Rupal Patel: Synthetic voices, as unique as fingerprints

روپال پاتل: صداهای ساختگی، منحصر به فرد به اندازه اثرات انگشت

Translator: s. sajadi Reviewer: Leila Ataei

I'd like to talk today

من امروز می خواهم

about a powerful and fundamental aspect

درباره این جنبه قدرتمند و اساسی از اینکه کی هستیم،

of who we are: our voice.

صحبت کنم: صدای ما.

Each one of us has a unique voiceprint

هر یک از ما صدای منحصر به فرد خود را داریم

that reflects our age, our size,

که منعکس کننده سن، اندازه

even our lifestyle and personality.

حتی شیوه زندگی و شخصیت ما است.

In the words of the poet Longfellow,

به گفته لانگ فلو شاعر

"the human voice is the organ of the soul."

"صدای انسان عضو روح است".

As a speech scientist, I'm fascinated

به عنوان یک محقق گفتار؛ من شیفته

by how the voice is produced,

چگونگی تولید صدا هستم،

and I have an idea for how it can be engineered.

و من ایده ای در مورد چگونگی مهندسی صدا دارم.

That's what I'd like to share with you.

این چیزی است که دوست دارم با شما به اشتراک بگذارم.

I'm going to start by playing you a sample

من می خواهم با اجرای یک نمونه صدا برای شما شروع کنم،

of a voice that you may recognize.

صدایی شما ممکن است بشناسید.

(Recording) Stephen Hawking: "I would have thought

(صدای ضبط) استفان هاوکینگ: "من فکر می کردم

it was fairly obvious what I meant."

منظورم کاملا واضح باشد."

Rupal Patel: That was the voice

روپال پاتل: صدای

of Professor Stephen Hawking.

پروفسور استفان هاوکینگ بود.

What you may not know is that same voice

چیزی که ممکن است شما ندانیداین است که شاید همین صدای

may also be used by this little girl

توسط این دختر کوچک نیز استفاده شود

who is unable to speak

که به علت شرایط عصبی

because of a neurological condition.

قادر به صحبت نیست.

In fact, all of these individuals

در حقیقت، تمام این افراد

may be using the same voice,

ممکن است از صدای مشابهی استفاده کنند،

and that's because there's only a few options available.

و این مسئله به این علت است که تنها موارد انتخاب کمی در دسترس است.

In the U.S. alone, there are 2.5 million Americans

فقط در آمریکا، ۲/۵ میلیون آمریکایی وجود دارد

who are unable to speak,

که قادر به صحبت نیستند،

and many of whom use computerized devices

و بسیاری از آنها از وسایل کامپیوتری برای ارتباط

to communicate.

برقرار کردن استفاده می کنند.

Now that's millions of people worldwide

هم اکنون میلیون ها فرد در سراسر جهان هستند

who are using generic voices,

که از صداهای عمومی استفاده می کنند،

including Professor Hawking,

از جمله صدای پروفسور هاوکینگ

who uses an American-accented voice.

که از صدایی با لهجه آمریکایی استفاده می کند.

This lack of individuation of the synthetic voice

این کمبود ساخت صداهای مصنوعی برای هر فرد

really hit home

زمانی واقعا اهمیتش برای من مشخص شد

when I was at an assistive technology conference

که در کنفرانس تکنولوژی کمک رسان بودم

a few years ago,

چند سال قبل

and I recall walking into an exhibit hall

و به یاد می آورم که در تالار نمایش راه می رفتم

and seeing a little girl and a grown man

و یک دختر کوچک و یک مرد بالغ را دیدم

having a conversation using their devices,

که با استفاده از دستگاهایشان با هم گفتگو می کردند،

different devices, but the same voice.

دستگاه های مختلف، اما صدای یکسان.

And I looked around and I saw this happening

و من به اطراف نگاه کردم و دیدم این مسئله

all around me, literally hundreds of individuals

در تمام اطراف من رخ می دهد، به معنی واقعی کلمه صدها نفر

using a handful of voices,

از تعداد کمی صدا استفاده می کردند،

voices that didn't fit their bodies

صداهایی که مناسب بدن

or their personalities.

و شخصیت آنها نبود.

We wouldn't dream of fitting a little girl

ما نمی توانیم تصور کنیم که

with the prosthetic limb of a grown man.

اعضای مصنوعی یک مرد بالغ برای یک دختر کوچک متناسب باشد.

So why then the same prosthetic voice?

بنابراین چرا صدای مصنوعی یکسانی را برای آنها تصور می کنیم؟

It really struck me,

این مسئله واقعا من را به فکر واداشت

and I wanted to do something about this.

و تصمیم گرفتم کاری در آن باره انجام دهم.

I'm going to play you now a sample

من حالا می خواهم یک نمونه

of someone who has, two people actually,

از صدای فردی که، در واقع دو نفر،

who have severe speech disorders.

که ناهنجاری گفتاری شدید دارند را برای شما پخش کنم.

I want you to take a listen to how they sound.

از شما می خواهم گوش کنید که صدای آنها چطور به نظر می رسد.

They're saying the same utterance.

آنها دارند سخن یکسانی را می گویند.

(First voice)

(صدای اول)

(Second voice)

(صدای دوم)

You probably didn't understand what they said,

شما احتمالا نفهمیدید که آنها چه گفتند،

but I hope that you heard

اما امیدوارم که شما

their unique vocal identities.

هویت صوتی منحصربه فرد آنها را شنیده باشید.

So what I wanted to do next is,

بنابراین چیزی که در مرحله بعد خواستم انجام دهم این است که

I wanted to find out how we could harness

خواستم بفهمم که چطور ما می توانیم

these residual vocal abilities

این توانایی های صوتی باقی مانده را کنترل کنیم و

and build a technology

تکنولوژی را بسازیم

that could be customized for them,

که قابل انطباق برای نیاز آنها باشد،

voices that could be customized for them.

صداهایی که بتواند برای نیاز آنها قابل تغییر باشد.

So I reached out to my collaborator, Tim Bunnell.

بنابراین من علاقه‌ام را به همکارم، تیم بانل نشان دادم.

Dr. Bunnell is an expert in speech synthesis,

دکتر بانل یک متخصص در ساخت گفتار است

and what he'd been doing is building

و کاری که انجام می دهد ساخت

personalized voices for people

صداهای شخصی سازی شده برای افراد است

by putting together

که این کار را با جمع آوری

pre-recorded samples of their voice

نمونه های از پیش ضبط شده صدای افراد

and reconstructing a voice for them.

و بازسازی صدایی برای آنها انجام می دهد.

These are people who had lost their voice

اینها افرادی هستند که

later in life.

بعدها در زندگی صدایشان را از دست داده بودند.

We didn't have the luxury

ما نعمت نمونه های

of pre-recorded samples of speech

صداهای از پیش ضبط شده گفتار را نداشتیم

for those born with speech disorder.

برای افرادی که با ناهنجاری های گفتاری به دنیا آمده اند

But I thought, there had to be a way

اما فکر کردم باید راهی باشد

to reverse engineer a voice

برای مهندسی معکوس یک صدا

from whatever little is left over.

از هر چند مقداری اندکیکه باقی مانده است.

So we decided to do exactly that.

بنابراین تصمیم گرفتیم دقیقا همین کار را بکنیم.

We set out with a little bit of funding from the National Science Foundation,

ما کار خود را با یافته های کمی از بنیاد ملی علوم آغاز کردیم

to create custom-crafted voices that captured

تا صداهای دستساز مخصوص این افراد را بسازیم

their unique vocal identities.

که از هویت صوتی منحصر به فرد آنها گرفته شده باشد.

We call this project VocaliD, or vocal I.D.,

ما این پروژه را وکالید یا وکال آی. دی نامیدیم

for vocal identity.

برای هویت صوتی.

Now before I get into the details of how

حالا قبل از اینکه من وارد جزئیاتی شوم

the voice is made and let you listen to it,

که چطور این صدا ساخته شده است و بگذارم این صدا را گوش دهید،

I need to give you a real quick speech science lesson. Okay?

لازم است یک درس واقعا سریع از علم گفتار به شما بدهم.

So first, we know that the voice is changing

خب،ابتدا، ما می دانیم که صدا

dramatically over the course of development.

در طی مسیر رشد به طور چشمگیری تغییر می کند.

Children sound different from teens

صدای بچه ها از نوجوانان متفاوت است

who sound different from adults.

و صدای نوجوانان از افراد مسن متفاوت می باشد.

We've all experienced this.

همه ما این مسئله را تجربه کرده ایم.

Fact number two is that speech

حقیقت شماره دو این است که گفتار

is a combination of the source,

ترکیبی از منبع است

which is the vibrations generated by your voice box,

که منبع ارتعاشات تولید شده از جعبه صدا است،

which are then pushed through

که سپس این ارتعاشات

the rest of the vocal tract.

به بقیه سیستم صوتی رانده می شوند.

These are the chambers of your head and neck

محفظه هایی در سر و گردن شما وجود دارد

that vibrate,

که ارتعاش می کنند

and they actually filter that source sound

و آنها در واقع صدای منبع را فیلتر می کنند

to produce consonants and vowels.

تا حروف بی صدا و صدا دار تولید شوند.

So the combination of source and filter

بنابراین ترکیب منبع و فیلتر،

is how we produce speech.

روشی است که ما گفتار را تولید می کنیم.

And that happens in one individual.

و این مسئله در هر فرد رخ می دهد.

Now I told you earlier that I'd spent

حالا، من قبلا به شما گفتم که

a good part of my career

یک قسمت خوب از کارم را صرف

understanding and studying

فهمیدن و مطالعه کردن

the source characteristics of people

مشخصه های منبع افرادی

with severe speech disorder,

با ناهنجاری های گفتاری شدید کردم،

and what I've found

و چیزی که فهمیدم

is that even though their filters were impaired,

این است که با وجود اینکه فیلتر این افراد آسیب دیده بود،

they were able to modulate their source:

آنها قادر بودند منبع خود را تنظیم کنند:

the pitch, the loudness, the tempo of their voice.

زیر و بمی صدا، بلندی، سرعت صدایشان.

These are called prosody, and I've been documenting for years

به این مسئله الگو و ریتم صدا می گویند، و من سالها مستندسازی کرده‌ام که

that the prosodic abilities of these individuals

توانایی الگو و ریتم صدای این افراد

are preserved.

حفظ می شود.

So when I realized that those same cues

بنابراین وقتی فهمیدم که آن نشانه

are also important for speaker identity,

نیز برای هویت صحبت کننده مهم هستند،

I had this idea.

این ایده را داشتم

Why don't we take the source

چرا ما منبع را

from the person we want the voice to sound like,

از فردی که می خواهیم صدا، شبیه به صدای او باشد نگیریم

because it's preserved,

زیرا منبع آنها حفظ شده است

and borrow the filter

چرا فیلتر را

from someone about the same age and size,

از فردی که حدودا سن و اندازه مشابهی دارد، قرض نگیریم

because they can articulate speech,

زیرا آنها می توانند گفتار را واضح و شمرده سازند

and then mix them?

و سپس آنها را ترکیب کنیم؟

Because when we mix them,

زیرا وقتی ما آنها را مخلوط کنیم

we can get a voice that's as clear

می توانیم به صدایی به واضحی

as our surrogate talker --

سخن گویان جایگزین مان برسیم

that's the person we borrowed the filter from—

-فردی که ما فیلتر را از او قرض گرفتیم-

and is similar in identity to our target talker.

و ماهیت آن به سخن گوی هدفمان شبیه است.

It's that simple.

مسئله به همین سادگی است.

That's the science behind what we're doing.

این مسئله علمی پشت چیزی است که ما انجام دادیم.

So once you have that in mind,

بنابراین وقتی شما این مسئله را در نظر داشته باشید

how do you go about building this voice?

شما چطور ساخت این صدا را شروع می کنید؟

Well, you have to find someone

خب

who is willing to be a surrogate.

شما باید فردی را پیدا کنید که تمایل داشته باشد فرد جانشین باشد.

It's not such an ominous thing.

این مسئله چیز ناخوشایندی نیست.

Being a surrogate donor

یک دهنده جانشین بودن

only requires you to say a few hundred

تنها نیازمند این است که شما

to a few thousand utterances.

چند صد تا چند هزار سخن را بگویید.

The process goes something like this.

این فرآیند همانند چیزی شبیه به این پیش می رود

(Video) Voice: Things happen in pairs.

چیزها بصورت جفت اتفاق می افتند

I love to sleep.

من دوست دارم بخوابم

The sky is blue without clouds.

آسمان آبی بدون ابر است.

RP: Now she's going to go on like this

حالا او به همین صورت

for about three to four hours,

برای سه تا چهار ساعت ادامه می دهد

and the idea is not for her to say everything

و تصور این نیست که او

that the target is going to want to say,

هر چیزی را بگوید که فرد هدف می خواهد بگوید.

but the idea is to cover all the different combinations

بلکه تصور این است که تمام ترکیب های مختلف

of the sounds that occur in the language.

صداها که در یک زبان اتفاق می افتد، پوشش داده شود.

The more speech you have,

هر چه شما گفتار بیشتری داشته باشید

the better sounding voice you're going to have.

صدای بهتری را خواهید داشت.

Once you have those recordings,

وقتی که شما این صداهای ضبط شده را داشته باشید

what we need to do

چیزی که ما باید انجام دهیم

is we have to parse these recordings

این است که باید این صداهای ضبط شده را

into little snippets of speech,

به قطعات کوچک گفتار تجزیه کنیم

one- or two-sound combinations,

ترکیب یک-یا دو صدا

sometimes even whole words

گاهی حتی تمام کلمات

that start populating a dataset or a database.

که شروع به جمع کردن یک مجموعه داده ها یا یک پایگاه داده می‌کند.

We're going to call this database a voice bank.

ما قصد داریم این پایگاه داده را بانک صدا بنامیم.

Now the power of the voice bank

حالا توانایی بانک صدا

is that from this voice bank,

این است که از این بانک صدا

we can now say any new utterance,

حالا می توانیم هر سخن جدیدی را بگوییم

like, "I love chocolate" --

مثل " من شکلات دوست دارم."

everyone needs to be able to say that—

هر کس نیاز دارد بتواند این جمله را بگوید.

fish through that database

جستجو در آن پایگاه داده

and find all the segments necessary

و پیدا کردن تمام بخش های

to say that utterance.

لازم برای گفتن آن سخن.

(Video) Voice: I love chocolate.

(ویدیو) صدا: من شکلات دوست دارم

RP: So that's speech synthesis.

بنابراین این ساخت گفتار است.

It's called concatenative synthesis, and that's what we're using.

این مسئله ساخت الحاقی نام دارد و این چیزی است که ما از آن استفاده می کنیم.

That's not the novel part.

این مسئله قسمت جدیدی نیست.

What's novel is how we make it sound

چیزی که جدید است، روشی است که

like this young woman.

ما آ نرا شبیه صدای این دختر جوان کردیم.

This is Samantha.

این سامانتا است.

I met her when she was nine,

من او را وقتی 9 ساله بود ملاقات کردم

and since then, my team and I

و از آن به بعد تیم من و من

have been trying to build her a personalized voice.

تلاش کردیم برای او یک صدای شخصی سازی شده بسازیم.

We first had to find a surrogate donor,

ما اول مجبور بودیم یک دهنده جانشین پیدا کنیم

and then we had to have Samantha

و سپس ما مجبور بودیم از سامانتا بخواهیم

produce some utterances.

چند نطق تولید کند.

What she can produce are mostly vowel-like sounds,

چیزی که او می تواند تولید کند اکثرا صداهایی شبیه به حروف صدا دار است

but that's enough for us to extract

اما همان برای ما کافی بود تا

her source characteristics.

مشخصه های منبع او را استخراج کنیم

What happens next is best described

چیزی که بعدا رخ می دهد به بهترین صورت

by my daughter's analogy. She's six.

با قیاس دختر من توصیف می شود. او شش سال دارد.

She calls it mixing colors to paint voices.

او این مسئله را مخلوط رنگ ها برای رنگ آمیزی صداها می خواند.

It's beautiful. It's exactly that.

آن زیبا است. این مسئله واقعا همین است.

Samantha's voice is like a concentrated sample

صدای سامانتا شبیه یک نمونه غلیظ از

of red food dye which we can infuse

رنگ خوراک قرمزی است که می توانیم آن را

into the recordings of her surrogate

داخل صدای ضبط شده جانشین او بریزیم

to get a pink voice just like this.

تا یک صدای صورتی دقیقا شبیه این بدست آوریم.

(Video) Samantha: Aaaaaah.

(ویدیو) سامانتا: آآآآآ

RP: So now, Samantha can say this.

RP: بنابراین حالا، سامانتا می تواند این را بگوید

(Video) Samantha: This voice is only for me.

(ویدیو) سامانتا: این صدا فقط برای من است.

I can't wait to use my new voice with my friends.

من نمی توانم صبر کنم تا از صدای جدیدم با دوستانم استفاده کنم.

RP: Thank you. (Applause)

متشکرم (تشویق)

I'll never forget the gentle smile

من هرگز آن لبخند ملایمی را

that spread across her face

که در سراسر صورت او گسترده شدفراموش نمی کنم

when she heard that voice for the first time.

وقتی او برای اولین بار آن صدا را شنید.

Now there's millions of people

حالا میلیون ها نفر

around the world like Samantha, millions,

در سراسر دنیا شبیه ساماتا وجود دارد، میلیونها نفر

and we've only begun to scratch the surface.

و ما تنها در ابتدای راه هستیم.

What we've done so far is we have

چیزی که ما تا کنون انجام داده ایم

a few surrogate talkers from around the U.S.

این است که ما تعداد کمی سخن گوی جانشین از سراسر آمریکا داریم که

who have donated their voices,

صدایشان را اهدا کرده اند

and we have been using those

و ما از آنها استفاده کرده ایم

to build our first few personalized voices.

تا تعداد کمی از صداهای شخصی سازی شده اولیه مان را بسازیم.

But there's so much more work to be done.

اما کارهای بسیار بیشتری برای انجام دادن وجود دارد.

For Samantha, her surrogate

برای سامانتا، جانشین او

came from somewhere in the Midwest, a stranger

از جایی در ناحیه مرکزی آمریکا بود، یک غریبه

who gave her the gift of voice.

که هدیه صدا را به او داد.

And as a scientist, I'm so excited

و به عنوان یک محقق،بسیار هیجان زده هستم

to take this work out of the laboratory

که این کار را به خارج از آزمایشگاه ببرم

and finally into the real world

و نهایتا آن را به دنیای واقعی وارد کنم

so it can have real-world impact.

در نتیجه این کار می تواند تاثیری در دنیای واقعی داشته باشد.

What I want to share with you next

چیزی که پس از آن من می خواهم با شما به اشتراک بگذارم

is how I envision taking this work

این است که من چه رویایی

to that next level.

برای بردن این کار به این سطح بعدی دارم.

I imagine a whole world of surrogate donors

من کل دنیایی را از دهنده های جانشین تصور می کنم

from all walks of life, different sizes, different ages,

از تمام موقعیت های اجتماعی، اندازه های مختلف، سن های متفاوت،

coming together in this voice drive

که در این مسیر صدا با هم جمع شوند

to give people voices

تا به افراد صدایی دهند

that are as colorful as their personalities.

که به اندازه شخصیت های آنها رنگارنگ باشد.

To do that as a first step,

برای انجام این کار به عنوان قدم اول،

we've put together this website, VocaliD.org,

ما این سایت اینترنتی را راه اندازی کرده ایم VocaliD.org

as a way to bring together those

به عنوان مسیری برای جمع کردن آنهایی

who want to join us as voice donors,

که می خواهند به ما بپیوندند به عنوان دهنده صدا،

as expertise donors,

به عنوان اهدا کننده مهارتشان،

in whatever way to make this vision a reality.

یا هر راهی که این تصور را به واقعیت تبدیل کند.

They say that giving blood can save lives.

گفته می شود که دادن خون می تواند زندگی ها را نجات دهد.

Well, giving your voice can change lives.

خب، دادن صدایتان می تواند زندگی ها را تغییر دهد.

All we need is a few hours of speech

تمام چیزی که ما نیاز داریم چند ساعت گفتار

from our surrogate talker,

از سخن گوی جانشین ما است،

and as little as a vowel from our target talker,

و به مقدار کمی به اندازه یک حرف باصدا از سخن گوی هدفمان

to create a unique vocal identity.

تا یک هویت صدای منحصربه فرد بسازیم.

So that's the science behind what we're doing.

بنابراین این دانش پشت چیزی است که ما انجام می دهیم.

I want to end by circling back to the human side

من می خواهم سخنم را پایان دهم با برگشتن به جنبه انسانی

that is really the inspiration for this work.

که واقعا الهام بخش این کار بود.

About five years ago, we built our very first voice

حدود پنج سال قبل، ما صدای بسیار اولیه ای خود را

for a little boy named William.

برای یک پسر کوچک به نام ویلیام ساختیم.

When his mom first heard this voice,

وقتی که مادرش اولین بار این صدا را شنید

she said, "This is what William

گفت، " این چیزی است که

would have sounded like

شبیه صدای ویلیام می بود

had he been able to speak."

اگر او قادر بود حرف بزند."

And then I saw William typing a message

و سپس من دیدم که ویلیام دارد

on his device.

پیامی را روی دستگاهش تایپ می کند.

I wondered, what was he thinking?

من شگفت زده شدم، او داشت به چه فکر می کرد؟

Imagine carrying around someone else's voice

تصور کنید صدای فرد دیگری را به دوش بکشید

for nine years

برای نه سال

and finally finding your own voice.

و نهایتا صدای خودتان را پیدا کنید.

Imagine that.

این را تصور کنید.

This is what William said:

این چیزی است که ویلیام گفت:

"Never heard me before."

"قبلا هرگز صدای من را نشنیده بودید."

Thank you.

متشکرم

(Applause)

(تشویق)