ನಾವು ಕಾರು ಚಾಲನೆ ಮಾಡುತ್ತಿರುವಾಗ ವಾಟ್ಸಾಪ್‌ನಲ್ಲಿ ದೀರ್ಘವಾದ ಸಂದೇಶ ಕಳುಹಿಸಬೇಕಿದ್ದರೆ, ಕಿಬೋರ್ಡ್‌ನಲ್ಲಿ ಟೈಪ್ ಮಾಡುತ್ತಾ ಕುಳಿತುಕೊಳ್ಳುವುದಿಲ್ಲ. ಮೈಕ್ ಬಟನ್ ಒತ್ತಿ, "ನಾನು ಇನ್ನರ್ಧ ಗಂಟೆಯಲ್ಲಿ ಮನೆಗೆ ತಲುಪುತ್ತೇನೆ" ಎಂದು ಹೇಳಿದರೆ ಸಾಕು, ನಾವಾಡಿದ ಮಾತು ಕ್ಷಣಾರ್ಧದಲ್ಲಿ ಸ್ಕ್ರೀನ್ ಮೇಲೆ ಅಚ್ಚುಕಟ್ಟಾದ ಅಕ್ಷರಗಳಾಗಿ ಮೂಡುತ್ತದೆ!

ಯೂಟ್ಯೂಬ್‌ನಲ್ಲಿ ವಿಡಿಯೋ ನೋಡುವಾಗ ಕೆಳಗೆ ಲೈವ್ ಆಗಿ ಮೂಡುವ ಉಪಶೀರ್ಷಿಕೆಗಳು (Subtitles) ಇರಲಿ, ಅಥವಾ ಸಿರಿ (Siri), ಗೂಗಲ್ ಅಸಿಸ್ಟೆಂಟ್ ಜೊತೆ ನಾವು ಮಾತನಾಡುವುದಿರಲಿ—ಈ ಎಲ್ಲಾ ಕಡೆ ಕೆಲಸ ಮಾಡುತ್ತಿರುವುದು 'ಸ್ಪೀಚ್-ಟು-ಟೆಕ್ಸ್ಟ್' (Speech-to-Text Processing - ASR) ಎಂಬ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅದ್ಭುತ ತಂತ್ರಜ್ಞಾನ.

ನಾವು ಬಾಯಲ್ಲಿ ಆಡಿದ ಶಬ್ದ ತರಂಗಗಳನ್ನು ಕಂಪ್ಯೂಟರ್ ಹೇಗೆ ಅಕ್ಷರಗಳಾಗಿ ಗ್ರಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಸರಳವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳೋಣ.

ಶಬ್ದದಿಂದ ಅಕ್ಷರದವರೆಗೆ: AI ಮಾಡುವ ಮೂರು ಪ್ರಮುಖ ಕೆಲಸಗಳು

ನಾವು ಮಾತನಾಡುವಾಗ ಗಾಳಿಯಲ್ಲಿ ಶಬ್ದ ತರಂಗಗಳು (Sound Waves) ಸೃಷ್ಟಿಯಾಗುತ್ತವೆ. ಆದರೆ ಕಂಪ್ಯೂಟರ್‌ಗೆ ಶಬ್ದ ಅರ್ಥವಾಗುವುದಿಲ್ಲ; ಅದಕ್ಕೆ ಗೊತ್ತಿರುವುದು ಕೇವಲ '೦' ಮತ್ತು '೧' ಎಂಬ ಸಂಖ್ಯೆಗಳು ಮಾತ್ರ. ಈ ಶಬ್ದವನ್ನು ಅಕ್ಷರಗಳಾಗಿ ಬದಲಾಯಿಸಲು AI ತನ್ನ ಮಿದುಳಿನಲ್ಲಿ ಮೂರು ಹಂತಗಳ ಕೆಲಸ ಮಾಡುತ್ತದೆ:

೧. ಶಬ್ದವನ್ನು ಡಿಜಿಟಲ್ ರೂಪಕ್ಕೆ ತರುವುದು (Audio Processing)

ಮೊದಲಿಗೆ, ಮೈಕ್ರೋಫೋನ್ ನಮ್ಮ ಧ್ವನಿಯನ್ನು ಸೆರೆಹಿಡಿದು, ಅದನ್ನು ಸಂಖ್ಯೆಗಳ ಗ್ರಾಫ್ (Spectrogram) ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಈ ಹಂತದಲ್ಲಿ AI ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಬರುವ ಫ್ಯಾನ್ ಶಬ್ದ, ವಾಹನಗಳ ಗದ್ದಲವನ್ನು ನಿವಾರಿಸಿ, ಕೇವಲ ನಮ್ಮ ಸ್ಪಷ್ಟ ಧ್ವನಿಯನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ.

೨. ಧ್ವನಿ ತುಣುಕುಗಳನ್ನು ಪತ್ತೆ ಮಾಡುವುದು (Acoustic Model & Phonemes)

ನಾವು ಮಾತನಾಡುವ ಪ್ರತಿಯೊಂದು ಪದವೂ ಚಿಕ್ಕ ಚಿಕ್ಕ ಶಬ್ದಗಳ ಸಮ್ಮಿಲನ. ಉದಾಹರಣೆಗೆ, ನಾವು "ಕನ್ನಡ" ಎಂದಾಗ, ಅದರಲ್ಲಿ 'ಕ', 'ನ್', 'ನ', 'ಡ್', 'ಅ' ಎಂಬ ಧ್ವನಿ ತುಣುಕುಗಳಿರುತ್ತವೆ. ಭಾಷಾವಿಜ್ಞಾನದಲ್ಲಿ ಇವುಗಳನ್ನು ಫೋನಿಮ್ಸ್‌ಗಳು (Phonemes) ಎನ್ನಲಾಗುತ್ತದೆ. AI ನ ಶಬ್ದ ಮಾದರಿಯು (Acoustic Model) ನಾವು ಆಡಿದ ಶಬ್ದ ಯಾವ ಅಕ್ಷರಕ್ಕೆ ಸೇರಿದ್ದು ಎಂದು ಗುರುತಿಸುತ್ತದೆ.

೩. ವಾಕ್ಯದ ಹಿನ್ನೆಲೆ ಗ್ರಹಿಸುವುದು (Language Model)

ಇಲ್ಲಿಯೇ AI ನ ಅಸಲಿ ಜಾಣ್ಮೆ ಇರುವುದು! ಕೆಲವು ಪದಗಳ ಶಬ್ದ ಒಂದೇ ರೀತಿ ಇರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, 'ಹಾಲು' ಮತ್ತು 'ಕಾಲು' ಎಂದು ನಾವು ಹೇಳಿದಾಗ, ಶಬ್ದ ಮಾದರಿಗೆ ಸ್ವಲ್ಪ ಗೊಂದಲವಾಗಬಹುದು. ಆಗ AI ನ 'ಭಾಷಾ ಮಾದರಿ' (Language Model) ನಾವು ಆಡಿದ ಇಡೀ ವಾಕ್ಯವನ್ನು ನೋಡುತ್ತದೆ. "ನಾನು ಬೆಳಿಗ್ಗೆ ಕಾಯಿಸಿದ ____ ಕುಡಿದೆ" ಎಂಬ ವಾಕ್ಯ ಬಂದಾಗ, ಹಿನ್ನೆಲೆಯನ್ನು ಗ್ರಹಿಸಿ ಅಲ್ಲಿ ಬರಬೇಕಾದ ಸೂಕ್ತ ಪದ 'ಹಾಲು' ಹೊರತು 'ಕಾಲು' ಅಲ್ಲ ಎಂದು ಸರಿಯಾಗಿ ಲೆಕ್ಕಹಾಕಿ ಟೈಪ್ ಮಾಡುತ್ತದೆ!

೨೦೨೬ರ ಆಧುನಿಕ 'ವಿಪ್ಲವ': ಓಪನ್ ಎಐ ವಿಸ್ಪರ್ ಮತ್ತು 'ಕಂಗ್ಲಿಷ್' ಜಾಣ್ಮೆ!

ಕೆಲವು ವರ್ಷಗಳ ಹಿಂದೆ ನಾವು ಧ್ವನಿ ಟೈಪಿಂಗ್ (Voice Typing) ಬಳಸುವಾಗ, ಸಣ್ಣ ಗದ್ದಲವಿದ್ದರೂ ಅಥವಾ ನಮ್ಮ ಉಚ್ಚಾರಣೆ ಸ್ವಲ್ಪ ಬದಲಾದರೂ AI ತಪ್ಪು ತಾಪrads ಬರೆಯುತ್ತಿತ್ತು.

ಆದರೆ, ಇಂದಿನ OpenAI Whisper ಅಥವಾ Google ASR ನಂತಹ ಅತ್ಯಾಧುನಿಕ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಎಷ್ಟು ಶಕ್ತಿಶಾಲಿಯಾಗಿವೆ ಎಂದರೆ:

  • ಪ್ರಾದೇಶಿಕ ಶೈಲಿಗಳು (Accents): ಮೈಸೂರು ಕನ್ನಡ, ಧಾರವಾಡ ಕನ್ನಡ ಅಥವಾ ಮಂಗಳೂರು ಕನ್ನಡ—ಯಾವ ಶೈಲಿಯಲ್ಲಿ ಮಾತನಾಡಿದರೂ ಇಂದಿನ AI ನಿಖರವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತದೆ.

  • ಕಂಗ್ಲಿಷ್ (Code-Switching): ನಾವು "ನಾಳೆ ಆಫೀಸ್‌ಗೆ ಬರುವಾಗ Laptop ತಗೊಂಡು ಬಾ" ಎಂದು ಕನ್ನಡ ಮತ್ತು ಇಂಗ್ಲಿಷ್ ಬೆರೆಸಿ ಮಾತನಾಡಿದರೂ, AI ಅದನ್ನು ಸರಿಯಾಗಿ ಗ್ರಹಿಸಿ ಟೈಪ್ ಮಾಡಬಲ್ಲದು.

ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಇದರ ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯ

  • ವಿಶೇಷ ಚೇತನರಿಗೆ ಆಸರೆ (Accessibility): ಕಣ್ಣು ಕಾಣದ ಅಥವಾ ಕೈಗಳಿಂದ ಟೈಪ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗದ ಕೋಟ್ಯಂತರ ಜನರಿಗೆ ಈ ತಂತ್ರಜ್ಞಾನ ಡಿಜಿಟಲ್ ಜಗತ್ತಿನ ಕದ ತೆರೆದಿದೆ.

  • ಆಫೀಸ್ ಮೀಟಿಂಗ್‌ಗಳ ಸಾರಾಂಶ (Transcripts): ಝೂಮ್ ಅಥವಾ ಟೀಮ್ಸ್ ಮೀಟಿಂಗ್‌ಗಳಲ್ಲಿ ಪ್ರತಿಯೊಬ್ಬರೂ ಮಾತನಾಡುವ ವಿಷಯಗಳನ್ನು ಲೈವ್ ಆಗಿ ಟೈಪ್ ಮಾಡಿ, ಸಭೆಯ ಕೊನೆಯಲ್ಲಿ ಸಂಪೂರ್ಣ ನೋಟ್ಸ್ (Meeting Minutes) ಸಿದ್ಧಪಡಿಸಿ ಕೊಡಲು ಇದನ್ನು ಬಳಸುತ್ತಿದ್ದೇವೆ.

  • ವೈದ್ಯಕೀಯ ರಂಗ (Medical Dictation): ವೈದ್ಯರು ರೋಗಿಗಳನ್ನು ತಪಾಸಣೆ ಮಾಡುತ್ತಲೇ, ರೋಗದ ವಿವರಗಳನ್ನು ಬಾಯಲ್ಲಿ ಹೇಳುತ್ತಿದ್ದರೆ, AI ತಾನಾಗಿಯೇ ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಮತ್ತು ರಿಪೋರ್ಟ್‌ಗಳನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತದೆ.

ಧ್ವನಿಯನ್ನು ಅಕ್ಷರಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವ 'ಸ್ಪೀಚ್-ಟು-ಟೆಕ್ಸ್ಟ್' ತಂತ್ರಜ್ಞಾನವು ಮನುಷ್ಯ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ನಡುವಿನ ಸಂವಹನವನ್ನು ಅತ್ಯಂತ ಸರಳಗೊಳಿಸಿದೆ. ಟೈಪಿಂಗ್ ಕಲಿಯದ ಸಾಮಾನ್ಯ ವ್ಯಕ್ತಿಯೂ ಸಹ ಕೇವಲ ತನ್ನ ಮಾತಿನ ಮೂಲಕವೇ ಇಡೀ ಇಂಟರ್ನೆಟ್ ಅನ್ನು ನಿಯಂತ್ರಿಸಲು ಇದು ದಾರಿ ಮಾಡಿಕೊಟ್ಟಿದೆ.