آواز کیسے سنتا ہے، اور کہاں کمی رہ جاتی ہے۔

نظام کس لیے ہے

آواز دیکھتا ہے کہ کسی ایک لفظ یا مختصر جملے کی ریکارڈنگ میں مخصوص ہدف آواز پہچانی گئی یا نہیں، اور جب واضح ہو تو اس کی جگہ کون سی آواز پہچانی گئی۔

طریقہ کار

عام اسپیچ ٹو ٹیکسٹ غلط ذریعہ ہے: یہ مطلوبہ لفظ کا اندازہ لگانے کے لیے بنا ہے، اس لیے خاموشی سے انہی فرقوں کو 'درست' کر دیتا ہے جن پر مشق ہوتی ہے۔ آواز اس کے بجائے الگ الگ آوازوں کی سطح پر کام کرتا ہے۔

1. 1

   ریکارڈنگ

   براؤزر شور کم کرنے، گونج ختم کرنے اور خودکار آواز بڑھانے کو بند کر کے مختصر کلپ ریکارڈ کرتا ہے، کیونکہ یہ فلٹر مختصر حروف کو مٹا دیتے ہیں۔ مائیکروفون اشارے سے تقریباً 200 ملی سیکنڈ پہلے کھلتا ہے اور رکنے کے بعد تقریباً 350 ملی سیکنڈ کھلا رہتا ہے، تاکہ لفظ کا آغاز اور اختتام محفوظ رہے۔ کمرے کے اپنے شور کے مقابلے میں آواز کی جانچ جانچ سے پہلے ہی خاموشی کو رد کر دیتی ہے۔

2. 2

   پہچان

   wav2vec2 پر مبنی آوازیں پہچاننے والا ماڈل (facebook/wav2vec2-lv-60-espeak-cv-ft) آڈیو کو صوتی علامات کے سلسلے میں بدلتا ہے۔ اس میں الفاظ کی سطح کا لسانی ماڈل نہیں، اس لیے یہ بولے گئے لفظ کو متوقع لفظ سے بدل نہیں سکتا۔

3. 3

   ہدف

   ہدف لفظ کو espeak-ng (انگریزی یا اردو) سے انہی علامات میں بدلا جاتا ہے۔ جہاں espeak غلطی کرے، وہاں سبق میں ہاتھ سے لکھا اور آزمایا ہوا ہدف شامل ہوتا ہے۔

4. 4

   موازنہ اور جانچ

   دونوں سلسلوں کو ترتیب دیا جاتا ہے (Needleman–Wunsch)، جس سے ہر ہدف آواز درست، بدلی ہوئی یا چھوٹی ہوئی ٹھہرتی ہے۔ سبق کی مرکزی آواز کو زیادہ وزن دیا جاتا ہے اور نتیجہ اسی پر منحصر ہوتا ہے، تاکہ اس آواز کا بدل باقی لفظ کے درست ہونے سے چھپ نہ جائے۔

5. 5

   معلوم خامیوں کا حساب

   کچھ فرق بولنے والے سے نہیں، پہچاننے والے نظام سے آتے ہیں۔ چھوٹی مساوی جماعتیں انہیں جذب کرتی ہیں، ہر زبان کے لیے الگ، کیونکہ ہر سیٹ نے دوسری زبان کی جانچ کو قابلِ پیمائش حد تک خراب کیا۔ یہ کبھی وہ بدل جذب نہیں کرتیں جن پر مشق ہوتی ہے، جیسے R کی جگہ W یا TH کی جگہ S۔

جانچ کی سروس کچھ یاد نہیں رکھتی: یہ آڈیو کو میموری میں کھولتی ہے، نتیجہ لوٹاتی ہے اور کچھ نہیں رکھتی۔

ڈیٹا

اب تک کی جانچ

تیاری کے دوران آزمائش کی مثالیں

انگریزی ship

چھ کوششوں میں آخری P کو V، P، B، K یا کچھ بھی نہیں پہچانا گیا۔ اس کی جگہ fish رکھا گیا۔

اردو ق

تقریباً ہر بار ک پہچانا گیا۔ ملانے کے بجائے اسباق سے ہٹا دیا گیا۔

اردو مچھلی

ہکاریت کے نتائج تلفظ کے بجائے بولنے کی رفتار سے بدلتے تھے۔ اس کی جگہ بادشاہ رکھا گیا۔

اردو گائے

espeak کی ادبی ادائیگی نے فطری گفتگو کو 50% دیا۔ اب روزمرہ ہدف فطری ادائیگی کو 100% اور ادبی کو 67% دیتا ہے۔

اردو ت

تمام درست کوششیں د کے طور پر پہچانی گئیں۔ اسے د کے ساتھ ملا دیا گیا، یعنی د کا بدل اب درست شمار ہوتا ہے۔ یہ ایک معلوم کمی ہے جو پروفائل کارڈ پر درج ہے۔

ماہرین کی شمولیت

پیشہ ور معاونین کے نام ان کی اجازت سے اور ان کے حقیقی کردار کی وضاحت کے ساتھ یہاں دیے جائیں گے۔ 'سیکھیں اور جانیں' کے مضامین بتاتے ہیں کہ کیا کسی اسپیچ لینگویج تھراپسٹ نے ان کا جائزہ لیا؛ فی الحال کسی نے نہیں لیا۔

معلوم حدود

یہ آواز کے ہر نتیجے پر لاگو ہوتی ہیں۔

• پہچاننے والا ماڈل بالغوں کی گفتگو پر تربیت یافتہ ہے۔ بچوں کی گفتگو اور بولنے کے فرق کم قابلِ اعتماد نتائج دیتے ہیں۔
• پس منظر کا شور، مائیکروفون سے فاصلہ اور کم معیار کے مائیکروفون پہچان کو بدل دیتے ہیں۔
• قریبی حروفِ علت (sock اور suck) اور S کی جگہ C ایک جیسے نتائج دیتے ہیں، اس لیے حروفِ علت کی جانچ نہیں ہوتی۔
• اردو ت کو د سے الگ نہیں کیا جا سکتا۔
• اردو ق، چھ جیسی ہکاری آوازیں اور اردو حروفِ علت کی جانچ نہیں ہوتی۔
• اردو اور انگریزی کے علاقائی لہجوں کی الگ سے جانچ نہیں ہوئی۔
• چیک ایک لمحے کی چند ریکارڈنگز ہے۔ یہ نہیں دکھاتا کہ کوئی گفتگو میں کیسے بولتا ہے۔
• دو چیکس کا موازنہ صرف تب ہوتا ہے جب ایک ہی الفاظ اور زبان استعمال ہوں، اور تب بھی فرق ریکارڈنگ کے حالات کی وجہ سے ہو سکتا ہے۔

رازداری اور تحفظ

ریکارڈنگز انکرپٹڈ کنکشن سے جانچ کی سروس تک جاتی ہیں اور وہاں محفوظ نہیں ہوتیں۔ پروفائل، تاریخ اور آپ کی محفوظ کردہ ریکارڈنگز آپ کے آلے کے براؤزر میں رہتی ہیں، اور مٹانے اور ایکسپورٹ کا اختیار آپ کے پاس ہے۔

تازہ ترین

1. اکتوبر 2026نئی ویب سائٹ اور ایپ۔ ریکارڈنگ کے معیار کی جانچ اور ہر آواز کے مشاہدات کے ساتھ آواز اسپیچ چیک۔ خودکار طور پر مٹنے والی اختیاری ریکارڈنگز آلے پر۔ تھراپسٹ کے منصوبے کے لنک۔
2. اس سے پہلےآزمائش کے بعد انگریزی ship، اردو ق، مچھلی اور شترمرغ کے اسباق ہٹائے گئے۔ گائے، آیا اور اکیلی آوازوں کے لیے واضح ہدف شامل کیے گئے۔