जानिए कैसे आपके कार का वॉइस कमांड आपके बोले गए ऑर्डर को फॉलो करता है   

यह आवाज की नहीं बल्कि जब हम कुछ कहते हैं, तो उससे निकलने वाली ध्वनि तरंगों के हिसाब से काम करता है। आवाज हवा के दबाव में छोटे छोटे बदलावों के द्वारा पैदा होती है और यह हमारे कान में ध्वनि की एक निरंतर तरंग के रूप में प्रवेश करती है लेकिन कंप्यूटर इंसानों की तरह नहीं होते हैं। उन्हें शब्दों को सुनने के लिए एक अलग तरीके की जरूरत होती है और वो इन शब्दों को टेक्स्ट में तब्दील कर देते हैं। इसलिए जब हमारी आवाज उन मशीनों में जाती है जो हम प्रयोग करते हैं तो मशीन इन ध्वनि तरंगों को मापता है और इन्हें स्टोर करता है।

हर आवाज के साथ वह बार-बार यह प्रक्रिया दोहराता है। इसके परिणामस्वरूप आप जो बोलते हैं, वह आवाज कंप्यूटर द्वारा समझे जाने वाली भाषा में डिजिटाईज हो जाता है। इसके लिए एक बिल्कुल सटीक प्रक्रिया की जरूरत होती है। 
 

जब एक बार डिजिटल रूप में आवाज रिकॉर्ड कर ली जाती है तब कंप्यूटर एलगोरिदम के माध्यम से फैसला करता है कि इसे किन साउंड्स पर ध्यान देना है। डिजिटाईज़्ड साउंड में से कौन सी आवाज शब्दों की है और कौन सी कार के इंजन या रेडियो की नहीं, यह पता लगाने के लिए कंप्यूटर सेकंड्स में कई कैलकुलेशन एक ही वक्त पर करके यह तय करता है कि कौन सा साउंड शब्द है और कौन सा नहीं।
 

आवाज की पहचान स्पीच को छोटे-छोटे हिस्सों में बांटकर की जाती है, जिन्हें फीनोम कहते हैं। सिर्फ इंग्लिश में लगभग 40 अलग-अलग फीनोम हैं। कंप्यूटर यह पहचानने के लिए ट्रेंड होता है कि हर स्पीच सेगमेंट डिजिटल रूप में कैसा दिखेगा, लेकिन वो हमेशा एक से नहीं होते। उदाहरण के लिए आवाज अलग-अलग एक्सेंट तथा स्पेलिंग के साथ बदलती हैं। डिक्शनरी में शब्द के क्रम और उसके इस्तेमाल के संबंध के आधार पर आपके गैजेट में कंप्यूटर यह कल्पना कर सकता है कि आप क्या कह रहे हैं। इसलिए यदि आपकी दोस्त मैरी आपके कॉन्टैक्ट की सूची में है तब कमांड मैरी उस कॉंटेक्ट में सेव नाम के लिए होगा ना कि किसी शादी वाले 'मैरी' के लिए। 

 

एक स्पीच की स्ट्रीम में शब्द के कई सारे जोड़े हो सकते हैं क्योंकि तेजी से बोलते वक्त कई सारे फोनीम्स एक से सुनाई पड़ते हैं। कभी कभी ऐसे शब्दों की एक पूरी सीरीज बन जाती है, जिसका कोई अर्थ नहीं निकलता। इस प्रॉब्लम को दूर करने के लिए कंप्यूटर सिस्टम इस आधार पर मॉडल का प्रयोग करता है कि लोग असल में कैसे बात करते हैं और पहचानने की कोशिश करता है कि एक शब्द के बाद कौन सा शब्द आएगा।