کیا AI انسانی آواز نقل کر سکتا ہے؟

مصنوعی ذہانت (AI) ہماری زندگی کے تقریباً ہر شعبے میں داخل ہو چکی ہے، ویب سائٹ چیٹ بوٹس سے لے کر سوشل میڈیا پر مواد بنانے والوں اور وڈیو گیمز تک۔ AI آواز ٹیکنالوجی خاص طور پر تیزی سے ترقی کر رہی ہے؛ عام ٹیکسٹ ٹو اسپیچ (TTS) سے ہوتی ہوئی انسانی جیسی مصنوعی آوازوں کی تخلیق تک پہنچ چکی ہے۔ AI آواز جنریٹرز اور وائس کلوننگ سافٹ ویئر کی مدد سے، AI اب واقعی کسی شخص کی آواز کو بہت قائل کن انداز میں نقل کر سکتا ہے۔

ٹیکسٹ ٹو اسپیچ اور اسپیچ ریکگنیشن میں فرق

ٹیکسٹ ٹو اسپیچ (TTS) اور اسپیچ ریکگنیشن ایک ہی سکے کے دو رخ ہیں، دونوں میں انسانی آواز اور AI شامل ہیں، مگر ان کے مقصد مختلف ہیں۔ TTS ایک ایسی تکنیک ہے جو تحریر کو بولی جانے والی آواز میں بدلتی ہے، جیسے آڈیو بکس، ای-لرننگ اور معذور افراد کے لیے مددگار آلات میں استعمال ہوتی ہے۔ یہ AI اور مشین لرننگ الگورتھمز سے تحریر کو مصنوعی آواز میں بدلتا ہے۔

دوسری طرف، اسپیچ ریکگنیشن میں AI بولی گئی بات کو تحریری متن میں بدلتا ہے۔ یہ ٹیکنالوجی لائیو ٹرانسکرپشن سروسز، آواز اسسٹنٹس جیسے ایپل سری یا ایمیزون الیکسا، اور کچھ سوشل میڈیا پلیٹ فارمز جیسے TikTok میں بھی استعمال ہوتی ہے۔

AI انسانی آواز کیسے نقل کر سکتا ہے

AI انسانی آواز نقل کرنے کے لیے عموماً دو مرحلوں پر مشتمل عمل اختیار کرتا ہے: تجزیہ اور ترکیب۔ اس شعبے کو وائس کلوننگ ٹیکنالوجی کہتے ہیں۔ ابتدا میں AI گہری سیکھنے والے الگورتھمز اور نیورل نیٹ ورکس کے ذریعے آواز کی ریکارڈنگ یا کلپس کا تجزیہ کرتا ہے—پٹرنز، لہجوں اور ایکسنٹ کو سمجھتا ہے۔

ترکیب کے مرحلے میں، AI جنیریٹو ماڈلز (جیسے OpenAI کا ChatGPT یا Adobe کا VoCo) استعمال کر کے ڈیجیٹل آواز تخلیق کرتا ہے جو اصل آواز سے بہت ملتی جلتی ہوتی ہے۔ یہ بالکل ڈیپ فیک جیسا ہے، لیکن صرف آواز کے لیے۔ عموماً چند سیکنڈ کی آڈیو سے ہی حقیقت کے قریب آواز بنائی جا سکتی ہے۔

انسانی آواز بنانے کے اجزاء

انسانی آواز تخلیق کرنے کے لیے کئی اجزاء کام کرتے ہیں، مثلاً:

1. فونٹک تجزیہ: الفاظ کو آوازوں میں تقسیم کر کے انسانی تقریر کے ڈھانچے کو سمجھنا۔
2. پروزڈی تجزیہ: تقریر کے ردھم، دباؤ اور اتار چڑھاؤ کی پہچان۔
3. سیکھنے کے الگورتھمز: مشین لرننگ الگورتھمز جو آڈیو ڈیٹا سے سیکھ کر ملتے جلتے پٹرنز دوبارہ پیدا کرتے ہیں۔
4. جنیریٹو ماڈلز: نیا ڈیٹا تخلیق کرنا جو سیکھے گئے انداز کے مطابق ہو۔

انسانی اور AI آواز میں فرق

اگرچہ AI آوازیں اب کہیں زیادہ قدرتی اور انسانی سی لگتی ہیں، پھر بھی انسانی اور AI آواز میں فرق موجود ہے۔ سب سے بڑا فرق جذباتی باریکیوں اور سیاق و سباق کے مطابق آواز کے اتار چڑھاؤ میں ہے، جو انسان میں فطری طور پر ہوتے ہیں، جبکہ AI ابھی اس میں سیکھنے کے مرحلے میں ہے۔ مزید یہ کہ وائس کلوننگ میں اخلاقی اور پرائیویسی کے مسائل بھی ہیں، غلط استعمال سے شناخت چوری یا ڈیپ فیک فراڈ ہو سکتا ہے۔

8 بہترین AI آواز سافٹ ویئر

1. OpenAI کا ChatGPT: یہ جنیریٹو AI کے ذریعے انسان جیسے جوابات دیتا ہے۔ ChatGPT ہموار AI وائس کے لیے مختلف ایپس میں شامل کیا جا سکتا ہے۔
2. Adobe کا VoCo: ایڈوب کا وائس کلوننگ ٹول VoCo صرف 20 منٹ کے صوتی سیمپل سے اصل جیسی آواز بنا کر اسے ایڈیٹ بھی کر سکتا ہے۔
3. Amazon Polly: یہ سروس تحریر کو قدرتی آواز میں بدلتی ہے، جس سے ڈیولپر بولنے والی ایپس اور آواز سے چلنے والی مصنوعات بنا سکتے ہیں۔
4. Microsoft Azure ٹیکسٹ ٹو اسپیچ: اعلیٰ معیار اور قدرتی AI آواز کے لیے معروف، اور مختلف شعبوں میں استعمال ہوتا ہے۔
5. Google ٹیکسٹ ٹو اسپیچ: گوگل کی سروس جو 30 سے زائد زبانوں میں قدرتی آوازیں سنتھیسائز کرتی ہے۔
6. Descript: اس ٹول سے صارف اپنی آواز بنا اور ایڈٹ کر سکتا ہے، پوڈکاسٹ یا وائس اوورز کے لیے.
7. Resemble AI: ریزیمبل AI منفرد وائس کلوننگ ٹیکنالوجی پیش کرتا ہے، برانڈز کے لیے حسبِ ضرورت AI وائس تیار کرتا ہے۔
8. Lyrebird: Descript نے Lyrebird حاصل کیا، جو وائس کلوننگ سافٹ ویئر کے ابتدائی بانیوں میں شمار ہوتا ہے۔

AI وائس ٹیکنالوجی، جو ڈیپ لرننگ اور نیورل نیٹ ورکس پر مبنی ہے، تیزی سے ترقی کر رہی ہے اور آڈیو بکس، پوڈکاسٹ، سوشل میڈیا اور وڈیو گیمز میں بے شمار استعمالات دے رہی ہے۔ فوربس کے مطابق، نئے AI ٹولز اعلی معیار اور حقیقت سے قریب آوازیں فراہم کر رہے ہیں، جو ٹیکنالوجی کے ساتھ ہمارا تعلق بدل رہے ہیں۔ جیسے جیسے یہ میدان آگے بڑھ رہا ہے، انسانی اور AI آواز کا فرق دھندلا ہوتا جا رہا ہے۔ مگر اس کے ساتھ اخلاقی اور پرائیویسی کے مسائل کا خیال رکھنا بھی اتنا ہی ضروری ہے۔