(پینتیس اقساط پر مشتمل سیریز جو بچوں اور نئے سیکھنے والوں کو انتہائی آسان انداز میں اے آئی کی دنیا سے متعارف کرائے گی)
قسط نمبر 21: وائس ریکگنیشن کیسے کام کرتی ہے؟
گزشتہ قسط میں ہم نے سیکھا کہ مشین تصویریں کیسے پہچانتی ہے ،پکسلز، فیچرز، اور نیورل نیٹ ورک کی مدد سے۔آج ہم آوازوں کی دنیا میں داخل ہو رہے ہیں، اور دیکھیں گے کہ مشین انسان کی آواز کیسے سمجھتی ہے؟آئیں پہلے سوچیں کہ ہم آواز کو خود کیسے سمجھتے ہیں؟
جب کوئی ہمیں "ہیلو" کہتا ہے، تو ہمارے کان اس آواز کی لہروں کو پکڑتے ہیں،دماغ ان لہروں کو مطلب میں تبدیل کرتا ہے: "کسی نے سلام کیا ہے!"یہ عمل بہت تیز اور قدرتی ہے ،ہمیں معلوم بھی نہیں ہوتا، مگر ہم آواز کو سن کر پہچان لیتے ہیں،کہ کون بول رہا ہے، کیا کہا جا رہا ہے، اور لہجہ کیسا ہے۔
مشین کے لیے یہ کام بہت پیچیدہ ہوتا ہے، کیونکہ،
• آواز صرف الفاظ نہیں، بلکہ رفتار، گہرائی، جذبات اور تلفظ کا مجموعہ ہوتی ہے
• ہر انسان کی آواز مختلف ہوتی ہے
• ایک ہی لفظ مختلف انداز سے بولا جا سکتا ہے
تو مشین کیسے پہچانتی ہے؟ یہ سب کچھ ہوتا ہے وائس ریکگنیشن کے ذریعے۔
چلیے مرحلہ وار سمجھتے ہیں۔
آواز کو ڈیجیٹل بنانا
جب ہم بولتے ہیں تو وہ آواز "انالوگ" ہوتی ہے ،یعنی مسلسل بہنے والی لہریں۔
مشین ان لہروں کو "ڈیجیٹل سگنلز" میں تبدیل کرتی ہے ،یعنی نمبروں میں۔
یہ عمل ہوتا ہے Sampling کے ذریعے جس میں مشین ہر لمحے آواز کو چھوٹے چھوٹے ٹکڑوں میں کاٹتی ہے اور ہر ٹکڑے کو ایک عددی قیمت دیتی ہے۔یہ ایسے ہے جیسے آواز کا نقشہ بنایا جا رہا ہو۔
فیچرز نکالنا (Feature Extraction)
اب مشین ہر آواز کے حصے سے کچھ خاص چیزیں نکالتی ہے:
• پچ (Pitch)
• رفتار (Speed)
• طاقت (Volume)
• لہجہ (Tone)
یہ سب آواز کی شناخت میں مدد دیتے ہیں۔
جیسے اگر کوئی "ہیلو" نرمی سے کہے یا زور سے ،مشین دونوں کی پہچان رکھتی ہے۔
آواز کے نمونوں کو پہچاننا
مشین ان فیچرز کو نیورل نیٹ ورک میں ڈالتی ہے، جہاں پہلے سے موجود ماڈل اس بات کا اندازہ لگاتا ہے کہ
"یہ لفظ کون سا ہے؟"،
"یہ جملہ کیا مطلب رکھتا ہے؟"،
اور "یہ آواز کس شخص کی ہو سکتی ہے؟"
یہ وہی طریقہ ہے جیسے امیج ریکگنیشن میں تصویر کے فیچرز دیکھ کر مشین پہچانتی تھی ،
بس یہاں پکسلز کی جگہ آواز کی لہریں ہوتی ہیں۔
لفظوں میں تبدیل کرنا (Speech-to-Text)
اب مشین اندازہ لگاتی ہے کہ جو کچھ بولا گیا،
وہ لکھنے میں کیسے آتا ہے؟
جیسے "ہیلو، میرا نام علی ہے" ،
یہ جملہ آواز سے سن کر تحریر میں بدل دیا جاتا ہے۔
یہی کام گوگل وائس، واٹس ایپ مائیک، اور چیٹ جی پی ٹی کے آواز والے فیچرز کرتے ہیں۔
سمجھنا اور جواب دینا (Natural Language Understanding)
اب آخری مرحلہ جس میں مشین صرف یہ نہیں پہچانتی کہ کیا کہا گیا، بلکہ یہ بھی سمجھتی ہے کہ کیا مطلب ہے؟
مثلاً، اگر آپ بولیں: "موسم کیسا ہے؟" تو مشین صرف یہ نہیں لکھتی، بلکہ سوچتی ہے کہ آپ سوال کر رہے ہیں، اور جواب دیتی ہے: "آج دھوپ ہے، درجہ حرارت 32 ڈگری ہے۔"
یہ سارا عمل وائس ریکگنیشن، اسپِیچ ٹو ٹیکسٹ، اور لینگوئج انڈرسٹینڈنگ کا مجموعہ ہوتا ہے۔
حقیقی زندگی میں وائس ریکگنیشن کی مثالیں
• گوگل اسسٹنٹ: "اوکے گوگل، الارم لگاؤ"
• ایپل سری: "ہے سری، میرا میسج پڑھو"
• ایمیزون الیکسا: "الیکسا، لائٹ بند کر دو"
• کاروں میں وائس کمانڈ: "کال مما"
• ترجمے والی ایپس: "میں اردو بول رہا ہوں، انگریزی میں سنا دو"
وائس ریکگنیشن بہت طاقتور ٹیکنالوجی ہے، مگر اسے کئی چیلنجز کا سامنا بھی ہے۔جیسے،
• شور میں آواز پہچاننا مشکل
• الگ لہجے، زبانیں، تلفظ
• بچوں اور بڑوں کی آواز کا فرق
• جذباتی جملوں کو سمجھنا
لیکن ڈیپ لرننگ، نیورل نیٹ ورکس اور جدید الگورتھمز ان سب چیلنجز کو ہر دن بہتر بنا رہے ہیں۔
آج کی قسط میںہم نے سیکھا کہ مشین انسانی آواز کو سننے، سمجھنے اور جواب دینے کے قابل کیسے بنتی ہے ،اور اس کے پیچھے کتنی گہرائی، سائنس، ریاضی اور محنت ہوتی ہے!
اگلی قسط میں ہم بات کریں گے، روبوٹس اور لرننگ ، کے بارے میں، یعنی مشین جب جسم اختیار کر کے چلنے، اٹھانے، اور عمل کرنے لگے تو وہ کیسے سیکھتی ہے؟
یہ تحریر اے آئی کی دنیا کے فیس بک پیج پر پوسٹ کی گئی ہے۔ اس کی تمام اقساط آپ (#AiKiDuniyaKidsSeries) ہیش ٹیگ پر کلک کر کے پڑھ سکتے ہیں۔
