बुटवल
सार्वजनिक व्यक्तिको विवादास्पद अडियो बाहिरिएपछि त्यसलाई ‘एआईले बनाएको’ भन्दै खण्डन गर्ने प्रवृत्ति बढ्दो छ । अर्कातिर, एआईबाटै नक्कली आवाज र भिडियो बनाएर भ्रम फैलाउने घटना पनि सार्वजनिक भइरहेका छन् । यस्तोमा कुनै अडियो सक्कली हो कि एआईबाट बनाइएको हो भनेर कसरी छुट्याउने ? नेपाली भाषामा एआईले कति विश्वसनीय रूपमा आवाजको नक्कल गर्न सक्छ ?
पछिल्ला दिनमा राष्ट्रिय स्वतन्त्र पार्टी (रास्वपा) का सांसदले एक महिलालाई प्रयोग गरेको भनिएको अपशब्द र अपमानजनक धम्कीको अडियो केही सञ्चारमाध्यममा सार्वजनिक गरिएसँगै एआई भ्वाइस क्लोनिङको बहस फेरि सतहमा आएको छ ।
बोलिएको आवाज सक्कली हो कि एआईबाट निर्मित हो भनेर पहिचान गर्न सकिन्छ कि सकिँदैन ? के एआई प्लाटफर्महरू नेपाली भाषाका अपशब्द, अपमानजनक वाक्य, लवजसहित हुबहु उतार्न सक्ने गरी परिष्कृत भइसकेका हुन् भन्ने जिज्ञासा पनि चुलिएको छ । यसबारे हामीले एआई विज्ञसँगै सोधेर यो एक्सप्लेनर तयार पारिएको छ।
एआई भ्वाइस क्लोनिङ के हो ?
एआई भ्वाइस क्लोनिङ भनेको कम्प्युटर प्रविधिको प्रयोग गरी कुनै व्यक्तिले बोलेजस्तै दुरुस्त आवाज, शैली र भाव उत्पन्न गराउनु हो । यस प्रक्रियामा मानिसको आवाजको टोन, उच्चारणको तरिका, गति र अभिव्यक्ति (एक्सप्रेसिभनेस) लाई एआई मोडलले नक्कल गर्छ ।
एआई र एजेन्ट प्रविधि विकास गर्ने अमेरिकी कम्पनी फ्युजमसिन्सका एआई शिक्षा तथा प्रतिभा विकास निर्देशक रोजेश शिख्राकारका अनुसार अहिले इन्टरनेटमा उपलब्ध विभिन्न टुलको सहयोगमा मानिसको छोटो आवाजबाटै भ्वाइस क्लोनिङ गर्न सम्भव छ । ‘सार्वजनिक रूपमा उपलब्ध पडकास्ट, वेबिनार वा सामाजिक सञ्जालमा बोलिएका स–साना अडियो क्लिप प्रयोग गरेर कसैको पनि आवाज क्लोन गर्न सकिन्छ,’ उनी भन्छन्, ‘अहिलेको प्रविधिअनुसार ३ देखि १० सेकेन्डको स्पष्ट आवाज भएमा एआईले त्यसैको शैलीमा नयाँ आवाज निकालिदिन सक्छ ।’
तर, लामो र जटिल संवादका लागि भने कम्तीमा ३ मिनेट वा सोभन्दा बढी समयको अडियो डेटामा मोडललाई प्रशिक्षण (ट्रेन) गराउनुपर्ने शिख्राकारले बताए । सामान्य कामका लागि अहिलेका टुलले केही सेकेन्डमै क्लोनिङ गरिदिन्छन् भने गहिरो र व्यावसायिक स्तरको नेपाली भ्वाइस मोडल बनाउन घण्टौँ वा हप्तौँ समय लाग्न सक्छ । नेपाली भाषाका लागि पूर्ण रूपमा मौलिक र उच्चस्तरको एआई भ्वाइस मोडल ट्रेन गर्नुपर्यो भने उच्च क्षमताका सर्भर र धेरैवटा जीपीयू प्रयोग गर्नुपर्ने भएकाले हप्तौँ समय लाग्न सक्छ ।
सक्कली र एआई आवाज कसरी छुट्याउने ?
मानिसले बोलेको सक्कली आवाज र एआईले बनाएको नक्कली आवाज छुट्याउन साधारण नागरिकका लागि सुरुमा गाह्रो पर्न सक्छ । विशेषगरी छोटा वाक्य वा संवादमा एआईको त्रुटि समात्न अलि जटिल हुने भए पनि ३ मिनेटभन्दा लामो अडियो छ भने ध्यान दिएर सुन्दा केही भिन्नताहरू पत्ता लगाउन सकिने एआई विज्ञ शिख्राकारको भनाइ छ ।
अडियोमा मानिसको स्वाभाविक भाव र अभिव्यक्ति छ कि छैन भनेर जाँच्नु पहिलो तरिका हो । ‘लामो संवादमा एआईले मानिसको जस्तै स्वाभाविक भाव वा इमोसन निरन्तर बोकेर बोल्न गाह्रो मान्छ । मानिसले एउटै शब्द फरक–फरक परिस्थितिमा अलि फरक तरिकाले उच्चारण गर्छन्, तर एआईले एउटै शब्द पटक–पटक बोल्दा उच्चारणको तरिका र लय ठ्याक्कै एउटै दोहोर्याउन सक्छ,’ शिख्राकार भन्छन् । यसबाहेक वाक्यको बहाव (फ्लो) मा हुने अस्वाभाविकताबाट पनि नक्कली आवाजको शंका गर्न सकिन्छ ।
भ्वाइस क्लोनिङ जाँच्न प्रविधि र विधि विज्ञान प्रयोगशालाले के गर्छन् ?
कानुनी वा प्राविधिक रूपमा अडियोको आधिकारिकता जाँच गर्न विधि विज्ञान प्रयोगशाला र विशेष प्राविधिक टुलको आवश्यकता पर्छ । डिजिटल फरेन्सिक विश्लेषकहरूले अडियोको स्पेक्ट्रोग्राम (ध्वनिको फ्रिक्वेन्सी ग्राफ) र ‘वेभफर्म’ तयार पारेर सूक्ष्म अध्ययन गर्छन् । अडियो फाइललाई भिजुअल ग्राफ वा स्पेक्ट्रोग्राममा रूपान्तरण गरेपछि यसबाट ध्वनि तरंगहरूको फ्रिक्वेन्सी, पिच र ऊर्जाको वितरण देखिन्छ । कृत्रिम रूपमा जेनेरेट गरिएको आवाजमा प्राकृतिक आवाजको जस्तो उतारचढाव र लय मिल्दैन ।
मानिसले बोलेको आवाजको ध्वनितरंग र एआईले सिर्जना गरेको ध्वनितरंगमा प्राविधिक भिन्नता (डेभिएसन) हुन्छ । विज्ञ शिख्राकारका अनुसार स्पिकर सिमिलारिटी र भेक्टर इम्बेडिङ मोडलमार्फत दुई अडियोको फ्रिक्वेन्सी दाँजेर मान्छेको आवाज हो वा होइन भनेर प्राविधिक विश्लेषण गरिन्छ ।
इन्टरनेटमा इलेभेनल्याब्स, रिसेम्बल, सिन्थआईडी र ट्रुमिडियाजस्ता एआई डिटेक्सन टुलहरू उपलब्ध छन् । यद्यपि, यी डिटेक्टरले शतप्रतिशत भने मिलाउँदैनन् । ‘अहिलेका डिटेक्सन टुल्सले ७० देखि ९८ प्रतिशतसम्म अनुमान गर्न सक्छन्, तर शतप्रतिशत ग्यारेन्टी दिन सक्दैनन्,’ शिख्राकार भन्छन्, ‘कहिलेकाहीँ यी टुल्सले सक्कली आवाजलाई पनि एआई र एआईलाई सक्कली भनिदिने (मिसक्लासिफिकेसन) जोखिम रहन्छ ।’
साथै, शंकास्पद अडियोमा रहेको स्वर र सम्बन्धित व्यक्तिको वास्तविक स्वरका नमुनाहरूबीच तुलना गर्न विशेष प्रकारको स्पिकर रिकग्निसन सफ्टवेयर प्रयोग गरिन्छ । यसले व्यक्तिको स्वरको साउन्डप्रिन्ट विश्लेषण गरी त्यो आवाज सक्कली हो वा होइन भन्ने पत्ता लगाउँछ । भ्वाइस क्लोनिङ सफ्टवेयरहरूले आवाज तयार पार्दा केही डिजिटल चिह्न वा रोबोटिक कम्पन छोडेका हुन्छन्, जुन सामान्य कानले सुन्न मुस्किल हुन्छ । प्रयोगशालाका प्रविधिहरूले त्यस्ता सूक्ष्म डिजिटल आर्टिफ्याक्ट्स पत्ता लगाएर क्लोनिङ भएको पुष्टि गर्छन् ।
यति मात्र नभई मानव बोलीमा हुने श्वासप्रश्वासको आवाज, जिब्रो र ओठ चलाउँदा आउने सूक्ष्म ध्वनि र भावनात्मक उतारचढावलाई एआईले पूर्ण रूपमा सही ढंगले नक्कल गर्न सक्दैन । विधिविज्ञहरूले यी जैविक र भाषिक पक्षहरूको अध्ययन गरेर आवाज प्राकृतिक हो वा कृत्रिम भनेर छुट्याउँछन् । यसैगरी, अडियो फाइलको डिजिटल मेटाडाटा (जस्तै रेकर्ड गरिएको डिभाइस, फाइल फर्म्याट, सिर्जना गरिएको मिति र सम्पादन गरिएको इतिहास) जाँच गरिन्छ । एआई जेनेरेटर प्रयोग गरेर फाइलमा कुनै हेरफेर गरिएको छ वा छैन भन्ने पत्ता लाग्छ ।
अडियो जाँचको बहुआयामिक विधि
अडियो एआई हो वा होइन भन्ने पुष्टि गर्न डिटेक्टर टुलमा मात्र निर्भर हुनुहुँदैन । यसका लागि बहुआयामिक प्रमाण र सन्दर्भहरूको सूक्ष्म अध्ययन गरिन्छ । प्रहरी तथा अनुसन्धान अधिकारीहरूले टेलिफोन सेवा प्रदायक संस्थाबाट प्राप्त हुने कल डिटेल्स रेकर्ड (सीडीआर), कल भएको समय, लोकेसन र कल रेकर्डिङ डेटासँग दाँज्न सक्छन् । यसका साथै, व्यक्तिविशेषले प्रयोग गर्ने विशिष्ट शब्द, थेगो वा संवादको भाषाशैलीलाई पनि प्रमाणका रूपमा विश्लेषण गरिने शिख्राकारले औँल्याए । कुनै एउटै तथ्यलाई विभिन्न स्वतन्त्र माध्यम र स्रोतहरूबाट पुष्टि गर्न सकियो भने त्यसको सत्यता प्रमाणित हुने उनको भनाइ छ ।
नेपाली भाषामा भ्वाइस क्लोनिङ कत्तिको दुरुस्तै हुन्छ ?
शिख्राकारका अनुसार अंग्रेजी भाषाको तुलनामा नेपाली भाषामा भ्वाइस क्लोनिङ अझै पूर्ण रूपमा सहज र शतप्रतिशत प्राकृतिक भइसकेको छैन । इन्टरनेटमा उपलब्ध इलेभेनल्याब्स, रिसेम्बलजस्ता टुलले नेपाली भाषा सपोर्ट गरे पनि नेपालीमा आवाज क्लोन गर्दा अलिकति अस्वाभाविक वा हिन्दी भाषाको जस्तो लवज सुनिने गर्छ । नेपाली भाषामा दुरुस्त र स्पष्ट आवाज सिर्जना गर्न १०० देखि २०० घण्टासम्मको गुणस्तरीय नेपाली अडियो डेटासेटमा मोडललाई ट्रेन गराउनुपर्ने हुन्छ ।
एआईमार्फत भ्वाइस क्लोनिङ विवाद
नेपालमा एआई भ्वाइस क्लोनिङ र यससम्बन्धी प्रविधिको प्रयोग पछिल्लो समय तीव्र रूपमा बढ्दै गएको छ । एआई विज्ञ शिख्राकारका अनुसार नेपालका आईटी कम्पनी र प्रयोगकर्ताहरूले मिटिङमा आफ्नो सट्टा एआई पठाउन, आफैँले भ्वाइस एक्टिङ नगरी अडियो सामग्री उत्पादन गर्नेजस्ता काममा यसको प्रयोग गरिरहेका छन् । संगीत क्षेत्रमा पनि भ्वाइस क्लोनिङ विधि अपनाएर नेपालका पुराना र कालजयी गीतहरू पुनःउत्पादन भइरहेका छन् ।
अर्कातिर, सामाजिक र राजनीतिक क्षेत्रमा यसको दुरुपयोग तथा भ्रामक प्रचारका घटनाहरू पनि बाहिरिएका छन् । केही समयअघि भारतीय प्रधानमन्त्री नरेन्द्र मोदीको पुरानो भिडियो क्लिपमा एआईबाट सिर्जना गरिएको उनको नक्कली आवाज हालेर ‘नेपालका लागि गगन थापा चाहिन्छ’ भनेर बोलेको भिडियो सामाजिक सञ्जालमा भाइरल बनेको थियो । राष्ट्रिय स्वतन्त्र पार्टीका नेता स्वर्णिम वाग्लेले आफ्नो नक्कली आवाज र डिपफेक भिडियो बनाएर चरित्रहत्या गर्न खोजिएको भन्दै प्रहरीको साइबर ब्युरोमा उजुरी नै दिएका छन् ।
तत्कालीन संघीय मामिला तथा सामान्य प्रशासनमन्त्री राजकुमार गुप्ताले भने भूमि आयोग कास्कीको अध्यक्ष नियुक्ति र मालपोत प्रमुखको सरुवा विषयमा बिचौलियासँग घूस मोलमोलाइ गरेको ९ मिनेट १३ सेकेन्डको अडियो बाहिरिएको थियो । अडियो बाहिरिएपछि मन्त्री गुप्ताले सो आवाज आफ्नो नभएको र ‘एआईको दुरुपयोग गरी निकालिएको मेरो आवाज’ भन्दै आरोपको खण्डन गरेका थिए । हाल रास्वपा सांसद खगेन्द्र सुनारले एक महिलालाई फोनमार्फत अपशब्द, धम्की र अश्लील गाली गरेको अडियो सार्वजनिक भएपछि उक्त अडियो आफ्नो नभई एआई तथा प्रविधिको प्रयोग गरी बनाइएको दाबी गरिरहेका छन् ।
प्रविधिको दुरुपयोग बढेसँगै सामाजिक सञ्जालमा आउने कुनै पनि उत्तेजक वा विवादित अडियो–भिडियोलाई आँखा चिम्लेर पत्याउनु वा सिधै नकार्नु दुवै गलत हुन्छ । एआई विज्ञ शिख्राकार प्रयोगकर्ता र सञ्चारमाध्यम दुवैमा ‘क्रिटिकल थिंकिङ’ अर्थात् विश्लेषणात्मक दृष्टिकोण हुनुपर्नेमा जोड दिन्छन् । ‘कुनै पनि अडियो वा समाचारले मानिसमा तीव्र आक्रोश वा द्विविधा पैदा गर्छ भने तुरुन्तै ‘के यो साँचो हो ?’ भनेर प्रश्न गर्नुपर्छ,’ उनी भन्छन्, ‘आधिकारिक र भरपर्दो स्रोतहरूबाट पुष्टि नगरी सामाजिक सञ्जालका सामग्री पछाडि लाग्नु हुँदैन ।’
