शाज़म गाना क्यों नहीं पहचानता: संगीत पहचान कैसे काम करती है

शाज़म किसी क्लिप की आवाज़ को डिजिटल फ़िंगरप्रिंट में कैसे बदलता है

अगर शाज़म या ऐसा ही कोई ऐप किसी क्लिप में साफ़ बज रहे किसी गाने को नहीं पहचान पाता, तो इसकी वजह ज़रूरी नहीं कि ऐप ने धुन "सुनी नहीं" हो: हो सकता है वह रिकॉर्डिंग सेवा के कैटलॉग में मौजूद ही न हो, क्लिप की आवाज़ बदली गई हो — तेज़, धीमी या किसी दूसरे ट्रैक के साथ मिक्स — या फिर सैंपल ही बहुत छोटा या शोरगुल से भरा हो। एल्गोरिदम बनाने वाले एवरी वैंग के विवरण और Apple के आधिकारिक दस्तावेज़ों के अनुसार, शाज़म धुन को अपने आप में नहीं खोजता, बल्कि आवाज़ के डिजिटल फ़िंगरप्रिंट का मिलान सेवा के कैटलॉग में पहले से मौजूद किसी ख़ास रिकॉर्डिंग से करता है। यह फ़िंगरप्रिंट रिकॉर्डिंग के स्पेक्ट्रोग्राम के शिखर-बिंदुओं के एक "नक्षत्र" और उन बिंदुओं की जोड़ियों से निकाले गए हैश के सेट के रूप में बनता है — इस तरह उस ख़ास फ़ोनोग्राम के लिए एक संक्षिप्त कोड तैयार होता है। इसके बाद खोज अर्थ या इंसान द्वारा पहचानी जा सकने वाली धुन पर नहीं, बल्कि डेटाबेस की किसी रिकॉर्डिंग से इन हैश के ठीक मिलान पर चलती है।

Apple इसी सिद्धांत को सरल शब्दों में बताता है: ऐप आवाज़ का एक अनोखा डिजिटल फ़िंगरप्रिंट बनाता है और उसका मिलान करोड़ों ट्रैक के कैटलॉग से करता है। डेवलपर्स के लिए एक अलग टूल है — ShazamKit — जो आवाज़ का मिलान न सिर्फ़ शाज़म के सामान्य कैटलॉग से, बल्कि डेवलपर की अपनी अपलोड की गई ऑडियो लाइब्रेरी से भी कर सकता है — जैसे किसी ख़ास वीडियो या पॉडकास्ट के ट्रैक; Apple के अनुसार, आवाज़ Apple को कभी नहीं भेजी जाती, और ऑडियो सिग्नेचर को वापस आवाज़ में नहीं बदला जा सकता। शाज़म Apple की कंपनी है: कंपनी की आधिकारिक प्रेस विज्ञप्ति के अनुसार, यह सौदा 24 सितंबर 2018 को पूरा हुआ था।

लाइव परफ़ॉर्मेंस और स्टूडियो रिकॉर्डिंग — एल्गोरिदम के लिए दो अलग वस्तुएं

वैंग अपने 2003 के शोधपत्र में सीधे कहते हैं कि यह एल्गोरिदम डेटाबेस में पहले से मौजूद फ़ाइलों को पहचानने के लिए बनाया गया है, और इसे लाइव परफ़ॉर्मेंस की रिकॉर्डिंग पर भी वैसे ही लागू होने के लिए डिज़ाइन नहीं किया गया। व्यवहार में इसका मतलब है: अगर कैटलॉग में किसी गाने का स्टूडियो वर्शन है, लेकिन पहचानी जा रही रिकॉर्डिंग उसी गाने के लाइव कॉन्सर्ट प्रदर्शन की है, तो मिलान न मिले — क्योंकि एल्गोरिदम के लिए ये दो अलग वस्तुएं हैं, भले ही कोई इंसान धुन को तुरंत पहचान ले। यह उस बात जैसा नहीं है कि "फ़ोन के माइक से रिकॉर्ड की गई आवाज़ के साथ ठीक से काम नहीं करता": उसी शोधपत्र के अनुसार, एल्गोरिदम शुरू से ही ठीक इसी स्थिति के लिए बनाया गया था — बैकग्राउंड शोर के बीच फ़ोन के माइक से पकड़ी गई आवाज़, न कि स्टूडियो की ख़ामोशी।

साथ ही, वैंग के विवरण के अनुसार, यह सिस्टम इस बात के प्रति बेहद संवेदनशील है कि ठीक कौन-सा वर्शन बजा था: 2003 के शोधपत्र में एल्गोरिदम बनाने वाले के अनुसार, यह एक परफ़ॉर्मेंस को दूसरे से अलग पहचान सकता है, भले ही यह अंतर इंसानी कान को सुनाई न दे — यानी एक ही कलाकार के एक ही गाने की कई मिलती-जुलती रिकॉर्डिंग को यह गड़बड़ नहीं करता। उसी शोधपत्र में सिस्टम की ग़लत पहचान (false positives) का भी ज़िक्र है — लेखक के अनुसार, अक्सर पता चलता था कि एल्गोरिदम असल में ग़लत नहीं था, बल्कि सैंपलिंग या धुन उधार लेने के किसी असली मामले को पकड़ रहा था। इसलिए स्रोत यह दावा करने का आधार नहीं देते कि वर्शन गड़बड़ाना सिद्धांततः असंभव है — बस इतना कि वर्शन के बीच फ़र्क़ करना एल्गोरिदम के अपने तर्क में ही शामिल है।

शाज़म के कैटलॉग तक ट्रैक का रास्ता: अधिकृत डिस्ट्रीब्यूटर और संपादकीय अपवाद

रीमिक्स या घर पर बनाई गई क्लिप अलग तरह से क्यों काम करती है, यह समझने से पहले यह जानना ज़रूरी है कि कोई ट्रैक शाज़म के कैटलॉग में पहुँचता कैसे है। Apple के आधिकारिक गाइड के अनुसार, किसी गाने को शाज़म और Apple Music में शामिल होने के लिए, अधिकार धारक को Apple द्वारा अधिकृत डिस्ट्रीब्यूटर के साथ काम करना होता है — यानी रिकॉर्डिंग को कंटेंट सप्लाई के मानक चैनल से गुज़रना होता है, सिर्फ़ कहीं बज जाने से काम नहीं चलता।

वही Apple गाइड साफ़ कहता है कि कंपनी संपादकीय कारणों से कैटलॉग से कुछ कंटेंट हटा भी सकती है, जिसमें भ्रामक कंटेंट और कॉपीराइट उल्लंघन शामिल हैं। Apple ख़ुद जिन उदाहरणों का ज़िक्र करता है उनमें एक फ़ाइल में बने डीजे मिक्स, मेगामिक्स, ऑडियो के टुकड़े, और TikTok, SoundCloud, Instagram व YouTube से लिए गए एडिट किए हुए वायरल क्लिप शामिल हैं। दूसरे शब्दों में, डिस्ट्रीब्यूटर से गुज़रना भी इस बात की गारंटी नहीं देता कि कोई ख़ास वर्शन कैटलॉग में दिखता रहेगा।

आधिकारिक रीमिक्स और घर पर बनाई तेज़ की गई क्लिप के बीच फ़र्क़

इससे एक व्यावहारिक सीमा सामने आती है, जिसे शाज़म को "ख़राब" कहने से पहले ध्यान में रखना चाहिए। अगर कोई रीमिक्स, कवर या तेज़ किया गया ("sped up") वर्शन किसी अधिकृत डिस्ट्रीब्यूटर के ज़रिए आधिकारिक रूप से अलग ट्रैक के रूप में रिलीज़ होता है, तो सिद्धांततः उसे कैटलॉग में अपनी अलग एंट्री मिल सकती है और वह पहचाना जा सकता है — लेकिन अपने ही नाम से, ओरिजिनल के विकल्प के रूप में नहीं। घर पर बनाया गया वर्शन — जो सिर्फ़ किसी एक क्लिप के लिए तेज़ या धीमा किया गया हो और कभी कहीं रिलीज़ न हुआ हो — अलग तरह से काम करता है: यह किसी डिस्ट्रीब्यूटर से नहीं गुज़रता और कैटलॉग में इसकी अलग एंट्री नहीं बनती।

तकनीकी रूप से, स्पीड और पिच बदलने से स्पेक्ट्रोग्राम पर शिखर-बिंदुओं की जगह बदल जाती है, और साथ ही उनसे बनने वाले हैश भी — इसलिए यह उम्मीद करना तर्कसंगत है कि ऐसे वर्शन का ओरिजिनल रिकॉर्डिंग के हैश से मिलान कम संभावित हो जाएगा। लेकिन यह बताए गए तंत्र से निकाला गया एक अनुमान है, अलग से मापा गया नतीजा नहीं: वैंग का 2003 का शोधपत्र एल्गोरिदम की शोर और कम्प्रेशन के प्रति मज़बूती जाँचता है, न कि टेम्पो या पिच में बदलाव के प्रति, और इस लेख में इस्तेमाल किए गए किसी भी स्रोत में शाज़म, गूगल या साउंडहाउंड के आज के वर्शन के लिए यह अंकों में नहीं बताया गया कि ऐसा घर पर बना वर्शन कितनी बार फिर भी पहचाना या न पहचाना जाता है।

एल्गोरिदम बनाने वाले का पुराना प्रयोग: सैंपल की लंबाई और शोर का स्तर

इस विषय पर एक पुराना और ज़्यादा मापने योग्य अध्ययन मौजूद है — लेकिन रीमिक्स को लेकर नहीं, बल्कि सैंपल की लंबाई और बैकग्राउंड शोर को लेकर। एल्गोरिदम बनाने वाले द्वारा लगभग 10,000 ट्रैक के परीक्षण डेटाबेस पर किए गए एक नियंत्रित प्रयोग में, सिग्नल-टू-नॉइज़ अनुपात घटने और सैंपल की लंबाई कम होने के साथ पहचान अनुमानित रूप से घटती गई: बिना कम्प्रेशन वाले 15, 10 और 5 सेकंड के सैंपल के लिए 50% पहचान की सीमा क्रमशः लगभग −9, −6 और −3 dB SNR पर पहुँची, और GSM कोडेक से कम्प्रेस करने के बाद यह सीमा लगभग −3, 0 और +4 dB पर पहुँची।

यह एल्गोरिदम के किसी एक पुराने वर्शन पर किया गया 2003 का अध्ययन है, न कि 2026 के मौजूदा ऐप का परीक्षण, इसलिए ये ठीक-ठीक आँकड़े आज के शाज़म पर लागू नहीं किए जा सकते। इस लेख में इन्हें सिर्फ़ एक पैटर्न के स्रोत के तौर पर दिया गया है: सैंपल जितना छोटा और शोरगुल भरा होगा, एल्गोरिदम की बनावट के तर्क के अनुसार मिलान की संभावना उतनी ही कम होगी — यह 2003 में बताए गए एल्गोरिदम का एक गुण है; मौजूदा वर्शन इसी तरह बना है और काम करता है या नहीं, यह Apple ने कहीं प्रकाशित नहीं किया, और इसके लिए डेसिबल की ठीक सीमाएं अज्ञात हैं।

शाज़म ऐप के भीतर स्वचालित पहचान और ऑफ़लाइन मोड

मैन्युअल शुरुआत के अलावा, शाज़म के पास बटन दोबारा दबाए बिना संगीत पकड़ने के कई अंतर्निहित तरीके हैं। ऑटो शाज़म फ़ीचर मैन्युअल शुरुआत का इंतज़ार किए बिना उपयोगकर्ता के आसपास संगीत को लगातार पहचानने की कोशिश कर सकता है: Apple के मौजूदा गाइड के अनुसार, iPhone, iPad और Apple Vision Pro पर यह ऐप के भीतर शाज़म बटन को देर तक दबाए रखने से चालू होता है, और Android वर्शन किसी दूसरे ऐप पर स्विच किए जाने पर भी आवाज़ का शाज़म के डेटाबेस से मिलान करता रहता है। ऑटो शाज़म से अलग, iPhone और iPad पर कंट्रोल सेंटर से एक बार की पहचान तक तुरंत पहुँच मिलती है — ठीक वहीं जहाँ Mac और Apple Watch पर मिलती है, बस "Recognize Music" बटन के ज़रिए।

Apple जिस ऑफ़लाइन व्यवहार का ज़िक्र करता है वह शाज़म ऐप के सामान्य इस्तेमाल पर लागू होता है, सिर्फ़ ऑटो शाज़म पर नहीं: अगर रिकॉर्डिंग के समय इंटरनेट कनेक्शन नहीं था, तो भी ऐप आवाज़ का डिजिटल फ़िंगरप्रिंट बना लेता है और नेटवर्क वापस आने पर बाद में मिलान सुझाता है — यह बात iPhone/iPad और Android, दोनों वर्शन के लिए पुष्टि की गई है। हेडफ़ोन को लेकर एक अलग शर्त है: Apple के गाइड के अनुसार, iPhone और iPad पर शाज़म हेडफ़ोन या हेडसेट से बज रहे ट्रैक को उस समय पहचान नहीं सकता अगर उस वक़्त इंटरनेट कनेक्शन न हो — इस स्थिति में ऑफ़लाइन मोड मदद नहीं करता।

एक अलग खोज सिद्धांत: गुनगुनाई गई धुन से गूगल गाना कैसे खोजता है

अगर शाज़म ने ट्रैक नहीं खोजा, तो इसका मतलब यह नहीं कि कोई भी टूल उसे नहीं खोज पाएगा। गूगल के मोबाइल ऐप में एक अलग "Search a song" फ़ीचर है: गूगल के अपने निर्देशों के अनुसार, यह या तो कोई रिकॉर्डिंग बजाने देता है या धुन गुनगुनाने, सीटी बजाने या गाने देता है — यानी यह खोज का एक दूसरा तरीक़ा देता है, जो ओरिजिनल फ़ोनोग्राम से ठीक-ठीक मिलान पर निर्भर नहीं है।

गूगल के इंजीनियरों के विवरण के अनुसार, गुनगुनाने से पहचानने वाला यह मोड किसी ख़ास ऑडियो रिकॉर्डिंग का फ़िंगरप्रिंट नहीं बनाता, बल्कि स्पेक्ट्रोग्राम से धुन का एक संक्षिप्त डिजिटल रूप बनाता है और उसका सीधा मिलान ओरिजिनल रिकॉर्डिंग से करता है, बिना डेटाबेस में किसी बीच के "गुनगुनाए हुए" नमूने के। इस फ़ीचर के लॉन्च के साथ आए 2020 के विवरण में, गूगल बताता है कि मॉडल को बैकग्राउंड शोर की तरह ही ऐसे अंतर नज़रअंदाज़ करना सिखाने के लिए बेतरतीब ढंग से बदले गए पिच और टेम्पो वाली प्रशिक्षण रिकॉर्डिंग का इस्तेमाल किया गया — भले ही व्यवहार में एक ही धुन की दो प्रस्तुतियाँ सुर (key) में भी अलग हो सकती हैं। यह फ़ीचर गूगल के उन पुराने सिस्टम पर आधारित है जो पहले से बज रहे संगीत को पहचानते थे। दूसरे शब्दों में, शाज़म का फ़िंगरप्रिंट कैटलॉग से न मिल पाना यह नहीं बताता कि धुन को किसी और तरीक़े से सिद्धांततः पहचाना ही नहीं जा सकता।

साउंडहाउंड: अपनी सुविधाओं की सूची वाली एक अलग पहचान सेवा

SoundHound Inc. एक अलग ऐप, SoundHound, पेश करता है, जो अपने App Store विवरण और प्रोडक्ट पेज के अनुसार, आसपास बज रही रिकॉर्डिंग और उपयोगकर्ता द्वारा आवाज़ में गाई या गुनगुनाई गई धुन, दोनों को स्वीकार करता है।

इस लेख के लिए देखे गए स्रोतों — ऐप के आधिकारिक पेज और इसके App Store विवरण — से केवल समर्थित ऑडियो-इनपुट तरीक़ों की सूची पता चलती है: रिकॉर्डिंग बजाना, या आवाज़ में गाना या गुनगुनाना; ये स्रोत यह नहीं बताते कि SoundHound तकनीकी रूप से मिलान कैसे करता है।

जब ऐप क्लिप पहचान न पाए तो व्यावहारिक कदम

जब जवाब सामान्य समझ के लिए नहीं बल्कि अभी और यहीं चाहिए हो, तो कदमों का एक तर्कसंगत क्रम यह हो सकता है। अगर क्लिप उसी डिवाइस पर देखी जा रही है जिस पर शाज़म इंस्टॉल है, और उस वक़्त इंटरनेट कनेक्शन मौजूद है, तो पहले डिवाइस पर ही पहचान आज़माना बेहतर है: iPhone और iPad पर शाज़म हेडफ़ोन या हेडसेट से सुने जा रहे संगीत को पहचान सकता है, और Android पर डिवाइस पर ही ध्वनि पहचानने का एक मोड मौजूद है — हेडफ़ोन के साथ या बिना — साथ ही Pop-Up Shazam फ़ीचर, जो Apple के अनुसार, उसी ऐप के भीतर बज रहे संगीत को पहचानता है जिसे देखा जा रहा है। Android पर एक और विकल्प है, अगर डिवाइस पर उपलब्ध हो तो Circle to Search के ज़रिए गाना खोजना।

अगर यह काम न करे, या संगीत फ़ोन से नहीं बल्कि आसपास कहीं से बज रहा हो, तो गूगल के "Search a song" फ़ीचर से वही धुन गुनगुनाने या सीटी बजाने की कोशिश करनी चाहिए — यह खोज का एक अलग सिद्धांत है, जो ओरिजिनल फ़ोनोग्राम के ठीक-ठीक फ़िंगरप्रिंट पर निर्भर नहीं है। इसके अलावा SoundHound खोलकर उसी तरह दोबारा कोशिश की जा सकती है — आवाज़ में धुन गाना या गुनगुनाना, या माइक्रोफ़ोन के पास रिकॉर्डिंग बजाना।

अगर यह शक हो कि बज रहा गाना कोई आधिकारिक रीमिक्स या तेज़ किया गया वर्शन है, तो स्ट्रीमिंग सेवाओं पर क्लिप के शीर्षक या बनाने वाले के नाम से ट्रैक खोजना समझदारी है — ऐसा वर्शन अपने ही शीर्षक से कैटलॉग में हो सकता है, जो अपेक्षित ओरिजिनल से अलग हो। और सिर्फ़ तभी जब रिकॉर्डिंग डिवाइस के बिल्ट-इन माइक्रोफ़ोन से हुई हो (हेडफ़ोन से नहीं) और उस वक़्त इंटरनेट न हो, तब कनेक्शन का इंतज़ार करना समझदारी है: iPhone, iPad और Android पर शाज़म बाद में नेटवर्क आने पर मिलान सुझाएगा, बशर्ते फ़िंगरप्रिंट पहले ही बन चुका हो और ट्रैक कैटलॉग में मौजूद हो। हेडफ़ोन या हेडसेट के ज़रिए ऑफ़लाइन मोड बिल्कुल मदद नहीं करता — Apple के गाइड के अनुसार, इस स्थिति में सुनते वक़्त सक्रिय नेटवर्क ज़रूरी है। इस लेख का आधार बनने वाला कोई भी स्रोत ऐसा सार्वभौमिक तरीक़ा नहीं बताता जो हर हाल में हर क्लिप के लिए काम करे।