മനസ്സിലായോ...; നിർമിത ബുദ്ധിയിൽ തിരിച്ചു വരുന്നു മരിച്ചു പോയ ഗായകരുടെ ശബ്ദം

1986ലെ ഒരു സിനിമാ പോസ്റ്റർ ഓർമ വരുന്നു. പുന്നകൈ മന്നൻ എന്ന സിനിമയുടെ പോസ്റ്ററിൽ ആദ്യത്തെ കംപ്യൂട്ടർ മ്യൂസിക് എന്നാണ് എഴുതിയിരുന്നത്. സിനിമാ ഗാനങ്ങളുടെ ചരിത്രത്തിൽ 1980 കാലഘട്ടത്തിനു വലിയ പ്രാധാന്യമുണ്ട്. സംഗീതത്തിൽ നിർമിത ബുദ്ധി സാന്നിധ്യം അറിയിക്കുന്നത് ആ കാലത്താണ്. വിക്രം, പുന്നകൈ മന്നൻ എന്നീ സിനിമകളിലെ ഗാനങ്ങളിൽ 80കളിലെ പോപ്പ് മ്യൂസിക്കിന്റെ സാന്നിധ്യം കാണാം.  ഇംഗ്ലിഷ് ഗാനങ്ങളും പക്കാ ഒരു ഡിസ്കോയുമൊക്കെ അതിലുണ്ട്. ഇളയരാജയായിരുന്നു സംഗീത സംവിധായകൻ. മ്യൂസിക് പ്രൊഡക്‌ഷൻ നിർവഹിച്ചത് എ.ആർ.റഹ്മാനും.

വിക്രം സിനിമയിലെ  ‘എൻ ജോഡി മഞ്ഞക്കുരുവീ..’ എന്ന പാട്ട് ഇപ്പോൾ ഗാനമേളകളിൽ വീണ്ടും പാടിത്തുടങ്ങിയിട്ടുണ്ട്. സംഗീതത്തിന്റെ നവീകരണം എപ്പോഴും നടന്നു കൊണ്ടിരിക്കുന്ന ഒന്നാണെന്നാണ് ഇതിൽ നിന്നു മനസ്സിലാക്കാനുള്ളത്. എത്ര കാലം കഴിഞ്ഞാലും  ഓരോ തലമുറയിലും അത് ഓരോ രീതിയിൽ പ്രത്യക്ഷപ്പെടും. നിർമിത ബുദ്ധിയുടെ വരവോടെ അതു പുതിയ തലങ്ങളിലേക്കു കടന്നു കഴിഞ്ഞു.  

വിക്രം എന്ന സിനിമയിൽ കമൽഹാസൻ പാടിയ ‘വിക്രം..’ എന്ന ഒരു ടൈറ്റിൽ മ്യൂസിക് ഒരു സ്റ്റേജ് പെർഫോമൻസിൽ ഗായകൻ കാർത്തിക് പാടിയത് എനിക്കു വളരെ ഇഷ്ടമായി. അതിനെപ്പറ്റി  സംസാരിച്ചപ്പോൾ അദ്ദേഹം പറഞ്ഞതു ദക്ഷിണേന്ത്യൻ സിനിമയിൽ ആദ്യമായി പ്രശസ്തമായ ഒരു റാപ്പ്  ഇതായിരിക്കാമെന്നാണ്.  അതിൽ ജാനകിയമ്മയാണ് (എസ്.ജാനകി) കോറസ് ചെയ്തിരിക്കുന്നത്. 

ഡിസ്കോ മുതൽ എഐ വരെ 

ഹിന്ദി സിനിമാ ഗാനങ്ങളെ ഡിസ്കോ ശൈലി കൊണ്ടു പിടിച്ചടക്കിയ സംഗീത സംവിധായകനാണ് ബപ്പി ലഹരി. കീബോർഡ് ആർട്ടിസ്റ്റായി  ഞാൻ ഒരു ബാൻഡിൽ പ്രവർത്തിക്കുന്ന സമയം കോവളത്ത് ഒരു ഹോട്ടലിൽ ഞങ്ങളുടെ പരിപാടിക്ക് അപ്രതീക്ഷിതമായി ബപ്പി ലഹരി എത്തി. അദ്ദേഹം ഞങ്ങളുടെ പാട്ട് കേൾക്കുകയും ചില പാട്ടുകൾ പാടാൻ റിക്വസ്റ്റ് ചെയ്യുകയുമുണ്ടായി. ലോക പ്രശസ്ത ബാൻഡ് ആയ ബീജിസിന്റെ ഒരു പാട്ടാണ് അദ്ദേഹം ആവശ്യപ്പെട്ടത്. 

ഡിസ്കോ ശൈലിയിൽ നിന്നു നിർമിത ബുദ്ധിയിലേക്ക് എത്തുമ്പോൾ സംഗീതോപകരണങ്ങൾ പുനഃസൃഷ്ടിക്കൽ കൂടി അവിടെ നടക്കുന്നുണ്ട്. സിന്തസൈസറുകളുടെ സഹായത്തോടെ യഥാർഥ ഉപകരണങ്ങളിലെ സംഗീതം സൃഷ്ടിച്ചെടുക്കുകയാണ്. പല വിമർശനങ്ങളും ഇതിനെതിരെ ഉയരുന്നുണ്ട്. കംപ്യൂട്ടറിന്റെ ഉപയോഗം ആദ്യം തുടങ്ങിയപ്പോൾ എല്ലാവരും എതിർത്തതുപോലെത്തന്നെ ഇതിനെയും കണക്കാക്കാവുന്നതേയുള്ളൂ. നിർമിത ബുദ്ധിയിലെ പുതിയ പ്രവണത മരിച്ചു പോയ ഗായകരുടെ ശബ്ദം പുനഃസൃഷ്ടിക്കുന്നതാണ്. 

നാറ്റ് കിങ് കോളിന്റെ ശബ്ദം

1950കളിലെ ഏറ്റവും പ്രശസ്തനായ അമേരിക്കൻ ജാസ് സംഗീതജ്ഞനായിരുന്നു നാറ്റ് കിങ് കോൾ. അൺഫൊർഗറ്റബിൾ എന്ന അദ്ദേഹത്തിന്റെ ഗാനം 1950ലാണ് പുറത്തു വരുന്നത്. നാറ്റ് കിങ് കോളിന്റെ മകൾ നെതാലി കിങ് കോൾ 1990കളിൽ ഇതു ഡ്യുയറ്റായി പുറത്തിറക്കിയത് മൺമറഞ്ഞ അച്ഛന്റെ ശബ്ദം അതുപോലെ ഡിജിറ്റലായി പുനഃസൃഷ്ടിച്ചാണ്.  പുതിയ ഒരു ഓർക്കസ്ട്രയുടെ അകമ്പടിയോടെ നെതാലി ഇതു കൊണ്ടുവന്നപ്പോൾ സംഗീത ലോകം മുഴുവൻ പകച്ചു നിന്നു.  ലോകത്തെ എല്ലാ മ്യൂസിക് ചാർട്ടുകളിലും അത് ഒന്നാം സ്ഥാനം നേടി. 92ലെ ഗ്രാമി അവാർഡും ഈ ആൽബത്തിനായിരുന്നു. 

തിമിരീ എഴുദാ..’

2024ൽ ഇറങ്ങിയ  ലാൽസലാം എന്ന തമിഴ് ചിത്രത്തിലൂടെയാണ് നിർമിത ബുദ്ധി എന്ന പരീക്ഷണത്തിലേക്ക് എ.ആർ.റഹ്മാൻ ഇറങ്ങിയത്.  ബാംബാ ഭാഗ്യ എന്ന ഭാഗ്യരാജിന്റെയും ഷാഹുൽ ഹമീദിന്റെയും ശബ്ദമാണ് റഹ്മാൻ ഇതിലെ  ‘തിമിരീ എഴുദാ..’ എന്ന ഗാനത്തിലൂടെ പുനഃസൃഷ്ടിച്ചത്.  മരിച്ചുപോയ  ഗായകരുടെ   ശബ്ദം പുനഃസൃഷ്ടിച്ച ആദ്യഗാനമാണെന്നാണ് റഹ്മാൻ ഇതിനെ വിശേഷിപ്പിച്ചത്. റഹ്മാനുമായി ഒട്ടേറെകാലം സഹകരിച്ച വ്യക്തിയാണ് ബാംബാഭാഗ്യ.  ഭക്തിഗാനങ്ങളിലുൾപ്പെടെ കോറസ് പാടുകയും പൊന്നിയിൻ സെൽവം ഉൾപ്പെടെയുള്ള സിനിമകളിൽ പാടുകയും ചെയ്തിട്ടുണ്ട്. ഷാഹുൽ ഹമീദും  തുടക്കകാലം മുതൽ റഹ്മാനോടൊപ്പമുണ്ടായിരുന്നു. 

‘ചിന്ന ചിന്ന ക‌‌‌ൺകൾ.’

 വിജയ് നായകനായ ‘ ഗോട്ട്’ എന്ന സിനിമയിലെ ‘ചിന്ന ചിന്ന ക‌‌‌ൺകൾ’ എന്ന ഗാനം വിജയ്ക്കും യുവൻ ശങ്കർ രാജയ്ക്കുമൊപ്പം ആലപിച്ചിരിക്കുന്നത് മൺമറഞ്ഞ ഒരു ഗായികയാണ്. പിന്നണി ഗായികയും ഇളയരാജയുടെ ഇളയമകളുമായ  ഭവതാരിണി. കംപോസിങ് നടക്കുമ്പോൾത്തന്നെ ഭവതാരിണിക്കു വേണ്ടി നീക്കിവച്ച ഒരു പാട്ടാണത്. പക്ഷേ അത് പൂർണമാകുന്നതിനു മുൻപു അവർ വിടപറഞ്ഞ​ു. എഐ സഹായത്തോടെയാണ് ശബ്ദം പുനഃസൃഷ്ടിച്ചത്.  

ഭവതാരണിയുടെ ശബ്ദം പുനഃസൃഷ്ടിച്ച ശേഷം അതു രാജാസാറിനെ കേൾപ്പിച്ചതും അദ്ദേഹം വളരെ വികാരഭരിതനായതുമൊക്കെ  ഒരു അഭിമുഖത്തിൽ എഐ ടെക്നിക്കൽ കൺസൽറ്റന്റായ ടി.ആർ.കൃഷ്ണ ചേതൻ  വിവരിക്കുന്നുണ്ട്. ഇപ്പോൾ ട്രെൻഡിങ്ങായ മനസ്സിലായോ എന്ന ഗാനത്തിനായി മലേഷ്യ വാസുദേവന്റെ ശബ്ദം പുനഃസൃഷ്ടിച്ചിരിക്കുന്നതും എഐ സഹായത്തോടെയാണ്. 

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്

യഥാർഥ സംഗീതോപകരണങ്ങൾ സിന്തസൈസറുകളുടെ സഹായത്തോടെ പുനഃസൃഷ്ടിക്കുന്ന സംവിധാനമാണ് ഇപ്പോഴുള്ളത്. ശബ്ദം പകർന്നെടുക്കാൻ ഉപയോഗിക്കുന്ന എഐ സവിശേഷത വോയിസ് മോഡലിങ് അല്ലെങ്കിൽ ന്യൂറൽ വോയിസ് ക്ലോണിങ്  എന്നറിയപ്പെടുന്നു. ടെക്സ്റ്റ്-ടു-സ്പീച്ച് (TTS), വോയിസ് ക്ലോണിങ്, സ്പീച്ച്-ടു-ടെക്സ്റ്റ് (STT), ഡീപ് ലേണിങ് മോഡലുകൾ, ന്യൂറൽ വോയിസ് അവതാർസ് എന്നിവയാണ്  വോയിസ് മോഡലിങ്ങിന്റെ പ്രധാന ഘടകങ്ങൾ.

ഇത് സ്പീച്ച് സിന്തസിസിലൂടെയും  (Speech Synthesis)ലൂടെയും ടെക്സ്റ്റ്-ടു-സ്പീച്ച് (TTS) സാങ്കേതികവിദ്യകളുടെ സഹായത്തോടെയും ഡീപ് ലേണിങ് സാങ്കേതികവിദ്യകളുടെ ഉപയോഗത്തിലൂടെയാണ് സൃഷ്ടിക്കുന്നത്. ഈ പ്രക്രിയയിലൂടെ യഥാർഥ വ്യക്തിയുടെ ശബ്ദത്തിന്റെ സവിശേഷതകൾ, ടോൺ, ഉച്ചാരണ വ്യത്യാസങ്ങൾ എന്നിവ അനുകരിക്കുന്ന ഒരു കൃത്രിമ ശബ്ദം സൃഷ്ടിക്കാനാകും.നിലവിൽ സിനിമ  സംഗീത മേഖലയിൽ വോയിസ് ക്ലോണിങ്ങിൽ ഉപയോഗിക്കുന്ന പ്രധാന സാങ്കേതികവിദ്യ  സ്പീക്കർ എംബെഡ്ഡിങ്ങുകൾ ആണ്.  സ്പീക്കർ എംബെഡ്ഡിങ്ങുകൾ വ്യക്തിയുടെ ശബ്ദത്തിന്റെ സവിശേഷതകൾ പകർത്തുന്നു. ഈ എംബെഡ്ഡിങ്ങുകൾ ഉപയോഗിച്ച് ശബ്ദത്തിന്റെ സവിശേഷതകൾ, ടോൺ, പിച്ച്, ആക്സന്റ് എന്നിവയെല്ലാം വ്യത്യസ്ത സന്ദർഭങ്ങളിൽ ക്ലോൺ ചെയ്യാൻ കഴിയും.

ഇതിനായി ആദ്യം അവരുമായി ഏകദേശം സാദൃശ്യ ശബ്ദം ഉള്ള പിന്നണി ഗായകരെ ഉപയോഗിച്ച് റിക്കോർഡിങ് ചെയ്യും. അതിനു ശേഷം വോയിസ് ക്ലോണിങ് ചെയ്യേണ്ട കലാകാരന്മാരുടെ ശബ്‍ദവുമായി ന്യൂറൽ മെഷീൻ ലേണിങ് ചെയ്ത്  മാറ്റുന്നു. നമ്മെ വിട്ടു പിരിഞ്ഞ പ്രഗല്ഭരായ കലാ പ്രവർത്തകരുടെ ശബ്ദത്തിലെ സ്വഭാവം പൂർണമായും സാങ്കേതിക വിദ്യയുടെ സഹായത്തോടെ ഇപ്രകാരം വീണ്ടെടുക്കാൻ സാധിക്കും.