Singing the alphabet should be the easiest thing an AI voice can do. A B C D E F G. Seven discrete sounds, familiar to e

அகரவரிசையைப் பாடுவது ஒரு AI குரல் செய்யக்கூடிய மிக எளிதான விஷயமாக இருக்க வேண்டும். A-B-C-D-E-F-G. பூமியில் உள்ள ஒவ்வொரு குழந்தைக்கும் தெரிந்த ஏழு தனித்தனி ஒலிகள். இருப்பினும், AI இசை உருவாக்கத்தை பரிசோதித்த எவருக்கும் உண்மை நிலை மிகவும் குழப்பமானது என்பது தெரியும். ஒரு மாடலை அகரவரிசையைப் பாடச் சொன்னால், L, M, N, O மற்றும் P ஆகிய எழுத்துக்கள் பெரும்பாலும் ஒரு தெளிவற்ற ஒலியாக இணைந்துவிடும். "Elemmennopee" என்பது ஒரு எழுத்து அல்ல. அது ஒரு அறிகுறி.

இதுதான் LMNOP பிரச்சனை, இது குழந்தைப் பாடல்களுக்கு அப்பால் பல இடங்களிலும் நீடிக்கிறது. வாரத்தின் நாட்கள், எண் வரிசைப்படுத்தப்பட்ட அறிவுறுத்தல்கள் மற்றும் எந்தவொரு வரிசைப்படுத்தப்பட்ட பட்டியலும் இதே பலவீனத்தை வெளிப்படுத்துகின்றன. ஒரு டெவலப்பர் சமீபத்தில் ஒரு AI பைப்லைன் மூலம் எட்டு பாடல்களை உருவாக்கி, அவற்றை ஒரு தானியங்கி பேச்சு அங்கீகாரக் கருவியான mlx-whisper மூலம் அளவிடுவதன் மூலம் இதைச் சோதித்தார். தனிப்பட்ட முறையில் கேட்டுத் தீர்மானிப்பதற்குப் பதிலாக, AI சரியாக என்ன பாடியது என்பதைத் தட்டச்சு மென்பொருள் (transcription software) அறிக்கையிட அனுமதிக்கிறார்கள். முடிவுகள் மிகத் தெளிவாக இருந்தன. சாதாரண மொழியைப் போலல்லாமல், எண்களை வரிசைப்படுத்துவது செயற்கை பாடகர்களைத் தடுமாறச் செய்கிறது.

ஏன் பட்டியல்கள் AI குரல்களைச் சிதைக்கின்றன

பேசும் மொழி சூழலைத் தாங்கியுள்ளது. யாராவது, "நான் நாயை பூங்காவிற்கு அழைத்துச் செல்கிறேன்" என்று முணுமுணுக்கும்போது, நீங்கள் "நாய்" என்ற வார்த்தையைத் தவறவிட்டாலும், அந்த வாக்கியம் இன்னும் அர்த்தமுள்ளதாகவே இருக்கும். சுற்றியுள்ள வார்த்தைகள் அந்த இடைவெளியை நிரப்பிவிடும். பட்டியல்கள் அந்தப் பாதுகாப்பு வலையை வழங்காது. ஒவ்வொரு உருப்படியும் தனித்து நிற்கிறது. மாடல் "B" மற்றும் "D" ஆகியவற்றிற்கு இடையிலான வேறுபாட்டைத் தெளிவில்லாமல் சொன்னால், கேட்பவருக்குப் பகுதி அர்த்தம் கிடைக்காது. அவர்களுக்குக் கிடைப்பது வெறும் இரைச்சல் மட்டுமே.

அகரவரிசைப் பாடலில், LMNOP தொகுப்புதான் மிகவும் வெளிப்படையான தோல்விப் புள்ளியாகும். குரல் மாடல் அந்த வரிசையை ஐந்து தனித்தனி எழுத்துக்களாகக் கருதாமல், ஒரு ஒற்றை ஒலித் தொகுப்பாகக் கருதுகிறது. ஒவ்வொரு ஒலியையும் நிலைநிறுத்த சூழல் சார்ந்த குறிப்புகள் இல்லாததால், தொகுப்பான் (synthesizer) மெய்யெழுத்துக்களுக்கு இடையிலான மாற்றங்களைக் கணிக்க முயல்கிறது. அது பெரும்பாலும் தவறாகவே கணிக்கிறது. வாரத்தின் நாட்கள் அல்லது எண் வரிசைப்படுத்தப்பட்ட படிகளிலும் இதேபோல் நடக்கிறது. மாடல் அந்த வரிசையை மிக வேகமாகச் சொல்லி, தனித்தனி உருப்படிகளை ஒரு தெளிவற்ற கலவையாகச் சுருக்குகிறது.

பாதிப்பைக் கணக்கிடுதல்

இதைத் தர்க்கரீதியாக ஆய்வு செய்ய, டெவலப்பர் எட்டு பாடல்களை உருவாக்கி, பாடல் வரிகளின் துல்லியத்தை மதிப்பிட அவற்றை mlx-whisper மூலம் இயக்கினார். இந்த செயல்முறை எளிமையானது: ஒரு ப்ராம்ப்ட் (prompt) எழுதுதல், ஆடியோவை உருவாக்குதல், முடிவைத் தட்டச்சு செய்தல் மற்றும் தட்டச்சு செய்யப்பட்ட உரையைத் திட்டமிடப்பட்ட பாடல் வரிகளுடன் ஒப்பிடுதல்.

சாதாரண கதை சொல்லும் பாடல் வரிகளுக்கு, வெளியீடு போதுமான அளவு துல்லியமாக இருந்தது. வார்த்தைகள் சரியான இடங்களில் அமைந்தன. ஆனால் ப்ராம்ப்ட்களில் பட்டியல்கள், அகரவரிசைகள் அல்லது வரிசைப்படுத்தப்பட்டவை இருந்தபோது, mlx-whisper அர்த்தமற்ற சொற்களைத் தந்துவிட்டது. எழுத்துக்கள் மறைந்துவிட்டன அல்லது ஒன்றிணைந்துவிட்டன. எண்கள் அடையாளம் காண முடியாத அசைகளாக மாறின. உரைநடை (prose) விட, அதிகப் பட்டியல்களைக் கொண்ட பாடல் வரிகள் புரிந்துகொள்ளும் திறனில் கணிசமாகக் குறைவான தரத்தைக் கொண்டுள்ளன என்பதை இந்த ஆய்வு உறுதிப்படுத்தியது.

உதவும் வகையில் ப்ராம்ப்ட் கட்டமைத்தல்

குழப்பமான பட்டியலைச் சரிசெய்ய நீங்கள் போஸ்ட்-புராசஸிங்கையே (post-processing) நம்பியிருக்க முடியாது. முதல் இசைக்குறிப்பு உருவாக்கப்படுவதற்கு முன்பே சரிசெய்யப்பட வேண்டும். கவனமாக வடிவமைக்கப்பட்ட முதல் ப்ராம்ப்ட், மாடலைத் தெளிவான உச்சரிப்பிற்குத் தூண்ட முடியும். இந்த மாற்றங்களுக்குச் செலவு ஏதுமில்லை, ஆனால் அவை மாடல் எவ்வாறு மூச்சுவிடுகிறது மற்றும் இடைவெளி விடுகிறது என்பதை மாற்றுகின்றன.

• நீண்ட வரிசைகளைச் சிறிய குழுக்களாகப் பிரிக்கவும். A-B-C-D-E என்பதற்குப் பதிலாக, வரியை A-B-C-D மற்றும் E-F-G என அமைக்கவும். குழுக்களுக்கு இடையிலான சிறிய இடைவேளை, மாடல் எழுத்துக்களை ஒன்றிணைப்பதற்குப் பதிலாக சரியான மெய்யெழுத்துக்களில் நிலைநிறுத்த வாய்ப்பளிக்கிறது.

• எண்களை எழுத்து வடிவில் எழுதவும். "30" என்பதற்குப் பதிலாக "thirty" என்பதைப் பயன்படுத்தவும். எழுதப்பட்ட எண்கள் அருவமான குறியீடுகள்; மாடல் சில நேரங்களில் அவற்றைச் சுருக்கமான, ஒலியற்ற இரைச்சலாக மாற்றுகிறது. முழுமையான ஆங்கிலச் சொல் ஒலிசார்ந்த சாரத்தைக் கொடுக்கிறது.

• எழுத்துக்களுக்கு இடையே இடைவெளியைச் சேர்க்கவும். "ABC" என்பதற்குப் பதிலாக ஹைஃபன்கள் (hyphens) அல்லது இடைவெளிகளுடன் "A - B - C" என்று எழுதவும். இந்தத் தெளிவான பிரிப்பு, இவை தனித்தனி உருப்படிகள், ஒரு ஒற்றைச் சுருக்கப்பெயர் அல்லது சொல் அல்ல என்பதை மா

இதற்குப் பின்னால் இருப்பது acoustic seed தான். வரிகளிலிருந்து பாடல்களை உருவாக்கும் மாடல்களில் (lyrics-to-song models), ஒரு prompt-ஐ மாற்றுவது என்பது ஏற்கனவே உள்ள ஆடியோவை திருத்துவது மட்டுமல்ல. அது முழுமையான உருவாக்கும் அடித்தளத்தையே (generative foundation) மாற்றி அமைக்கிறது. அந்த மாடல் அந்தப் பாடலைத் தொடக்கத்திலிருந்தே மீண்டும் உருவாக்குகிறது. கதை சொல்லும் வகை உரைகளுக்கு (narrative text), புதிய முயற்சி ஒரு தெளிவான பதிவைப் பெறக்கூடும். ஆனால் பட்டியல்கள் (lists) விஷயத்தில், நீங்கள் பெரும்பாலும் இன்னும் மோசமான உச்சரிப்பையே (slur) அழைக்கிறீர்கள். ஒரு எழுத்தின் நேரத்தைச் சரிசெய்ய முயலும்போது, அடுத்த முயற்சியில் மாடல் "J," "K," மற்றும் "L" ஆகிய எழுத்துக்களைத் தெளிவில்லாமல் மழுக்கிவிடக்கூடும். அசல் பதிவு குறையுடையதாக இருக்கலாம், ஆனால் திருத்தப்பட்ட பதிப்பு பெரும்பாலும் ஒரு ஒலியியல் குழப்பத்திற்குப் பதிலாக மற்றொரு குழப்பத்தையே தருகிறது.

பட்டியல்கள் நிறைந்த வரிகளுக்கான ஒரு புத்திசாலித்தனமான பணிப்பாய்வு (Workflow)

மீண்டும் உருவாக்குவது (regeneration) தெளிவைச் சிதைக்கும் அபாயம் இருப்பதால், உங்கள் செயல்முறையை மாற்ற வேண்டிய அவசியம் உள்ளது. ஒரு சரியான மறுபதிப்பிற்காகத் தேடுவதை நிறுத்துங்கள். அதற்குப் பதிலாக, முதல் prompt-ஐ ஒரு நடிகர்களைத் தேர்ந்தெடுக்கும் வாய்ப்பாக (casting call) கருதுங்கள்.

வெவ்வேறு random seeds-களைப் பயன்படுத்தி, அதே prompt மூலம் பல பதிப்புகளை உருவாக்குங்கள். உரையை மாற்றாதீர்கள். வரிகளை அப்படியே வைத்துக்கொண்டு, மாடல் அதன் திறனை (performance) மாற்றியமைக்க விடுங்கள். நீங்கள் ஒரு தணிக்கை அமர்வை (edit session) நடத்தவில்லை, ஒரு நேர்முகத் தேர்வை (audition) நடத்துகிறீர்கள்.

பிறகு ஒவ்வொரு பதிவையும் மதிப்பிடுங்கள். ஒவ்வொரு பதிப்பையும் mlx-whisper அல்லது அது போன்ற ஒரு transcription கருவி மூலம் இயக்கி, எந்தப் பதிவு உங்கள் prompt-உடன் மிகவும் துல்லியமாகப் பொருந்துகிறது என்பதை அளவிடுங்கள். இசைக்கருவிகள் அல்லது குரல் தொனி சற்று குறைவான தரத்தில் இருந்தாலும், வரிகளின் துல்லியத்தின் அடிப்படையில் வெற்றியாளரைத் தேர்ந்தெடுங்கள். பட்டியல்கள் நிறைந்த உள்ளடக்கத்திற்கு, உணர்வை (vibe) விட தெளிவு (intelligibility) மிக முக்கியமானது.

மிக முக்கியமாக, உங்கள் திருத்தங்களை முன்கூட்டியே செய்யுங்கள். 'Generate' பொத்தானை அழுத்துவதற்கு முன்பே இடைவெளி விதிகள் (spacing rules), அசை (syllable) வரம்புகள் மற்றும் குழுவாக்கம் (grouping) ஆகியவற்றைச் செய்யுங்கள். அகரவரிசைப் பாடலைச் சாதாரண ஆங்கிலத்தில் எழுதிவிட்டு, பிறகு அதைச் சரிசெய்ய முயல வேண்டாம். பட்டியல்கள் சம்பந்தப்பட்டிருக்கும்போது, மாடல் பின்னோக்கிச் செய்யப்படும் திருத்தங்களை (retroactive edits) அவ்வளவு எளிதாக ஏற்றுக்கொள்வதில்லை. A