ٹیکسٹ ٹو اسپیچ (ٹی ٹی ایس) ایسی ٹیکنالوجی ہے جو ڈیجیٹل انٹرفیس کے متن کو قدرتی سنائی دینے والی آواز میں بدل دیتی ہے۔ اسے “بلند خوانی” ٹیکنالوجی، کمپیوٹر سے بنی آواز یا اسپیچ سنتھیسس بھی کہتے ہیں۔ زیادہ تر کمپنیاں ٹی ٹی ایس کو ایپلی کیشن پروگرامنگ انٹرفیس (اے پی آئی) کے طور پر پیش کرتی ہیں۔
ٹیکسٹ ٹو اسپیچ سسٹمز ابتدا میں معاون ٹیکنالوجی کے طور پر بنے تاکہ بصری معذوری اور سیکھنے کی مشکلات، جیسے ڈسلیکسیا، والے صارفین کے لیے خدمات زیادہ قابلِ رسائی ہوں۔ اب اے آئی سے چلنے والے وائس جنریٹرز انسانی گفتگو کی بہتر نقل کرتے ہیں اور نئے استعمال کھلتے ہیں: کسٹمر سروس کالز، اے آئی سے بنے پوڈکاسٹ، وائس اوور اور آڈیو بکس کی ریکارڈنگ۔
ٹیکسٹ ٹو اسپیچ ٹیکنالوجی کا ارتقا
پہلے برقی اسپیچ سنتھیسائزرز تقریباً 1930 کی دہائی میں آئے؛ وہ محدود تھے اور چلانا پیچیدہ تھا۔
کمپیوٹرز کے آنے کے ساتھ 1950 کی دہائی کے آخر میں پروگرامرز نے ایسے الگورتھمز بنانا شروع کیے جو آواز کے ذریعے کے طور پر آڈیو فائلوں کے بڑے ڈیٹا بیس تک رسائی رکھتے تھے۔ یہ متن کی اکائیوں کے لیے صوتی مطابقت ڈھونڈتے اور گفتگو کے اجزا جوڑتے۔ شروع میں آواز روبوٹک تھی، مگر زبان کی ماڈلنگ بہتر ہونے سے الگورتھمز بھی بہتر ہوئے۔
جب 2000 کی دہائی میں ڈیپ لرننگ اور نیورل نیٹ ورکس آئے تو صوتی لہروں کو براہِ راست ریکارڈنگز سے ماڈل کیا جانے لگا، جس سے اعلیٰ معیار کی، زیادہ حقیقی آوازیں بنیں۔ ساتھ ہی اسپیچ ریکگنیشن اور قدرتی زبان کی پروسیسنگ بھی بہتر ہوئیں، اور گفتگو والی اے آئی اسپیچ ٹو ٹیکسٹ اور ٹیکسٹ ٹو اسپیچ کے امتزاج پر قائم ہوئی۔
اگرچہ اے آئی اور مشین لرننگ نے قدرتی آواز بنانا آسان کیا، لیکن ڈیپ فیکس جیسے نئے تنازعات بھی پیدا ہوئے۔ ٹیکنالوجی کمپنیاں آڈیو ڈیپ فیکس پکڑنے کے لیے حقیقی وقت میں آڈیو تجزیے کے نظام بنا رہی ہیں۔
ٹیکسٹ ٹو اسپیچ کیسے کام کرتی ہے؟
ڈیپ لرننگ کی تکنیکیں سنتھیسس ماڈلز کو زیادہ ڈیٹا کا تجزیہ کرنے اور الفاظ اور ان کی صوتی خصوصیات کے تعلق کو بہتر سمجھنے دیتی ہیں، جس سے آواز زیادہ قدرتی لگتی ہے۔ تبدیلی کئی مراحل والا عمل ہے جس کے دو اہم اجزا ہیں: لسانی تجزیہ اور آواز کی سنتھیسس۔
لسانی تجزیہ
ماڈل کے گہرے نیورل نیٹ ورکس کو آڈیو ڈیٹا سیٹس اور ان کی ٹرانسکرپٹس پر تربیت دی جاتی ہے، بنیادی طور پر انگریزی اور بعض اوقات دیگر زبانوں میں، تاکہ وہ سمجھیں کہ الفاظ آواز سے کیسے مطابقت رکھتے ہیں، نیز لہجے، اونچائی، حجم، اتار چڑھاؤ اور رفتار۔ متن ملنے پر ماڈل الفاظ، رموزِ اوقاف اور جملوں کی ساخت کا تجزیہ کرتا ہے۔ وہ مخففات کھول سکتا ہے، الفاظ کا دورانیہ نکال سکتا ہے، درست تلفظ طے کر سکتا ہے اور اتار چڑھاؤ اور رفتار کا نقشہ بنا سکتا ہے۔
آواز کی تخلیق
متن کے تجزیے کے بعد ماڈل دو مراحل میں اسے آڈیو میں بدلتا ہے:
- مرحلہ 1: متن کو وقت کے مطابق ترتیب دی گئی خصوصیات میں بدلا جاتا ہے، جیسے اسپیکٹروگرام جو وقت کے ساتھ تعدد کی تبدیلیاں بیان کرتا ہے، اور گفتگو کی تفصیلات، سیاق کے مطابق تلفظ، زور اور الفاظ کا وقت محفوظ کرتا ہے۔
- مرحلہ 2: ووکوڈر ان خصوصیات کو صوتی لہروں میں بدلتا ہے، جنہیں کمپیوٹر قدرتی آواز بنا دیتا ہے۔ کچھ ماڈلز میں حجم، آواز کی اونچائی اور رفتار بدلنے اور زبان، لہجہ اور بولنے کا انداز چننے کی سہولت ہوتی ہے۔
بہت سے آلات، جیسے اسمارٹ فونز، میں ٹیکسٹ ٹو اسپیچ پہلے سے موجود ہوتی ہے۔ یہ سافٹ ویئر، براؤزر ایکسٹینشن، ویب ٹول یا ڈاؤن لوڈ ہونے والی ایپ کے طور پر بھی دستیاب ہے۔
ٹیکسٹ ٹو اسپیچ کے استعمال
یہ اصل میں رسائی بہتر بنانے کے لیے بنی، تاکہ بصری معذوری یا پڑھنے کی مشکل والے افراد کمپیوٹرز اور دیگر آلات سے متن کے ساتھ کام کر سکیں؛ مثلاً اسٹیفن ہاکنگ اس کی ایک شکل استعمال کرتے تھے۔ آج یہ زیادہ تر وہاں استعمال ہوتی ہے جہاں ہاتھ سے پڑھنا عملی نہ ہو یا انسانی آپریٹر کا وقت بچے:
- آڈیو مواد: ای لرننگ اور آن لائن تربیت کے لیے متن، کتابیں، اسباق، دستی کتابچے اور ہدایات پڑھ کر سنانا؛ خبری ادارے مضامین کو آڈیو میں بدل سکتے ہیں۔
- تعلیم: طلبہ کو توجہ مرکوز رکھنے اور متن کے ساتھ چلنے، الفاظ کو تلفظ سے جوڑنے، فہمِ مطالعہ بہتر بنانے اور اپنی تحریر بلند آواز سے سن کر درست کرنے میں مدد دیتی ہے؛ بصری معذوری یا ڈسلیکسیا والے طلبہ کی بھی معاون ہے۔
- چیٹ بوٹس اور ورچوئل اسسٹنٹس: سری یا کورٹانا ٹیکسٹ ٹو اسپیچ اور اسپیچ ٹو ٹیکسٹ کو ملا کر درخواستیں سمجھتے اور قدرتی انداز میں بات کرتے ہیں، اطلاعات سناتے اور ڈرائیونگ کے دوران پیغامات پڑھتے ہیں؛ کسٹمر سروس میں گفتگو زیادہ قدرتی لگتی ہے۔
- نیویگیشن: جی پی ایس ڈرائیوروں کو حقیقی وقت میں راستہ بتاتے ہیں؛ پہلے ریکارڈ شدہ آوازیں اور عمومی ہدایات تھیں، اب سڑک کا صحیح نام بھی بتایا جا سکتا ہے۔
- کثیر لسانی رابطہ اور زبان سیکھنا: گوگل ٹرانسلیٹ جیسی ایپس آڈیو کا ایک زبان سے دوسری میں ترجمہ کرتی ہیں، جو ویڈیو ڈبنگ میں کام آتا ہے، اور سیکھنے والوں کو قدرتی تلفظ سننے میں مدد دیتی ہیں۔
- میڈیا اور تفریح: ویڈیو گیمز کی کمنٹری اور بیانیے اور کرداروں کی آوازوں سے اخراجات کم ہوتے ہیں؛ کچھ اسٹوڈیوز وائس ایکٹرز کے ساتھ مل کر اے آئی آوازوں کو نکھارتے ہیں۔
- صحت: صحت کے ادارے اپنے مواد کے آڈیو ورژن دیتے ہیں اور اپائنٹمنٹ کی یاد دہانی اور اطلاعات کے لیے صوتی انٹرفیس استعمال کرتے ہیں، جو بصری معذوری، تقریر کے مسائل، محدود نقل و حرکت یا سیکھنے کی مشکلات والے مریضوں کے لیے اہم ہے۔
اب جب آپ اس دلچسپ دنیا کی بنیادیں سمجھ چکے ہیں تو انہیں عملی شکل دینے کا وقت ہے۔
کیا آپ اپنے الفاظ کو دل موہ لینے والی آواز میں بدلنے کے لیے تیار ہیں؟
آج کی مکنہ
مکنہ 130 سے زیادہ زبانوں میں متن کو قدرتی آواز میں بدلتا ہے، دو انجنوں پر تقریباً 600 آوازوں کے ساتھ: اسٹینڈرڈ، جذبات اور لہجوں کے ساتھ، اور ایڈوانسڈ، جسے آپ پیشکش کو الفاظ میں بیان کر کے چلاتے ہیں۔ عربی کے لیے تین ٹیکسٹ پروسیسرز ہیں: بیسک، تشکیل اور اے آئی پوئٹ۔ آپ یہ ٹیکنالوجیز مکنہ میں آزما سکتے ہیں: 130 سے زیادہ زبانوں میں ٹیکسٹ ٹو اسپیچ، ڈبنگ اور وائس کلوننگ۔
آج ہی آڈیو مواد کی دنیا میں اپنا سفر شروع کریں۔
مکنہ کو مفت آزمائیں، کارڈ کے بغیر: متن لکھیں، آواز چنیں اور چند سیکنڈ میں نتیجہ سنیں۔ پلانز قیمتوں کے صفحے پر دیکھیں۔
ماخذ: IBM.COM
کیا آپ اپنے متن کو آواز دینے کے لیے تیار ہیں؟ مکنہ کے پلانز دیکھیں