«پروژه وُدِر» (Voder)؛ اولین باری که یک ماشین یاد گرفت مثل انسان حرف بزند
۱۳ اسفند ۱۳۹۹آخرین بروزرسانی: ۳۱ اردیبهشت ۱۴۰۵
زمان تقریبی مطالعه 11 دقیقه
امروز صحبت کردن با دستیارهای صوتی هوشمند یا شنیدن پادکستهایی با صدای شبیهسازیشده هوش مصنوعی به بخشی عادی از روزمرگی ما تبدیل شده است. با این حال، حدود یک قرن پیش، ایده خلق ماشینی که بتواند مانند انسان سخن بگوید، بیشتر به یک جادوی سیاه یا داستانی علمی تخیلی شباهت داشت. تمام این مسیر شگفتانگیز با پروژه ودر (Voder) آغاز شد؛ پروژهای پیشگامانه در آزمایشگاههای بل (Bell Labs) که برای نخستین بار در تاریخ نشان داد ماشینها میتوانند فرکانسهای صوتی انسان را به شکلی نظاممند بازسازی کنند و فصلی نو در تاریخ مهندسی آکوستیک بگشایند.
ماشینِ ترسناکی که در سال ۱۹۳۹ با کیبورد صحبت میکرد!
در اواخر دهه ۱۹۳۰ میلادی، جهان در آستانه یکی از تاریکترین جنگهای تاریخ خود قرار داشت اما در تالارهای علم و فناوری، شور و اشتیاق وصفناپذیری برای تسخیر آینده جریان داشت. در نمایشگاه جهانی نیویورک (New York World’s Fair) سال ۱۹۳۹، غرفهای برپا شد که توجه هزاران بازدیدکننده مبهوت را به خود جلب کرد. در این غرفه، ماشینی عظیمالجثه مجهز به دهها لامپ خلاء (Vacuum Tube)، سیمهای درهمتنیده و یک کیبورد ویژه قرار داشت که وقتی اپراتور دکمههای آن را فشار میداد، صدایی شبیه به انسان از بلندگوهای آن خارج میشد. این دستگاه عجیب، همان محصول نهایی پروژه ودر بود که نام علمی آن را «نشاندهنده عملیات صوتی» (Voice Operation Demonstrator) گذاشته بودند.
۰۱
پیدایش ایده در دل فشردهسازی اطلاعات مخابراتی
پروژه ودر حاصل یک شانس یا ایده ناگهانی نبود؛ بلکه از یک نیاز کاملاً تجاری و مهندسی در دل آزمایشگاههای بل سرچشمه میگرفت. در آن دوران، انتقال صدای انسان از طریق خطوط تلفن بینقارهای به پهنای باند بسیار زیادی نیاز داشت که هزینههای سرسامآوری را به شرکتها تحمیل میکرد. مهندس برجستهای به نام هومر دادلی (Homer Dudley) متوجه شد که اگر بتوان به جای ارسال کل سیگنال آنالوگ صدا، تنها کدهای فرکانسی پایه آن را ارسال کرد و سپس در مقصد صدا را دوباره ساخت، پهنای باند مورد نیاز تا ده برابر کاهش مییابد. این ایده انقلابی، سنگ بنای اولیه دستگاهی شد که بعدها به عنوان اولین سنتزکننده واقعی صدا در جهان شناخته شد.
۰۲
نمایش عمومی؛ شگفتی و وحشت در نیویورک
وقتی در سال ۱۹۳۹ مردم برای نخستین بار صدای پروژه ودر را شنیدند، واکنشها آمیزهای از شگفتی بیحدومرز و ترس عمیق بود. دستگاه صدایی متالیک، یکنواخت و تا حدودی شبحوار تولید میکرد که به اعتقاد بسیاری از تماشاگران، شبیه به صدای مردگانی بود که از دنیای دیگر سخن میگفتند. این ماشین میتوانست جملات سادهای نظیر «روز بخیر همگی» یا «امروز هوا چطور است؟» را بیان کند. تماشاگران متوجه نمیشدند که چگونه یک جعبه فلزی بیجان بدون وجود حنجره زیستی یا تارهای صوتی قادر است اصواتی با معنا تولید کند و همین امر شایعات متعددی را درباره شیطانی بودن این فناوری بر سر زبانها انداخت.
۰۳
اپراتورهای فداکار؛ نوازندگان ارکسترِ واجها
کاربری پروژه ودر به هیچ وجه خودکار نبود و هیچ هوش مصنوعی پشت آن قرار نداشت؛ بلکه کار با آن نیازمند تخصص و مهارت انسانی فوقالعاده بالایی بود. اپراتورهای این دستگاه که عمدتاً زنان شاغل در بخش اپراتوری تلفن شرکت بل بودند، باید ماهها آموزش فشرده میدیدند تا یاد بگیرند چگونه با فشردن همزمان کلیدها و پدالهای مختلف، صداهای شبیه به واجهای انسانی تولید کنند. یکی از معروفترین این اپراتورها هلن هارپر (Helen Harper) بود که توانست با تسلط بینظیر خود بر کیبورد دستگاه، ودر را وادار به ادای کلمات پیچیده و حتی آواز خواندن کند. او این کار را با چنان ظرافتی انجام میداد که کارشناسان آن را با نواختن یک پیانوی صوتی بسیار دشوار مقایسه میکردند.
زنگ تفریح: تئوری توطئه کوتوله پنهانشده در دستگاه!
در جریان نمایشگاه جهانی نیویورک، برخی از بازدیدکنندگان که به هیچ عنوان نمیتوانستند واقعیت صحبت کردن یک ماشین را بپذیرند، اصرار داشتند که این پروژه یک فریب بزرگ است. گروهی از مردم معتقد بودند آزمایشگاههای بل یک فرد ریزجثه یا کوتوله (Dwarf) را درون کابینت بزرگ و پر از سیم دستگاه پنهان کردهاند تا او به جای ماشین صحبت کند. کار به جایی رسید که مهندسان مجبور شدند چندین بار در روز درهای پشتی دستگاه را باز کنند و بخشهای داخلی آن را به تماشاگران شکاک نشان دهند تا ثابت کنند هیچ انسانی درون آن پنهان نشده است!
چرا تقلید صدای انسان برای ماشینها سختترین کار جهان بود؟
تولید صدای انسان توسط یک ساختار مکانیکی یا الکترونیکی بسیار فراتر از تولید یک بوق ساده یا فرکانس صوتی خطی است. آناتومی بدن ما برای تولید یک کلمه ساده، هماهنگی شگفتانگیزی میان ششها، تارهای صوتی، زبان، دندانها و حفرههای بینی برقرار میکند. هومر دادلی در پروژه ودر تلاش کرد تا تمام این سیستم پیچیده بیولوژیکی را به یک مدل مداری تبدیل کند؛ فرآیندی که تا پیش از آن هیچ دانشمندی جرئت نزدیک شدن به آن را به این شکل منسجم و کاربردی پیدا نکرده بود.
۰۴
شبیهسازی فیزیک حنجره با فرکانسهای آنالوگ
پروژه ودر برای بازسازی سیستم صوتی انسان از دو منبع صوتی اصلی استفاده میکرد. منبع اول یک نوسانساز گاز خلاء (Gas Tube Oscillator) بود که صدای وزوز مانندی تولید میکرد و نقش تارهای صوتی ارتعاشی انسان را برای حروف صدادار (Vowels) بر عهده داشت. منبع دوم یک ژنراتور نویز تصادفی (Random Noise Generator) بود که جریان هوای بدون ارتعاش را برای حروفی مانند «س» یا «ش» شبیهسازی میکرد. سپس صدای خروجی این دو منبع از طریق یک سری فیلترهای صوتی ده کاناله که با انگشتان اپراتور کنترل میشدند، شکل داده میشد تا صدای نهایی بازسازی شود.
۰۵
چالش بزرگِ همخوانهای انفجاری
یکی از سختترین مراحل سنتز صدا در پروژه ودر، تولید حروفی مانند «پ»، «ت» و «ک» بود که در زبانشناسی به آنها همخوانهای انفجاری (Plosives) میگویند. این صداها بر خلاف حروف کشیده، در یک لحظه بسیار کوتاه و با قطع و وصل ناگهانی جریان هوا ایجاد میشوند. اپراتورهای ودر برای تولید این صداها باید با مهارتی عجیب، کلیدهای خاصی را با ضرباتی بسیار سریع و زمانبندیشده فشار میدادند. کوچکترین تاخیر یا اشتباه در زمانبندی باعث میشد کلمه ادا شده کاملاً نامفهوم یا شبیه به نویزهای پسزمینه رادیویی به نظر برسد.
۰۶
از تئوری تا عمل؛ جنگ جهانی دوم و سیستم امنیتی سیگسالی
یافتههای علمی حاصل از پروژه ودر و نسخه تکاملیافته آن یعنی وکودر (Vocoder)، نقش حیاتی و شگفتانگیزی در جریان جنگ جهانی دوم ایفا کردند. ارتش ایالات متحده با استفاده از این فناوری، سیستم رمزگذاری صوتی فوقالعاده محرمانهای به نام سیگسالی (SIGSALY) را طراحی کرد. این سیستم به رهبران متفقین از جمله وینستون چرچیل و فرانکلین روزولت اجازه میداد تا مکالمات تلفنی حساس خود را به صورت کدهای غیرقابلفهم دیجیتال درآورده و پس از انتقال امن از طریق اقیانوس اطلس، در مقصد دوباره با کیفیتی مشابه بازسازی کنند؛ موفقیتی بزرگ که امنیت استراتژیک متحدین را تضمین کرد.
۰۷
دره وهمی؛ نخستین رویارویی با ترس آکوستیک
پروژه ودر برای نخستین بار پدیدهای را در روانشناسی صوتی آشکار کرد که امروزه به آن دره وهمی (Uncanny Valley) میگویند. این اصطلاح زمانی به کار میرود که یک مصنوع غیرانسانی، شباهت بسیار زیادی به انسان پیدا میکند اما تفاوتهای جزئی آن باعث ایجاد حس انزجار، ترس یا ناامنی در بیننده یا شنونده میشود. شنیدن صدایی که تمام ویژگیهای نحوی و آوایی انسان را داشت اما فاقد هرگونه روح، احساس و نوسانات طبیعی زیستی بود، ناخودآگاه مخاطب سال ۱۹۳۹ را دچار حس وحشت و گریز از این ابزار آهنی جدید میکرد.
زنگ تفریح: آوازخوانی ترسناکِ آقای ماشین!
یکی از نقاط اوج نمایشهای عمومی پروژه ودر، زمانی بود که اپراتورها تلاش میکردند تا با استفاده از پدال پایی کنترل فرکانس پایه (Pitch Control)، دستگاه را وادار به آواز خواندن کنند. اجرای آهنگ معروف «زیبای آمریکا» (America the Beautiful) توسط این ماشین فلزی، صدایی به شدت عجیب و شبیه به آواز خواندن یک روح در زیر آب را ایجاد میکرد. با این حال، تماشاگران با چنان هیجانی تشویق میکردند که گویی در برابر بزرگترین خواننده اپرای جهان ایستادهاند؛ ترکیبی خندهدار از تشویقهای پرشور برای صدایی که بیشتر به کابوسهای شبانه شباهت داشت!
از اپراتورهای انسانی تا سیری (Siri) و الکسا؛ مسیر صد ساله سنتز صدا
توسعه تکنولوژی سنتز صدا پس از معرفی پروژه ودر متوقف نشد. با عبور از دوران لامپهای خلاء بزرگ و ورود به عصر نیمههادیها و تراشههای سیلیکونی، ایده تبدیل متن به گفتار (Text-to-Speech) وارد مراحل کاملاً جدیدی شد. دیگر نیازی نبود که یک انسان ساعتها پشت کیبوردهای پیچیده بنشیند تا کلمات را هجا به هجا بنوازد؛ بلکه کامپیوترها به تدریج یاد گرفتند که کدهای متنی را به صورت خودکار به پالسهای الکتریکی صوتی تبدیل کنند.
۰۸
عصر نوارهای مغناطیسی و دستگاه تبدیل الگو
در دهههای ۱۹۵۰ و ۱۹۶۰ میلادی، محققان در آزمایشگاههای هاسکینز (Haskins Laboratories) دستگاهی به نام تبدیل الگو (Pattern Playback) را اختراع کردند. این دستگاه نوآورانه میتوانست تصاویر گرافیکی طیفنگارههای صوتی (Spectrograms) را که با دست کشیده شده بودند، مجدداً به صدا تبدیل کند. این روش به دانشمندان کمک کرد تا درک عمیقتری از چگونگی ارتباط بین بازنمایی تصویری فرکانسها و ادراک صوتی انسان پیدا کنند و گامی بزرگ به سمت خودکارسازی کامل فرآیند تولید صدا بردارند.
۰۹
سنتز فرمانت و صدای جاودانه استیون هاوکینگ
یکی از نقاط عطف دراماتیک و تاریخی سنتز صدا، معرفی فناوری سنتز فرمانت (Formant Synthesis) در دهههای بعد بود. این فناوری که بر اساس شبیهسازی دقیق فیلترهای تشدیدکننده مجرای گفتار انسان کار میکرد، منجر به ساخت دستگاه مشهوری شد که دنیس کلات (Dennis Klatt) آن را توسعه داد. صدای معروف و نمادین فیزیکدان بزرگ، استیون هاوکینگ (Stephen Hawking)، از همین سیستم سنتز سختافزاری نشات میگرفت. اگرچه این صدا هنوز هم لحنی کاملاً مکانیکی و غیرانسانی داشت، اما به یک دانشمند بزرگ امکان داد تا سالها با جهان ارتباط برقرار کرده و نظریات خود را به گوش جهانیان برساند.
۱۰
انقلاب شبکههای عصبی عمیق و تولد ویونت
امروزه دیگر دوران اتصال قطعات کوچک صدای از پیش ضبطشده یا فرمولهای آکوستیک ساده گذشته است. با معرفی مدلهای یادگیری عمیق و به ویژه معماری ویونت (WaveNet) توسط شرکت هوش مصنوعی دیپمایند (DeepMind)، تحولی شگرف در این حوزه رخ داد. این سیستمها به جای چسباندن سیلابها به یکدیگر، جریان خام صوتی را درست همانند یک نقاش که پیکسل به پیکسل نقاشی میکند، نمونه به نمونه تولید میکنند. این کار باعث شده است که دستیارهای صوتی محبوبی چون الکسا، سیری و گوگل اسیستنت بتوانند با تکیه بر این فناوری، صدایی با نوسانات طبیعی و عاطفی بالا تولید کنند.
آیا روزی میرسد که نتوانیم صدای هوش مصنوعی را از انسان تشخیص دهیم؟
پیشرفتهای شتابان در حوزه مدلهای زبانی بزرگ و تولیدکنندههای صوتی ما را به نقطهای رسانده است که مرز میان واقعیت و شبیهسازی عملاً در حال محو شدن است. این فناوری علاوه بر کاربردهای بینظیرش در صنایع سرگرمی، کتابهای صوتی و پزشکی، پرسشهای اخلاقی و جامعهشناختی عمیقی را نیز در ذهن اندیشمندان ایجاد کرده است؛ پرسشهایی که پاسخ به آنها میتواند ماهیت روابط انسانی در قرن بیست و یکم را به کلی دگرگون سازد.
۱۱
سقوط امنیت بیومتریک و سونامی جعل صوتی
یکی از چالشهای امنیتی جدی در جهان امروز، سوءاستفاده از فناوریهای کلونسازی یا شبیهسازی صوتی (Voice Cloning) است. امروزه ابزارهای هوش مصنوعی میتوانند تنها با شنیدن چند ثانیه از صدای یک فرد، کل ویژگیهای فرکانسی حنجره او را یاد گرفته و هر متنی را با لحن دقیق او بخوانند. این پدیده خطرناک که به جعل عمیق صوتی (Audio Deepfake) معروف است، امنیت سیستمهای تایید هویت بانکی مبتنی بر صدا را کاملاً به خطر انداخته و ابزاری خطرناک برای کلاهبرداریهای تلفنی و تولید اخبار جعلی شده است.
۱۲
تاثیر صدای دیجیتال بر تنهایی انسان مدرن
روانپزشکان و جامعهشناسان نسبت به پدیده جدیدی هشدار میدهند که در آن انسانها به طور فزایندهای به همدمهای صوتی مجازی روی میآورند. وقتی صدای تولیدی هوش مصنوعی سرشار از همدلی، صمیمیت و درک عاطفی باشد، افراد به ویژه قشر تنها و سالخورده ممکن است پیوندهای عمیق پاراسوشیال (Parasocial) با این سیستمهای نرمافزاری برقرار کنند. این صمیمیت شبیهسازیشده گرچه ممکن است در کوتاهمدت تسکیندهنده باشد، اما در درازمدت خطر کاهش تعاملات واقعی انسانی و عمیقتر شدن بحران تنهایی در جوامع مدرن و غرق در تکنولوژی را به دنبال دارد.
سوالات متداول کاربران کنجکاو (Smart FAQ)
۱. آیا هومر دادلی برای اختراع ودر از کالبدشکافی حنجره انسان الهام گرفته بود؟
بله، هومر دادلی به عنوان یک مهندس برجسته آکوستیک، ماهها به مطالعه ساختار فیزیولوژیک تارهای صوتی و حنجره انسان پرداخت. او متوجه شد که تولید صدا در بدن انسان شامل دو بخش اصلی منبع تولید ارتعاش و فیلترهای تشدیدکننده مجرای گفتار است. بنابراین، او تصمیم گرفت با استفاده از مدارهای الکترونیکی آنالوگ، این مکانیزم دوگانه زیستی را بازسازی کند. این رویکرد مکانیکی-الکترونیکی انقلابی بزرگ در درک مهندسان از نحوه شبیهسازی اندامهای حیاتی انسان ایجاد کرد.
۲. چرا دستگاه ودر هیچگاه به یک محصول تجاری برای عموم مردم تبدیل نشد؟
این فناوری به قدری پیچیده و گرانقیمت بود که تولید انبوه آن در دهه چهل میلادی عملاً غیرممکن به نظر میرسید. از سوی دیگر، کاربری بسیار دشوار آن که نیازمند ماهها آموزش مداوم بود، مانع از پذیرش عمومی آن میشد. هدف اصلی آزمایشگاههای بل نیز فروش این دستگاه نبود، بلکه آنها به دنبال اثبات نظریه فشردهسازی پهنای باند مخابراتی بودند. به همین دلیل، دستگاه ودر تنها به عنوان یک نمونه نمایشی در موزهها و نمایشگاههای علمی باقی ماند.
۳. آیا اپراتورهای ودر برای نواختن این ماشین باید نتهای موسیقی را یاد میگرفتند؟
اگرچه کیبورد دستگاه ساختاری شبیه به پیانو داشت، اما اپراتورها به جای نتهای موسیقی با واحدهای آوایی سر و کار داشتند. آنها باید یاد میگرفتند که چگونه با فشردن همزمان کلیدها، فرکانسهای مختلف را برای تولید واجها ترکیب کنند. با این حال، داشتن گوش موسیقیایی قوی به اپراتورها کمک میکرد تا لحن و زیروبم صدا را با دقت بیشتری تنظیم نمایند. این فرآیند شباهت زیادی به نواختن یک ساز بادی بسیار دشوار داشت که در آن کوچکترین خطایی، معنای صوتی کلمه را کاملاً تغییر میداد.
۴. چگونه جنگ جهانی دوم مسیر توسعه و تکامل فناوریهای مشتق شده از ودر را تغییر داد؟
با آغاز جنگ، تمرکز تحقیقات از سنتز گفتار تفریحی به سمت رمزگذاری فوقمحرمانه مکالمات استراتژیک تغییر جهت داد. ارتش ایالات متحده با همکاری آزمایشگاههای بل سیستم امنیت صوتی معروف سیگسالی را بر پایه ایده وکودر توسعه داد. این سیستم به رهبران متفقین اجازه داد تا بدون نگرانی از شنود دشمن، به صورت زنده و رمزگذاریشده گفتگو کنند. این جهش بزرگ فناوری نظامی پس از جنگ به عنوان پایهای برای سیستمهای مدرن فشردهسازی صدای دیجیتال مورد استفاده قرار گرفت.
۵. آیا کودکان یا افراد ناشنوا هم توانستند از این دستگاه برای برقراری ارتباط استفاده کنند؟
به دلیل نیاز به مهارتهای حرکتی بسیار ظریف و درک عمیق آکوستیک، کودکان توانایی کار با این ماشین پیچیده را نداشتند. با این حال، دانشمندان تلاش کردند تا نسخههای سادهتری را برای کمک به بیماران لال و کمشنوا طراحی نمایند. متاسفانه این تلاشها در مراحل اولیه به دلیل محدودیتهای سختافزاری آن زمان با شکست مواجه شدند. سالها طول کشید تا این ایده در قالب دستگاههای مدرن تولید گفتار برای معلولان به واقعیت تبدیل شود.
۶. کدام فیلمهای علمی تخیلی کلاسیک مستقیماً از صدای روباتیک دستگاه ودر الهام گرفتند؟
صدای متمایز و فلزی دستگاه ودر به الگوی طلایی برای خلق جلوههای صوتی در سینمای علمی تخیلی تبدیل شد. فیلمسازان در دهههای پنجاه و شصت میلادی از نوسانسازهای مشابه برای طراحی صدای موجودات فضایی و رباتهای شرور استفاده کردند. حتی در آثار محبوبی چون جنگ ستارگان، ردپای این نوع سنتز صدا در طراحی جلوههای صوتی به وضوح دیده میشود. این نوستالژی صوتی نشان میدهد که چگونه یک ابزار آزمایشگاهی ساده توانست حافظه جمعی بشر را از صدای آینده شکل دهد.
۷. آیا تفاوتهای زبانی مانع از آن میشد که دستگاه ودر بتواند به زبانهای غیر از انگلیسی صحبت کند؟
سیستم فیلترهای آنالوگ دستگاه ودر برای الگوهای فرکانسی زبان انگلیسی بهینهسازی و کالیبره شده بود. برای صحبت به زبانهای دیگر مانند فرانسوی یا آلمانی، اپراتور باید تغییرات ساختاری در فرکانسهای پایه اعمال میکرد. برخی زبانهای نواختبر مانند چینی به دلیل نوسانات مداوم فرکانس عملاً با سختافزار اولیه قابل بازسازی نبودند. این محدودیت فیزیکی بعدها مهندسان را وادار کرد تا فیلترهای متغیر و پویاتری را برای پوشش تمام زبانها طراحی کنند.
جمعبندی نهایی
پروژه ودر فراتر از یک ابزار سرگرمکننده یا آزمایشی گذرا در تاریخ علم، نقطه عزیمت بشر به سمت عصر دیجیتال و درک ماهیت سیگنالهای حیاتی بود. تلاشی که هومر دادلی و اپراتورهای فداکار آزمایشگاههای بل انجام دادند، ثابت کرد که تکلم انسان مزیتی متمایز اما فرمولپذیر است که میتوان آن را با قوانین فیزیک و آکوستیک بازسازی کرد. امروزه دستیارهای هوشمند صوتی و مدلهای هوش مصنوعی زاینده صدا، همگی بر دوش غول مهندسی سال ۱۹۳۹ ایستادهاند. در نهایت، مواجهه با این تاریخچه طولانی به ما یادآور میشود که هر چقدر هم که هوای اطرافمان با صداهای شبیهسازیشده و بینقص دیجیتالی پر شود، باز هم نیاز به اصالت گفتار انسانی و پیوندهای عاطفی واقعی، گوهری نایاب در عصر تنهایی مدرن باقی خواهد ماند.
به نظر شما، آیا ماشینها روزی صاحب احساس واقعی در صدای خود خواهند شد؟
شنیدن داستان باورنکردنی پروژه ودر ما را با این پرسش روبرو میکند که صدای انسان واقعاً کجای جهان ایستاده است. آیا به نظر شما پیشرفت صدای هوش مصنوعی به نفع زندگی ماست یا ما را تنهاتر از قبل خواهد کرد؟ دیدگاهها و تجربیات شگفتانگیز خود را درباره سنتز صدا و شبیهسازهای صوتی در بخش دیدگاهها با ما به اشتراک بگذارید تا با هم درباره این آینده عجیب گفتگو کنیم!
دکتر علیرضا مجیدی، نویسنده و بنیانگذار وبلاگ «یک پزشک». با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ. باشد که با هم متفاوت بیاندیشیم!
