اے آئی لپ سنکنگ (نیورل ڈبنگ): ویڈیو میں کسی بھی زبان کے مطابق ہونٹ بدلنے کی ٹیکنالوجی

ٹی وی کی پرانی ڈبنگ اور ہالی ووڈ کی نئی جادوگری

ہم سب نے بچپن میں ٹی وی پر غیر ملکی ڈرامے اور فلمیں دیکھی ہیں جہاں انگریزی یا چینی اداکار اردو میں بول رہے ہوتے تھے۔ اس پرانی ڈبنگ میں ایک عجیب بے چینی ہوتی تھی: کردار کا منہ بند ہو جاتا تھا مگر اردو کی آواز اب بھی آ رہی ہوتی تھی، یا اداکار تیزی سے ہونٹ ہلا رہا ہوتا تھا اور آڈیو خاموش ہوتی تھی۔ انسان کا دماغ فوراً جان لیتا تھا کہ آواز کسی اور کی ہے اور چہرہ کسی اور کا۔

آج کی جدید ٹیکنالوجی نے اس خامی کو جڑ سے اکھاڑ پھینکا ہے، جسے آواز کے ساتھ ہونٹوں کا خودکار حسابی میل (نیورل لپ سنکرونائزیشن یا Neural Lip-Sync) کہا جاتا ہے۔ اب اگر کوئی فرانسیسی یا جرمن پروفیسر کسی پیچیدہ سائنسی موضوع پر لیکچر دے تو کمپیوٹر سیکنڈوں میں اس کے ہونٹوں کی لکیروں کو اردو الفاظ کے مطابق دوبارہ پینٹ کر دیتا ہے۔ اس سے دنیا بھر کا اعلیٰ تعلیمی اور طبی علم ہر پاکستانی طالب علم کی اپنی زبان میں انتہائی فطری انداز میں دستیاب ہو جاتا ہے۔

آواز کی لہروں سے ہونٹوں کی شکلیں کیسے بنتی ہیں؟

پرانے زمانے میں اینیمیٹرز ہاتھ سے ایک ایک فریم کو درست کرنے کا تھکا دینے والا کام (مینول کی فریمنگ) کرتے تھے۔ جدید نیورل ماڈلز اسے دو سائنسی مراحل میں خودکار نمٹاتے ہیں:

• آواز کے بنیادی صوتی اجزاء کی پہچان (فونیمز یا Phonemes): سافٹ ویئر آڈیو کو سن کر ایک ایک حرف اور آواز کے ٹکڑے کو الگ کرتا ہے، جیسے 'ب' بولتے وقت دونوں ہونٹ ملتے ہیں اور 'ف' پر اوپر کے دانت نچلے ہونٹ کو چھوتے ہیں۔
• چہرے اور ہونٹوں کی بصری اشکال سے جوڑنا (ویزیمز یا Visemes): ان صوتی ٹکڑوں کو چہرے کی متحرک بناوٹ کے ساتھ فریم در فریم ملا دیا جاتا ہے۔
• چہرے کے انتہائی باریک تاثرات کا تحفظ (مائیکرو ایکسپریشنز یا Micro-expressions): ماڈل گال کے پٹھوں اور گلے کی حرکت کو بھی الفاظ کے زور کے مطابق ڈھالتا ہے۔

مصنوعی لپ سنکنگ کو پکڑنے کے رہنما اصول

جب کسی ویڈیو پر مصنوعی طور پر ہونٹ بدلے جاتے ہیں تو چہرے پر ایک عجیب سی غیر فطری اور روبوٹک کیفیت طاری ہو جاتی ہے جسے سائنس دان ان کینی ویلی کا اثر (Uncanny Valley Effect) کہتے ہیں۔ جعلی ویڈیو کو پکڑنے کے لیے یہ نشانیاں دیکھیں:

• دانتوں اور زبان کی دھندلاہٹ: بولتے وقت اگر دانت سفید پٹی کی طرح جڑے دکھائی دیں اور زبان کی قدرتی حرکت غائب ہو تو سمجھیں ویڈیو اے آئی کی بنی ہے۔
• ٹھوڑی اور گلے کی لکیروں میں کٹاؤ: اصل انسان بولتے وقت جبڑا نیچے کرتا ہے تو گلے کے پٹھے حرکت کرتے ہیں، جبکہ نقلی ویڈیو میں صرف ہونٹ ربڑ کی طرح ہلتے ہیں۔
• روشنی اور سائے کا بے جوڑ پن: چہرے پر پڑنے والی روشنی اور منہ کے اندر کے اندھیرے کا باریک فرق اکثر کمپیوٹر سے چھوٹ جاتا ہے، جس سے ہونٹ الگ سے چپکائے ہوئے معلوم ہوتے ہیں۔
• ویڈیو کے حقیقی ماخذ کا ڈیجیٹل سرٹیفکیٹ چیک کریں (کنٹنٹ پروویننس یا C2PA): انٹرنیٹ پر مصدقہ خبر رساں اداروں کے ڈیجیٹل واٹر مارکس کی تصدیق کریں۔

نیورل ڈبنگ نے زبانوں کی رکاوٹ کو گرا کر بین الاقوامی تعلیم، فلموں اور صحافت کو ہر شہری کی مادری زبان کے قریب کر دیا ہے۔ جب ہم اس ٹیکنالوجی کی اندرونی سائنس کو سمجھ لیتے ہیں تو ہم اس سے بھرپور فائدہ بھی اٹھا سکتے ہیں اور انٹرنیٹ پر گردش کرتی جھوٹی سیاسی ویڈیوز کے فریب سے بھی محفوظ رہتے ہیں، کیونکہ باخبر شہری ہی جدید ڈیجیٹل دور میں سچ اور جھوٹ کا درست فیصلہ کر سکتا ہے۔