گفتار کی شناخت: موبائل فون آپ کے بولے ہوئے الفاظ کو لکھائی میں کیسے بدل دیتا ہے؟

شام کے وقت سڑک کے شور اور ٹریفک کے بیچ، آپ اسمارٹ فون کے مائیکروفون پر انگلی رکھ کر بولتے ہیں: 'میں ٹریفک میں پھنس گیا ہوں اور پہنچنے میں بیس منٹ دیر ہو جائے گی'۔ فون کی اسکرین پر آپ کا بولا گیا جملہ بنا کسی ہجے کی غلطی کے فوراً تحریر ہو جاتا ہے۔ انسانی کانوں کے لیے پس منظر کے شور میں سے کسی مانوس آواز کو الگ کر کے سننا ایک فطری صلاحیت ہے۔ لیکن مائیکروفون کے لیے آنے والی آواز محض ہوا کے دباؤ کے متلاطم ارتعاشات کا ایک الجھا ہوا مجموعہ ہوتی ہے۔

بول چال کو خودکار طور پر لکھائی میں بدلنے کی اس ٹیکنالوجی (جسے اسپیچ ٹو ٹیکسٹ یا گفتار کی شناخت کہا جاتا ہے) نے فون پر صوتی املا، میٹنگز کی تحریری نقول اور وائس اسسٹنٹس کو ممکن بنا دیا ہے۔ یہ سمجھنا کہ کمپیوٹر صوتی ارتعاشات کو باقاعدہ الفاظ میں کیسے بدلتا ہے، یہ واضح کرتا ہے کہ آج یہ نظام انسانی سماعت کی طرح اتنی تیز رفتاری اور درستی سے کام کرنے کے قابل کیسے ہو چکا ہے۔

صوتی طبیعیات اور زبان کے سیاق و سباق کا دو مرحلہ نظام

انسانی گفتگو کو تحریر میں بدلنے کے لیے دو بالکل مختلف سائنسی چیلنجز حل کرنا پڑتے ہیں: آواز کی قدرتی لہروں کا تجزیہ اور انسانی زبان کے گرامر کا فہم۔

پہلے مرحلے میں آواز کی لہروں اور سروں کو پرکھنے والا نظام (جسے صوتی ماڈل یا Acoustic Model کہتے ہیں) کام شروع کرتا ہے۔ موبائل کا مائیکروفون ہوا کے دباؤ میں پیدا ہونے والی لہروں کے فی سیکنڈ ہزاروں نمونے جمع کرتا ہے اور خام آواز کو فریکوئنسی کے ایک حسابی تصویری نقشے میں بدلتا ہے جسے سپیکٹروگرام (Spectrogram) کہا جاتا ہے۔ انسانی دماغ کے اعصابی جال کی طرح سیکھنے والا کمپیوٹر پروگرام (نیورل نیٹ ورک) اس سپیکٹروگرام کا معائنہ کر کے گاڑی کے ہارن، پنکھے کی گڑگڑاہٹ اور کمرے کی گونج کو اصل آواز سے الگ کر دیتا ہے۔ اس کے بعد وہ صاف ہونے والی آواز کو بول چال کے بنیادی ترین صوتی ٹکڑوں (جنہیں فونیمز یا Phonemes کہا جاتا ہے) میں تقسیم کر دیتا ہے۔

دوسرے مرحلے میں جملے کے معنی، گرامر اور سیاق و سباق کو سمجھنے والا ماڈل (لسانی ماڈل یا Language Model) میدان میں آتا ہے۔ تنہا آواز اکثر الجھن پیدا کرتی ہے کیونکہ مختلف الفاظ کی آوازیں ہو بہو ایک جیسی ہوتی ہیں۔ اردو میں ہم آواز الفاظ کی مثال لیجیے، جیسے 'صدا' (آواز) اور 'سدا' (ہمیشہ)، یا انگریزی میں 'there' اور 'their'۔ مائیکروفون کے سینسر کے لیے ان کے ارتعاشات ایک جیسے ہوتے ہیں اور وہ اکیلے یہ فیصلہ نہیں کر سکتا کہ بولنے والے کا مقصد کیا تھا۔ یہاں لسانی ماڈل آگے اور پیچھے آنے والے الفاظ کا جائزہ لے کر ریاضیاتی امکانات کی بنیاد پر جملے کے مطابق صحیح ترین لفظ منتخب کرتا ہے۔

کلاؤڈ سرورز سے موبائل ڈیوائس پر مقامی پروسیسنگ کی منتقلی

برسوں تک اسپیچ ٹو ٹیکسٹ کا نظام اس بات کا محتاج تھا کہ آپ کی آواز کی ریکارڈنگ انٹرنیٹ کے ذریعے دور دراز واقع بڑے کمپیوٹر سینٹرز (کلاؤڈ سرورز) تک بھیجی جائے۔ دور دراز سرورز سے جواب آنے میں وقت لگتا تھا جس سے ٹائپنگ میں تاخیر ہوتی تھی، اور صارفین کو یہ تشویش بھی رہتی تھی کہ ان کی نجی گفتگو انٹرنیٹ پر محفوظ کی جا رہی ہے۔

جدید اسمارٹ فونز نے کلاؤڈ سرورز پر اس انحصار کو ختم کر دیا ہے۔ کمپیوٹر ماڈلز کو حسابی طریقوں سے ہلکا پھلکا کر کے اور موبائل کے اندر مصنوعی ذہانت چلانے والی مخصوص چپ (آن ڈیوائس پروسیسر جیسے ایپل کا نیورل انجن یا گوگل کا ٹینسر چپ) کی مدد سے اب یہ سارا کام فون کے اندر ہی انجام پاتا ہے۔ آپ کے بولے ہوئے الفاظ انٹرنیٹ کے بغیر بھی پلک جھپکتے ہی لکھے جاتے ہیں اور آپ کی نجی آواز فون سے باہر نہیں جاتی۔

گفتار کی شناخت کی تکنیکی حدود اور درست استعمال کے طریقے

اگرچہ جدید اسپیچ ریکگنیشن عام بول چال میں زبردست درستگی دکھاتی ہے، لیکن اسے چند ٹھوس تکنیکی حدود کا سامنا رہتا ہے:

• بیک وقت کئی افراد کی گفتگو کا شور: جب کسی کمرے میں دو یا تین لوگ ایک ساتھ بات کر رہے ہوں تو مائیکروفون کے لیے آوازوں کی فریکوئنسی الگ کرنا مشکل ہو جاتا ہے، جس سے تحریر میں الفاظ گڈمڈ ہو سکتے ہیں۔
• غیر مانوس تکنیکی اصطلاحات اور مقامی نام: مخصوص سائنسی نام، عدالتی اصطلاحات یا محلے کے نجی نام اگر ماڈل کی لغت میں شامل نہ ہوں تو وہ غلط درج ہو جاتے ہیں۔
• علاقائی لہجے اور غیر معیاری تلفظ: چونکہ بیشتر حسابی فارمولے (الگورتھمز) معیاری لہجوں پر تربیت پاتے ہیں، اس لیے تیز رفتار یا مخصوص علاقائی لہجے میں غلطیوں کا تناسب بڑھ سکتا ہے۔

بہترین نتائج کے لیے بولتے ہوئے یکساں رفتار اپنائیے، مائیکروفون کو منہ سے دو تین انچ کے فاصلے پر رکھیے اور اہم پیغامات بھیجنے سے پہلے ان پر ایک نظر ضرور ڈال لیجیے۔ یہ جاننا کہ آپ کی ڈیوائس صوتی لہروں کی طبیعیات اور گرامر کے امکانی اصولوں کے ملاپ سے کام کرتی ہے، آپ کو صوتی ٹیکنالوجی سے مکمل فائدہ اٹھانے کے قابل بناتا ہے۔