালের পেশির সংকোচন ও চোয়ালের স্বাভাবিক নড়াচড়া ঘটে (যাকে মাইক্রো-এক্সপ্রেশন বা Micro-expressions বলা হয়)। এআই যদি কেবল ঠোঁট নাড়ায় কিন্তু মুখের বাকি পেশি পাথরের মতো শক্ত হয়ে থাকে, তবে মানুষের মস্তিষ্ক অবচেতনভাবেই এক অদ্ভুত অস্বস্তি ও আতঙ্ক অনুভব করে। অ্যানিমেশন ও রোবটিক্সের ভাষায় অবিকল মানুষের মতো অথচ সামান্য রোবট ভাব থাকার এই অস্বস্তিকর অনুভূতিকে আনক্যানি ভ্যালি (The Uncanny Valley Effect) বলা হয়।

প্রযুক্তি যেখানে মানুষের কল্যাণ বয়ে আনছে

সঠিকভাবে ব্যবহৃত হলে লিপ-সিঙ্ক মানুষের জীবনকে নানাভাবে সমৃদ্ধ করে:

• চলচ্চিত্র ও বিনোদনের ভাষাগত সীমানা দূরীকরণ: বিশ্বের সেরা নাটক ও সিনেমাগুলো সাবটাইটেল পড়ার ক্লান্তি ছাড়া যেকোনো ভাষার মানুষ নিজস্ব ভাষার স্বাভাবিক ঠোঁটের নড়াচড়ায় উপভোগ করতে পারেন।
• অনলাইন শিক্ষা ও আন্তর্জাতিক কোর্স: বিশ্বসেরা অধ্যাপকদের লেকচার যেকোনো ভাষার শিক্ষার্থী তাদের মাতৃভাষায় স্বাচ্ছন্দ্যে শুনতে পারেন।
• কণ্ঠ হারানো রোগীদের সহায়তা: অস্ত্রোপচার বা অসুস্থতায় কথা বলার ক্ষমতা হারানো মানুষ নিজের মুখ ও প্রিয়জনের কৃত্রিম কণ্ঠে মনের ভাব প্রকাশ করতে পারেন।

নকল লিপ-সিঙ্ক ভিডিও চেনার বাস্তব লক্ষণ

রাজনৈতিক অপপ্রচার বা প্রতারণামূলক ভুয়া ভিডিও ধরতে এই বিষয়গুলো লক্ষ্য করুন:

• ঠোঁটের সীমানায় অস্বাভাবিক ঝাপসা বা রাবারের মতো টান: কথা বলার সময় মুখের চিবুকের চারপাশের ত্বক যদি অতিরিক্ত নরম বা মোমের মতো দেখায়, তবে তা কৃত্রিম হতে পারে।
• কণ্ঠের আবেগ ও মুখের চোখের অভিব্যক্তির অমিল: কণ্ঠে যদি প্রচণ্ড ক্ষোভ বা উত্তেজনা থাকে অথচ চোখ ও ভ্রু সম্পূর্ণ নিস্পৃহ থাকে, তবে তা অন্য অডিও জোড়াতালি দেওয়া ভিডিও।
• ডিজিটাল সত্যতার সনদ যাচাই করুন: বিশ্বাসযোগ্য মিডিয়া সংস্থাগুলোর ভিডিওতে অপরিবর্তনযোগ্য উৎস সিল (কনটেন্ট প্রোভেন্যান্স স্ট্যান্ডার্ড বা Content Credentials) থাকে যা ভুয়া ভিডিওতে থাকে না।

লিপ-সিঙ্ক ভাষা ও সংস্কৃতির মধ্যকার দেয়াল ভেঙে দেওয়ার এক চমৎকার সেতু। তবে এই প্রযুক্তি যেমন বিনোদনকে প্রাণবন্ত করে, তেমনি ভিডিওর সত্যতা যাচাইয়ে আমাদের সচেতনতাকেও শাণিত করা প্রয়োজন। প্রযুক্তির পেছনের বিজ্ঞানটি জানা থাকলেই আমরা অন্ধ বিশ্বাস না করে সত্যকে চিনতে পারব।