తక్కువ డిజిటల్ వనరులున్న భారతీయ భాషలకు భాషా సాంకేతికతను బలోపేతం చేసే దిశగా కీలక ముందడుగు పడింది. ఎలక్ట్రానిక్స్, సమాచార సాంకేతిక మంత్రిత్వ శాఖ పరిధిలోని డిజిటల్ ఇండియా కార్పొరేషన్ (డీఐసీ) ఆధ్వర్యంలో పనిచేస్తున్న డిజిటల్ ఇండియా భాషిణి విభాగం (డీఐబీడీ), బెంగళూరులోని భారతీయ విజ్ఞాన సంస్థ (ఐఐఎస్‌సీ) సహకారంతో సౌరాష్ట్ర భాషకు టెక్స్ట్‌-టు-స్పీచ్‌ (టీటీఎస్‌) నమూనాలను అభివృద్ధి చేసింది. తమిళనాడులో ప్రధానంగా సౌరాష్ట్ర సమాజానికి చెందిన ప్రజలు మాట్లాడే ఈ భాష ఇండో-ఆర్యన్ భాషా కుటుంబానికి చెందిన మైనారిటీ భాష.

డిజిటల్ వనరులు పరిమితంగా ఉన్న భాషలకు ప్రసంగ సాంకేతికతను అందుబాటులోకి తీసుకురావడం ఈ కార్యక్రమం లక్ష్యం. డిజిటల్ అప్లికేషన్లు, భాషా అభ్యసనం, అందుబాటు పరిష్కారాలు, భాషా డాక్యుమెంటేషన్, పరిశోధన వంటి రంగాల్లో ఈ భాష వినియోగాన్ని ప్రోత్సహించడం కూడా దీని ఉద్దేశం.

కొత్తగా అభివృద్ధి చేసిన నమూనాలు విట్స్‌ (వేరియేషనల్ ఇన్‌ఫరెన్స్ విత్ అడ్వర్సేరియల్ లెర్నింగ్ ఫర్ ఎండ్-టు-ఎండ్ టెక్స్ట్-టు-స్పీచ్) ఆర్కిటెక్చర్‌ను ఉపయోగిస్తాయి. ఇవి నేరుగా రాతపూర్వక పాఠ్యాన్ని సౌరాష్ట్ర మాటలుగా మార్చగలవు. ఈ నమూనాల్లో పురుష, మహిళా స్వరాలు ఉన్నాయి. ప్రతి స్వరంతో తమిళ లిపిలో, సౌరాష్ట్ర లిపిలో రాసిన పాఠ్యాన్ని మాటలుగా మార్చే సదుపాయం కల్పించారు. దీనివల్ల వినియోగదారులు సౌరాష్ట్ర భాషకు ఉపయోగించే రెండు లిపుల్లోనూ పాఠ్యాన్ని ఉపయోగించుకోవచ్చు.

ఈ నమూనాలకు బెంగళూరులోని భారతీయ విజ్ఞాన సంస్థకు చెందిన స్పైర్‌ ల్యాబ్‌ అభివృద్ధి చేసిన ప్రత్యేక సౌరాష్ట్ర ప్రసంగ కార్పస్‌ను ఉపయోగించి శిక్షణ ఇచ్చారు. ఈ కార్పస్‌లో 28 గంటలకు పైగా ప్రసంగ రికార్డింగులు ఉన్నాయి. పురుష, మహిళా స్వరాలకు సమాన ప్రాతినిధ్యం కల్పించేలా ఒక పురుష, ఒక మహిళా వాయిస్‌ ఆర్టిస్ట్‌ రికార్డింగులను ఇందులో చేర్చారు. సాహిత్యం నుంచి తీసుకున్న వాక్యాలతో పాటు ప్రత్యేకంగా రూపొందించిన వాక్యాలు కూడా ఇందులో ఉన్నాయి. వీటికి సౌరాష్ట్ర, తమిళ లిపుల్లో పాఠ్య రూపాంతరాలు అందుబాటులో ఉన్నాయి.

ఏఐకోష్‌: భాషిణికు చెందిన ఏఐకోష్‌ వేదిక భారతీయ భాషా సాంకేతికతల అభివృద్ధికి తోడ్పడే భాషా డేటాసెట్లు, ఇతర వనరులను అందుబాటులోకి తెస్తుంది. బెంగళూరులోని భారతీయ విజ్ఞాన సంస్థ అభివృద్ధి చేసిన స్పైకార్‌ టీటీఎస్‌ 3.0 సౌరాష్ట్ర భాషా డేటాసెట్‌ ఇప్పుడు ఏఐకోష్‌ వేదికపై అందుబాటులో ఉంది. ఇందులో 28 గంటలకు పైగా సౌరాష్ట్ర భాషా ప్రసంగ రికార్డింగులు ఉన్నాయి. పురుష, మహిళా స్వరాలకు సమాన ప్రాతినిధ్యం కల్పించేలా ఈ డేటాను రూపొందించారు. సౌరాష్ట్ర, తమిళ లిపుల్లోని వివిధ రకాల వాక్యాలు, సాహిత్య సంబంధిత పాఠ్యాలు ఇందులో ఉన్నాయి. ఇవి సౌరాష్ట్ర భాషా సాంకేతికతల అభివృద్ధికి తోడ్పడతాయి.

పురుష స్వర నమూనాకు సుమారు 10,000 ఉచ్చారణలతో, మహిళా స్వర నమూనాకు సుమారు 11,400 ఉచ్చారణలతో శిక్షణ ఇచ్చారు. టీటీఎస్‌ నమూనాల అభివృద్ధికి అనువుగా ఉండేలా ప్రసంగ రికార్డింగులు, వాటికి సంబంధించిన పాఠ్య సమాచారాన్ని జాగ్రత్తగా సిద్ధం చేసి, లోపాలను సరిచేశారు.

ఈ నమూనాలు 22,050 హెర్ట్జ్‌ శాంప్లింగ్‌ రేటుతో ఆడియోను రూపొందిస్తాయి. అక్షరాల స్థాయిలోని పాఠ్యాన్ని నేరుగా ప్రాసెస్‌ చేస్తాయి. అందువల్ల ప్రత్యేకంగా ఫోనిమైజర్‌ అనే అదనపు సాధనం అవసరం ఉండదు. ఈ నాలుగు నమూనాల్లో రెండు స్వరాలు ఉంటాయి. ప్రతి స్వరానికి తమిళ లిపి, సౌరాష్ట్ర లిపి ఆధారంగా ఒక్కో నమూనా అందుబాటులో ఉంది.

2011 జనాభా లెక్కల ప్రకారం సుమారు 2.48 లక్షల మంది మాట్లాడే సౌరాష్ట్ర భాషకు డిజిటల్‌ ప్రపంచంలో పరిమిత స్థానం ఉంది. ఈ భాషకు అందుబాటులో ఉన్న ప్రసంగ సాంకేతిక వనరులు కూడా తక్కువగానే ఉన్నాయి. కొత్తగా అభివృద్ధి చేసిన ఈ నమూనాలు భాషను పరిరక్షించడానికే పరిమితం కాకుండా, సౌరాష్ట్ర భాషను డిజిటల్‌ వ్యవస్థలోకి తీసుకురావడానికి దోహదపడతాయి.ఈ సాంకేతికత ద్వారా సౌరాష్ట్ర భాష మాట్లాడే ప్రజలు తమ భాషలో డిజిటల్‌ సమాచారాన్ని వినే అవకాశం పొందుతారు. ప్రసంగ ఆధారిత అభ్యసన సాధనాల ద్వారా విద్యార్థులు, భాష నేర్చుకునేవారికి ప్రయోజనం చేకూరుతుంది. డిజిటల్‌ సమాచారాన్ని వినడం ద్వారా తెలుసుకునే వినియోగదారులకు కూడా ఇది మరింత సౌలభ్యాన్ని కల్పిస్తుంది. అదే విదంగా ఈ నమూనాలు, వాటికి ఆధారమైన ప్రసంగ వనరులు పరిశోధకులు, సాంకేతిక అభివృద్ధిదారులు, విద్యాసంస్థలకు సౌరాష్ట్ర భాషలో మరిన్ని సాంకేతిక పరిజ్ఞానాలు, అప్లికేషన్లను రూపొందించేందుకు పునాదిగా నిలుస్తాయి. విద్య, డిజిటల్‌ అందుబాటు పరిష్కారాలు, ప్రజలకు నేరుగా సేవలందించే ఇతర డిజిటల్‌ సేవల రంగాల్లో వీటిని అభివృద్ధి చేయవచ్చు.

సౌరాష్ట్ర భాషలోని పాఠ్యాన్ని శబ్ద రూపంలో చదివి వినిపించడం, భాషా అభ్యసనం, డిజిటల్‌ అందుబాటు పరిష్కారాలు, పరిమిత వనరులున్న భాషలకు ప్రసంగ సాంకేతికత అభివృద్ధిపై పరిశోధన వంటి అవసరాలకు ఈ నమూనాలు ఉపయోగపడతాయి. సౌరాష్ట్రతో పాటు డిజిటల్‌ రంగంలో తగిన ప్రాతినిధ్యం లేని ఇతర భారతీయ భాషలకు సంబంధించిన డిజిటల్‌ వనరుల అభివృద్ధికీ తోడ్పడతాయి.

విద్యా, పరిశోధనా సంస్థలతో భాగస్వామ్యాల ద్వారా భాషిణి భారతీయ భాషలకు సంబంధించిన డేటాసెట్లు, ప్రసంగ సాంకేతికతలు, కృత్రిమ మేధ ఆధారిత భాషా పరిష్కారాల వ్యవస్థను బలోపేతం చేస్తోంది. ముఖ్యంగా డిజిటల్‌ రంగంలో తగిన ప్రాతినిధ్యం లేని భాషల అభివృద్ధిపై ప్రత్యేక దృష్టి సారిస్తోంది.

డిజిటల్ ఇండియా భాషిణి విభాగం గురించి 

కేంద్ర ఎలక్ట్రానిక్స్, సమాచార సాంకేతిక మంత్రిత్వ శాఖ పరిధిలోని కృత్రిమ మేధ ఆధారిత భాషా సాంకేతిక కార్యక్రమమే భాషిణి. దీనిని డిజిటల్ ఇండియా భాషిణి డివిజన్ అమలు చేస్తోంది. ఇది డిజిటల్‌ ఇండియా కార్పొరేషన్‌ కింద ఉన్న స్వతంత్ర వ్యాపార విభాగం. బహుభాషా డిజిటల్‌ సేవలను అందరికీ అందుబాటులోకి తీసుకురావడానికి జాతీయ స్థాయి వ్యవస్థను అభివృద్ధి చేస్తోంది. భాషిణి ద్వారా 36 భారతీయ లిఖిత భాషలు, 23 భారతీయ వాచక భాషలు, 35 అంతర్జాతీయ భాషలకు మద్దతు లభిస్తోంది. ప్రభుత్వ సేవలు, ప్రజలకు నేరుగా అందించే డిజిటల్‌ సేవల్లో భాషా సంబంధిత కృత్రిమ మేధ సామర్థ్యాలను అనుసంధానించేందుకు ఇది సహకరిస్తోంది. భాషిణి వ్యవస్థలో అనువాదం, ప్రసంగ గుర్తింపు, పాఠ్యాన్ని మాటలుగా మార్చడం, లిప్యంతరీకరణ తదితర భాషా సేవలకు సంబంధించిన సాంకేతికతలు ఉన్నాయి. దేశంలోని భాషా వైవిధ్యానికి అనుగుణంగా డిజిటల్‌ సమాచారం, సేవలను ప్రజలకు మరింత సులభంగా అందుబాటులోకి తీసుకురావడంలో ఇవి సహాయపడతాయి.

***