AI, Actually Explained · Chapter 06

Beyond text: pictures, voices and video

टेक्स्ट से आगे

6:01 · कृत्रिम आवाज़ में वर्णन। प्लेयर में कैप्शन उपलब्ध हैं।

प्रतिलेख पढ़ें

रात के आसमान में एक काग़ज़ की पतंग है। उसकी चमकती डोर का पीछा कीजिए। पहले डोर तस्वीर के बिंदुओं में बिखरेगी। फिर आवाज़ की लहर और चलते फ़्रेमों की पट्टी बनेगी। अडाली के छठे अध्याय में, हम देखेंगे कि मॉडल इन अलग-अलग चीज़ों को कैसे बनाते हैं। हर पड़ाव पर दो सवाल रखिए। मॉडल ने क्या बनाया? और हम उसकी जाँच कैसे करेंगे? स्क्रीन पर अभी बिखरे हुए बिंदु हैं। इनमें कोई तैयार तस्वीर छिपी नहीं है। डिफ्यूज़न सीखने के लिए, पहले ट्रेनिंग की तस्वीरों में अलग-अलग मात्रा में शोर मिलाया जाता है। मॉडल को उस शोर के बारे में अनुमान लगाना सिखाया जाता है। नई तस्वीर बनाते समय, शुरुआत शोर से होती है। सीखे हुए बदलाव बार-बार लगाए जाते हैं। कुछ मॉडल इस काम के लिए तस्वीर का एक छोटा संख्यात्मक रूप इस्तेमाल करते हैं। नतीजा नया हो सकता है। कुछ मॉडल ट्रेनिंग में देखी गई तस्वीर फिर बना सकते हैं। डिफ्यूज़न तस्वीर बनाने की एक विधि है। हर चित्र मॉडल इसी विधि का इस्तेमाल नहीं करता। अब इस तस्वीर के लिए कहिए, एक कुत्ता बिल्ली का पीछा कर रहा है। कुछ चित्र मॉडलों में टेक्स्ट पढ़ने वाला हिस्सा प्रॉम्प्ट को संख्याओं में बदलता है। तस्वीर बनाने वाला हिस्सा उन्हीं संकेतों से दिशा लेता है। कहिए कि बिल्ली कुत्ते का पीछा कर रही है। नाम वही हैं, पर भूमिकाएँ बदल गईं। कहिए कि तस्वीर में हाथी नहीं होना चाहिए। फिर देखिए कि हाथी आ तो नहीं गया। तीन बिल्लियाँ माँगी हों तो गिनिए। अच्छी दिखने वाली दो बिल्लियाँ भी गलत जवाब हैं। किसी एक हिस्से में बदलाव चाहिए तो जहाँ सुविधा हो, उस हिस्से पर मास्क लगाकर दोनों तस्वीरें मिलाइए। ज़रा हाथ के पास जाइए। क्या उँगलियाँ सही हैं? क्या कप का किनारा हाथ में घुल गया? हाथ अलग-अलग मुद्राओं में दिखते हैं, और कभी उनका कुछ हिस्सा छिपा रहता है। अब बोर्ड पर लिखा नाम पढ़िए। अक्षर जैसे आकार होना और सही शब्द होना अलग बातें हैं। ट्रेनिंग की तस्वीरों के अधिक विस्तृत वर्णन से कुछ मॉडलों में सुधार देखा गया है। फिर भी, किसी एक गलती से उसका अंदरूनी कारण तय नहीं होता। तस्वीर इस्तेमाल करने से पहले उँगलियाँ गिनिए, अक्षर पढ़िए, और जिस हिस्से में सुधार किया था उसे फिर देखिए। अब उलटा काम करें। बनी हुई तस्वीर को देखकर मॉडल से बताने को कहें कि उसमें क्या है। कुछ प्रणालियाँ तस्वीर को छोटे हिस्सों में बाँटकर संख्यात्मक संकेत बनाती हैं। आकार घटाने पर पतली रेखा, छोटा अक्षर या दूर की चीज़ दिखना मुश्किल हो सकता है। तस्वीर की मोटी बात बताना और हर छोटी चीज़ को सही गिनना अलग कौशल हैं। सरल दृश्य सवालों में भी ऐसे मॉडलों की गलतियाँ दर्ज हुई हैं। सटीक उत्तर चाहिए तो मूल तस्वीर बड़ी करके देखिए, और जाँचा हुआ गिनने या मापने का तरीका अपनाइए। देखिए, तस्वीर की रेखा अब आवाज़ की लहर बन गई है। एक तैयार वाक्य बोलना और किसी खास वक्ता जैसा सुनाई देना दो अलग काम हैं। कुछ प्रणालियाँ एक छोटी संदर्भ रिकॉर्डिंग से आवाज़ की खासियतों का संकेत लेती हैं। वैल ई नाम के शोध में, तीन सेकंड की रिकॉर्डिंग ने पहले से प्रशिक्षित मॉडल को ऐसा संकेत दिया। यह पूरे मॉडल को तीन सेकंड में नई ट्रेनिंग देना नहीं था। नकल कितनी अच्छी बनेगी, यह प्रणाली और रिकॉर्डिंग पर निर्भर है। किसी की आवाज़ इस्तेमाल करने से पहले स्पष्ट अनुमति लीजिए। पैसे भेजने का संदेश मिले, तो भरोसेमंद नंबर पर फ़ोन करके पुष्टि कीजिए। अब लहर में ताल सुनिए। एक धुन बजती है और थोड़ी देर बाद लौटती है। संगीत बनाने वाली कुछ प्रणालियाँ उदाहरणों से ध्वनि के पैटर्न सीखती हैं। प्रॉम्प्ट से वाद्य, मूड या धुन की दिशा दी जा सकती है। अच्छा सुनाई देना और हर निर्देश का पालन करना एक बात नहीं है। सुनकर जाँचिए कि लौटने वाली धुन वही है, और माँगे गए कॉर्ड बज रहे हैं। चुने हुए हिस्से काटकर जोड़िए और ज़रूरत हो तो फिर सुनिए। बनी हुई ध्वनि संपादन की शुरुआत है। एक फ़्रेम अच्छा दिखता है। अगला फ़्रेम भी अच्छा दिख सकता है। फिर भी चलते वीडियो में चीज़ का रंग बदल जाए, या वह बिना वजह ग़ायब हो जाए। कुछ वीडियो मॉडल समय और जगह में फैले छोटे हिस्सों पर डिफ्यूज़न लगाते हैं। इससे आपस में जुड़े फ़्रेम साथ बन सकते हैं। फिर भी हर हरकत सही होगी, इसकी गारंटी नहीं है। पहले और बाद के फ़्रेम मिलाइए। क्या वही वस्तु है? क्या उसकी दिशा और रफ़्तार मेल खाती है? असली लगने वाला दृश्य भौतिक कारण और परिणाम भी गलत दिखा सकता है। वीडियो को छोटे हिस्सों में देखिए और इस्तेमाल से पहले हर महत्वपूर्ण बदलाव जाँचिए। अब तस्वीर के साथ दो तरह की जानकारी देखिए। फ़ाइल का मेटाडेटा उसका इतिहास बता सकता है। स्क्रीनशॉट अक्सर वह जानकारी साथ नहीं लाता। वॉटरमार्क तस्वीर या ध्वनि के भीतर जोड़ा गया निशान हो सकता है। कुछ निशान काटने या कम्प्रेशन के बाद भी मिल सकते हैं, लेकिन हर बदलाव के बाद नहीं। पहचानने वाला उपकरण किसी खास निशान का सुराग देता है। उससे दृश्य का सच होना साबित नहीं होता। निशान न मिलना भी अपने आप किसी इंसान की बनाई चीज़ होने का प्रमाण नहीं है। मूल फ़ाइल, उसका ज्ञात स्रोत और दूसरी स्वतंत्र जानकारी भी देखिए। जिस प्रणाली में टेक्स्ट, आवाज़ या तस्वीर जैसे कई रूप साथ काम कर सकें, उसे मल्टीमोडल कहते हैं। एक व्यवस्था आवाज़ को पहले टेक्स्ट में बदल सकती है। फिर टेक्स्ट से जवाब और जवाब से आवाज़ बनती है। दूसरी व्यवस्था आवाज़ या चित्र के संकेत सीधे मॉडल को दे सकती है। दोनों के अपने अलग नियंत्रण हैं। सीधे संकेत लेने भर से सही समझ की गारंटी नहीं मिलती। कुछ वीडियो उपकरण तय अंतर पर फ़्रेम चुनते हैं। मिसाल के लिए, हर सेकंड एक फ़्रेम। दो चुने फ़्रेमों के बीच हुई तेज़ हरकत छूट सकती है। उपकरण की सेटिंग देखिए और अहम क्षणों के मूल फ़्रेम खुद खोलिए। अब फिर उसी पतंग को देखिए। उसकी डोर हमें तस्वीर, आवाज़ और वीडियो तक ले गई। किसी जागरूकता फ़िल्म में पहचान वाली आवाज़ चाहिए तो अनुमति और साफ़ परिचय से शुरुआत कीजिए। सही चेहरा, साफ़ आवाज़ और सहज हरकत भरोसा पैदा कर सकते हैं। सबूत की जाँच फिर भी करनी है। अभ्यास में एक तस्वीर या छोटा वीडियो चुनिए और उसमें एक ऐसी बात ढूँढ़िए जिसे आप खुद जाँच सकते हैं। अडाली के इस अध्याय में चित्रों, स्रोतों और सवालों के साथ आगे बढ़िए।

स्रोत और आगे पढ़ें (14)