नेपाली आवाजको कृत्रिम प्रतिरूप: क्षमता, सीमा र प्रमाणीकरण
एड्रियन मर्सर
मानिसको आवाज उसको पहिचानसँग गहिरो गरी जोडिएको हुन्छ। त्यसैले सार्वजनिक व्यक्तिको आवाजमा आएको छोटो अडियोले पनि राजनीतिक र सामाजिक बहसलाई तीव्र बनाउन सक्छ। अहिले कम्प्युटरले लिखित पाठलाई मानिसकै जस्तो सुनिने आवाजमा बदल्न, कुनै व्यक्तिको बोल्ने शैली अनुकरण गर्न र अर्को आवाजको स्वरमा रूपान्तरण गर्न सक्छ। नेपालीमा यस्तो प्रविधिको क्षमता बुझ्न आवाज कसरी बनाइन्छ, उपलब्ध अनुसन्धानले के देखाउँछ र वास्तविक अडियो कसरी जाँचिन्छ भन्ने कुरा सँगै हेर्नुपर्छ।
आवाज निर्माणका दुई प्रमुख विधि छन्। पहिलो, लिखित पाठलाई आवाजमा बदल्ने ध्वनि संश्लेषण। प्रणालीले नमुना आवाजबाट स्वरको उचाइ, उच्चारण, बोल्ने गति र लयजस्ता गुण सिकेर नयाँ पाठ बोल्छ। दोस्रो, पहिले रेकर्ड भएको बोलीलाई अर्को व्यक्तिको स्वरजस्तो बनाउने आवाज रूपान्तरण। यसमा शब्द र वाक्यको क्रम स्रोत आवाजबाट आउन सक्छ, तर स्वरको बनोट लक्षित व्यक्तिसँग मिलाउन खोजिन्छ। कृत्रिम आवाजलाई वास्तविक रेकर्डिङसँग जोड्न वा वास्तविक अडियोका टुक्रा काटेर नयाँ प्रसङ्गमा राख्न पनि सकिन्छ।
यी प्रणालीले आवाजका ध्वनिक विशेषता सिक्छन्; बोलेको वाक्य सत्य हो कि होइन भन्ने जाँच्दैनन्। त्यसैले परिचित व्यक्तिको आवाजमा आएको वाक्य उनले नै बोलेका हुन् भन्ने प्रमाण हुँदैन। त्यस्तै, आवाज कृत्रिमजस्तो सुनिनु मात्रै त्यसको स्रोतबारे अन्तिम निष्कर्ष होइन। वास्तविक रेकर्डिङ पनि कमजोर दूरभाष सम्पर्क, सम्पादन वा ध्वनि सङ्कुचनका कारण अस्वाभाविक सुनिन सक्छ।
नेपालीमा भएका अनुसन्धानले आवाज नक्कल गर्ने क्षमता सम्भव रहेको देखाएका छन्। सन् २०२५ को एउटा अध्ययनले ५४६ वक्ताबाट सङ्कलित करिब १६८ घण्टाको ध्वनि सामग्री प्रयोग गरी नेपाली आवाज नक्कल गर्ने प्रणाली बनाएर परीक्षण गर्यो। सहभागीहरूले तयार आवाजको स्वाभाविकतालाई पाँचमध्ये औसत ३.९३ र मूल वक्तासँगको समानतालाई ३.२९ अङ्क दिए। यसले नेपालीमा स्वाभाविक सुनिने आवाज बनाउन सकिने देखाउँछ। तर स्वाभाविकता र खास व्यक्तिको आवाजसँगको समानता फरक मापदण्ड हुन्। सफा र सहज सुनिने आवाज कुनै व्यक्तिसँग पर्याप्त मिल्छ नै भन्ने हुँदैन।
सन् २०२६ मा सार्वजनिक अर्को अध्ययनले थोरै नमुनाबाट धेरै वक्ताको आवाज तयार पार्ने प्रणाली परीक्षण गर्यो। त्यसमा ५५ सहभागीले १० वक्ताका नमुना सुनेर आवाजको गुणस्तर र समानतालाई पाँचमध्ये औसत ३.९ अङ्क दिए। अनुसन्धानले स्पष्ट र शान्त अवस्थामा राम्रो नतिजा आउन सक्ने देखाए पनि अस्पष्ट उच्चारण, कोलाहल, फरक भाषिक शैली र सीमित प्रशिक्षण सामग्रीले नतिजा कमजोर पार्न सक्ने जनाएको छ। यो अध्ययन सहकर्मी समीक्षा पूरा नभएको पूर्वमुद्रण भएकाले यसलाई सबै नेपाली वक्ता र अवस्थाको प्रतिनिधि मान्न मिल्दैन।
नक्कलको गुणस्तर आवाज नमुनाको अवधिमा मात्र निर्भर हुँदैन। नमुना स्पष्ट छ कि छैन, त्यसमा फरक ध्वनि र शब्द छन् कि छैनन्, वक्ताले स्वाभाविक गतिमा बोलेका छन् कि छैनन् र प्रणालीले कस्तो प्रशिक्षण पाएको छ भन्ने कुराले पनि असर गर्छ। केही अनुसन्धानले थोरै नमुनाबाट नयाँ वक्ताको आवाज सिक्ने सम्भावना देखाएका छन्। तर केही सेकेन्डको आवाजले जुनसुकै व्यक्तिको आवाज कुनै पनि वाक्यमा पूर्ण रूपमा उतार्न सकिन्छ भन्ने निष्कर्ष त्यसबाट निस्कँदैन। नमुना सीमित हुँदा प्रणालीले व्यक्तिको लवज, बोल्ने शैली र भावनात्मक उतारचढाव सिक्ने अवसर पनि कम हुन्छ।
“स्वाभाविक सुनियो” र “साँचो रेकर्डिङ हो” भन्ने दुई फरक प्रश्न हुन्। कानले आवाज सुन्दा हामी परिचित स्वर, वाक्यको अर्थ र प्रसङ्गलाई एकैपटक बुझ्छौँ। यसले कृत्रिम आवाजलाई वास्तविक ठान्ने वा वास्तविक आवाजलाई कृत्रिम ठान्ने सम्भावना रहन्छ। थकान, तनाव, भावुकता, कमजोर सम्पर्क र पृष्ठभूमिको कोलाहलले वास्तविक आवाजसमेत बदल्न सक्छन्। त्यसैले सुन्ने व्यक्तिको अनुभव प्रारम्भिक सङ्केत हुन सक्छ, वैज्ञानिक प्रमाणीकरणको विकल्प होइन।
कृत्रिम आवाज पहिचान गर्ने कम्प्युटर प्रणालीले ध्वनिको सूक्ष्म बनोट, आवृत्ति र समयक्रमका ढाँचा जाँच्छन्। तर परीक्षणमा राम्रो नतिजा दिएको प्रणालीले नयाँ प्रविधि वा फरक रेकर्डिङमा पनि उस्तै सफलता दिन्छ भन्ने हुँदैन। विभिन्न स्रोतका सामग्रीमा परीक्षण गर्दा पहिचान क्षमता घट्न सक्छ। ध्वनि सम्पादन र सङ्कुचनले पनि प्रणालीलाई भ्रमित पार्न सक्छ। त्यसैले एउटै सफ्टवेयरले “नक्कली” वा “वास्तविक” भनेको आधारमा निर्णय गर्नु जोखिमपूर्ण हुन्छ।
विश्वसनीय परीक्षणका लागि सम्भव भएसम्म मूल ध्वनि फाइल चाहिन्छ। सामाजिक सञ्जालबाट डाउनलोड गरिएको प्रतिलिपि सङ्कुचित, रूपान्तरित वा पुनः रेकर्ड गरिएको हुन सक्छ। फाइल कसले कहाँबाट पायो, कुन उपकरणमा रेकर्ड भयो र त्यसपछि कसले प्रयोग गर्यो भन्ने जानकारीले स्रोत पहिल्याउन मद्दत गर्छ। फाइलको डिजिटल पहिचान चिह्नले परीक्षणपछि फाइल फेरिएको छ कि छैन देखाउन सक्छ; तर रेकर्डिङ सुरुदेखि नै वास्तविक थियो भन्ने प्रमाणित गर्दैन।
विशेषज्ञले आवाजको तरङ्ग र आवृत्ति, वाक्यबीचको जोड, सासको ध्वनि, पृष्ठभूमि, काटछाँट र सङ्कुचनका चिन्ह जाँच्न सक्छन्। वक्ताका प्रमाणित पुराना रेकर्डिङसँग तुलना गर्दा उच्चारण, लय र बोल्ने बानीका स्थिर पक्ष पनि अध्ययन गर्न सकिन्छ। कुनै एउटै सङ्केत निर्णायक हुँदैन। ध्वनि अचानक फेरिएको देखिनु सम्पादनको सङ्केत हुन सक्छ, तर त्यसले कसले वा किन सम्पादन गर्यो भन्ने खुलाउँदैन।
आवाजको स्रोत, बोलेका शब्द र प्रसङ्गलाई अलग-अलग जाँच्नुपर्छ। वास्तविक व्यक्तिको बोली काटेर फरक वाक्यसँग जोडिएको हुन सक्छ; कृत्रिम आवाजमा वास्तविक रेकर्डिङको अंश मिसिएको पनि हुन सक्छ। त्यसैले “कसको आवाज हो?” मात्र होइन, “कुन अंश मूल हो?” र “रेकर्डिङ कुन अवस्थामा बनाइएको हो?” भन्ने प्रश्नसमेत खोज्नुपर्छ।
कृत्रिम अडियोबारेको चेतनाले अप्रमाणित सामग्रीमा तुरुन्त विश्वास गर्नबाट जोगाउँछ। तर यही चेतनाले वास्तविक प्रमाणलाई पनि सहजै अस्वीकार गर्ने बहाना दिन सक्छ। विवादित सामग्रीलाई “नक्कली” भन्ने आरोपले वास्तविक अभिलेखमाथि शंका बढाउने जोखिम रहन्छ। प्रत्येक खण्डनलाई छल मान्न मिल्दैन; प्रमाणको अनिश्चिततालाई कुनै पनि पक्षले आफ्नो सुविधाका लागि प्रयोग गर्न सक्ने सम्भावना भने रहन्छ।
समाचार संस्थाले यस्तो अडियो प्रकाशित गर्नुअघि मूल स्रोत खोज्नुपर्छ, सम्बन्धित व्यक्तिको प्रतिक्रिया लिनुपर्छ र सम्भव भएसम्म स्वतन्त्र प्राविधिक परीक्षण गराउनुपर्छ। विशेषज्ञको निष्कर्ष अनिश्चित भए त्यो समाचारमा स्पष्ट हुनुपर्छ। नेपालीमा आवाज नक्कल गर्ने अनुसन्धानले यसको सम्भावना देखाएको छ, तर सीमासमेत स्पष्ट पारेको छ। कुनै खास अडियोको वास्तविकता निर्धारण गर्न त्यसको स्रोत, मूल फाइल, ध्वनिक परीक्षण र स्वतन्त्र पुष्टिकरण चाहिन्छ। विश्वसनीय निष्कर्ष आवाज सुन्दा कस्तो लाग्यो भन्नेमा मात्र होइन, आवाज कसरी बनेको हो र त्यसको अभिलेखले के देखाउँछ भन्नेमा निर्भर हुन्छ।
