گفتار اور آواز کی ٹیکنالوجیز

انگریزی صفحے کا خودکار ترجمہ، جو ابھی تک کسی مقامی بولنے والے کے ذریعے جانچا نہیں گیا۔

گفتار اور آواز کی ٹیکنالوجیز — AI نظاموں کا وہ خاندان جس میں بولی جانے والی نالی تعامل اٹھاتی ہے: خودکار گفتار شناسی (ASR) جو یہ ریکارڈ، تجزیہ اور درجہ بندی کرتی ہے کہ سیکھنے والا کیا کہتا ہے؛ متن سے گفتار (TTS) جو بیان کردہ یا مکالمے کی صورت میں ہدایت پیدا کرتی ہے؛ آواز-اول ایجنٹ جو سیکھنے والوں کے ساتھ حقیقی وقت میں بولی جانے والی گفتگو کرتے ہیں؛ اور زبانی کارکردگی کی خودکار گرفت اور درجہ بندی۔ جہاں گفتگو والا AI کی تحقیق زیادہ تر متنی چیٹ بوٹس کے بارے میں ہے اور زبان سیکھنا دوسری زبان کی پیڈاگوجی کو وسیع طور پر محیط ہے، یہ صفحہ خود آواز کے پیچھے چلتا ہے — گفتاری انٹرفیس سیکھنے کے بارے میں کیا بدلتا ہے، اس کی کیا قیمت ہے، اور جب انٹرفیس اسکرین کے بجائے آواز ہو تو کس کو شامل کرتا ہے اور کس کو خارج۔

غور کرنے کے لیے سوالات

• ASR فیڈبیک کمزور سیکھنے والوں سے زیادہ مضبوط کی مدد کرتا ہے: 325 چینی انڈرگریجویٹس کے ایک سروے میں، عکاسی والے رویے اور محرک کا فائدہ کم مہارت پر کمزور اور غیر نمایاں تھا اور اوسط و اعلیٰ سطحوں پر نمایاں طور پر بڑھ گیا۔ اگر کوئی اوزار اوسط بڑھاتے ہوئے خلا وسیع کر دے، تو کیا یہ کامیابی ہے؟
• TTS بیان نے فہم، یکسوئی اور مجموعی جانچ پر استاد کی اپنی آواز کا مقابلہ کیا — مگر مکالمے کی صورت والی TTS نے فہم اور علمی شمولیت پر یک گویا TTS کو ہرایا جبکہ کم فطری لگی۔ کسی تصور کے پہلے تعارف کے لیے کون سی چنیں گے، اور گھنے مرحلہ وار طریقہ کار کی وضاحت کے لیے کون سی؟
• دو دریافتیں وجدان کے خلاف ہیں: جن طلبہ نے ترجمانی کے کاموں میں AI کے نتیجے کو سب سے زیادہ پڑھا، ان کی تقریر کی روانی سب سے کمزور تھی، اور جس سیکھنے والے نے دو الفاظ میں جواب دیا اسے درست قرار دیا گیا جبکہ زیادہ مکمل زبانی جواب کو نشان زد کیا گیا۔ گفتاری انٹرفیس فہم کے بجائے زبانی روانی کتنی ناپتا ہے؟
• برطانوی لہجے والے آواز ایجنٹ کو اوزار سمجھا گیا، جبکہ ہندوستانی اور افریقی-امریکن لہجوں والے ایجنٹوں کو انسانیت دی گئی اور K-12 گروہی کام میں ساتھیوں کی طرح سلوک کیا گیا۔ اگر لہجہ بدلتا ہے کہ سیکھنے والا ایجنٹ سے کیسے جڑتا ہے، تو کون فیصلہ کرے کہ تعلیمی مصنوع کس آواز کے ساتھ جاری ہو؟
• آواز-اول اور آف لائن نظام بنیادی طور پر ان سیکھنے والوں تک پہنچنے کے لیے ہیں جنہیں اسکرین پر مبنی ایڈ ٹیک نے خارج کر دیا — نابینا بچے، بہرے اور کم سننے والے سیکھنے والے، ایسی ورکشاپوں کے سیکھنے والے جہاں کوئی کنیکٹیویٹی نہیں۔ رسائی کو کسی گفتاری مصنوع کی ابتدائی مفروضہ بنانے میں، بعد کی مرمت کے بجائے، کیا درکار ہوگا؟
• اس صفحے کا تقریباً ہر دعویٰ ایک مختصر، ایک ہی مقام، خود رپورٹ مطالعے سے آتا ہے جس میں پیشکش کی ترتیب مقرر ہے۔ ان دریافتوں میں سے کس پر آپ اتنا بھروسا کریں گے کہ تکرار سے پہلے اپنی جانچ یا سبق کا ڈیزائن بدل دیں؟

تعارف

گفتار سب سے پرانا تعلیمی انٹرفیس ہے اور AI کے لیے سب سے نیا۔ جو نظام سنتے اور بولتے ہیں وہ اب زبان کی کلاسوں، پیشہ ورانہ ورکشاپوں اور ہائی اسکول کی تحقیقی سبقوں میں بیٹھے ہیں۔ وہ معمول کی وجہ سے کشش رکھتے ہیں — گفتار تیز ہے، ہاتھ اور آنکھ کے بغیر چلتی ہے، اور وہی واسطہ ہے جس میں تلفظ، روانی اور زبانی استدلال رہتے ہیں — اور ایک نئی وجہ سے بھی: وقت کی حد والا زبانی جواب کسی متنی جنریٹر کو سونپنا مشکل ہے، جو بولی جانے والی نالی کو تحریری جانچ پر علمی سالمیت کے دباؤ کا ممکنہ جواب بناتا ہے۔

یہاں کی تحقیق چار جھرمٹوں میں بٹتی ہے: ASR تلفظ فیڈبیک، TTS سے پیدا کردہ ہدایت، آواز-اول اور بولی جانے والی مکالمہ ساتھی، اور AI کی معاونت والی زبانی جانچ۔ چاروں میں سے گزرنے والا سوال مساوات کا ہے — گفتاری انٹرفیس ایک رکاوٹ ہٹاتے ہیں (بصارت، پڑھنے کی رفتار، ٹائپ شدہ خواندگی) جبکہ دوسری لاتے ہیں (لہجہ، شناخت کی درستگی، ہارڈ ویئر، کنیکٹیویٹی)۔

ASR اور تلفظ کا فیڈبیک

ASR کے کام کا سب سے مستقل پیغام یہ ہے کہ اوزار علاج نہیں — فیڈبیک کا ڈیزائن علاج ہے۔ Chen et al. (2026) نے ایک چینی اساتذہ تربیتی یونیورسٹی میں 325 انڈرگریجویٹس کا سروے کیا اور درستگی، استعمال کی تعدد، فیڈبیک کے معیار اور عکاسی والے کام کے ڈیزائن کو عکاسی والے رویے اور داخلی محرک کے خلاف ماڈل کیا، پھر بولنے کی بہتری کے خلاف۔ درست غلطی کی تصحیح اور منظم عکاسی کے کاموں نے فیڈبیک کے اندرونی ہونے اور عکاسی دونوں کو آگے بڑھایا۔ زیادہ کثرت سے استعمال نے عکاسی بڑھائی مگر محرک پر کوئی الگ اثر نہ ڈالا۔ شناخت کی درستگی نے محرک بڑھایا، غالباً اوزار پر بھروسا بنا کر، مگر خود گہری پروسیسنگ کو شروع نہ کیا — سیکھنے والا نشان زد غلطی کو رجسٹر کر سکتا ہے بغیر اس کی وجہ کا تجزیہ کیے۔ عکاسی بولنے کے فائدوں کی زیادہ مضبوط پیش گو تھی، اور مہارت نے دونوں راستوں کو معتدل کیا: کم مہارت پر کمزور اور غیر نمایاں، اوسط و اعلیٰ سطحوں پر نمایاں طور پر مضبوط۔ اس سے نکلنے والا مشورہ یہ ہے کہ غلطیوں کو نشان زد کرنے کے بجائے تلفظی طور پر سمجھایا جائے، پیچیدگی تیاری کے ساتھ بڑھائی جائے، اور تصحیح کو حوصلہ افزا انداز میں پیش کیا جائے۔

دوسرا رخ پوچھتا ہے کہ کیا AI تلفظ فیڈبیک سیکھنے والوں کے بولنے کے رجحان کو بدلتا ہے۔ Lu et al. (2026) نے 1,701 چینی یونیورسٹی EFL سیکھنے والوں کا سروے کیا اور کوویریئنس پر مبنی ساختی مساوات ماڈلنگ، تعصب درست کرنے والے بوٹ اسٹریپنگ کے ساتھ، استعمال کر کے جانچا کہ جنریٹو AI تلفظ فیڈبیک کے ادراک کا بات کرنے کی آمادگی سے تعلق ہے یا نہیں، تلفظ کی خود اعتمادی کو واسطے کے طور پر لے کر۔ تعلق مثبت تھا، اور خود اعتمادی نے اسے جزوی طور پر واسطہ بنایا: بالواسطہ راستہ کل اثر کا 69.9% تھا جبکہ براہِ راست اثر بھی باقی رہا۔ تمام عناصر ایک ہی وقت میں خود رپورٹ تھے، اس لیے مطالعہ ایسا میکانزم بیان کرتا ہے جسے سیکھنے والے محسوس کرتے ہیں، نہ کہ وہ جسے ہیر پھیر کیا گیا۔

خودکار تلفظ فیڈبیک غلطی کے لیبلوں کے بغیر بھی بنایا جا سکتا ہے۔ Kawamura (2026) Profy بیان کرتا ہے، جو خود نگرانی والی سیکھنے کے ذریعے زیادہ تر بلا تشریح گفتار سے سیکھتا ہے کہ اچھا اور ناقص تلفظ کیسا ہوتا ہے، پھر سیکھنے والوں کو دکھاتا ہے کہ ویوفارم کے کون سے حصے فیصلے کا سبب بنے اور ان کی صوتیات مقامی بولنے والوں کی تقسیم سے کتنی دور ہے۔ انگریزی سیکھنے والے 10 جاپانی طلبہ کے ساتھ، جنہیں پانچ امریکی سننے والوں نے درجہ دیا، فہم بہتر ہوا، اور نکالنے والی نقل کے مقابلے میں مشق سے پہلے اور بعد کے اعتماد کے وقفے اوپر نہ چڑھے — چھوٹا نمونہ، مگر ایسا جو دو ٹوک فیصلے کے بجائے کہاں اور کتنا بتاتا ہے۔

ASR کلاس روم میں دوسرا کردار بھی ادا کرتا ہے — بولی جانے والی اِدخال کو متن میں بدلنا جو سیکھنے والے پڑھیں۔ Stanchev (2026) نے پروٹین پر میڈیکل انگلش کورس بک کا 2,692 ٹوکن والا اقتباس ایک TTS آواز میں تیار کیا (15:27، کینیڈین خاتون) اور وہی آڈیو چار آن لائن ASR خدمات کو دیا، پھر لفظ کی غلطی کی شرح (WER) اور کوریج (حوالہ کے مقابلے میں واپس آئے الفاظ کا حصہ) دونوں ناپی۔ دو مفت خدمات نے تقریباً مکمل نقول دیں (87.96% اور 88.34% کوریج، WER 15.23% اور 15.00%)، جبکہ دو ادائیگی والی خدمات نے صرف جھلکیاں برآمد کیں (32.76% اور 55.35% کوریج، WER 73.21% اور 48.77%)۔ پیمائش کا نکتہ یہ ہے کہ صرف WER دستیاب نہ ہونے والے متن کو غلط متن سے ملا دیتا ہے اور برآمد کی پابندی کو نقل کی ناکامی قرار دے گا، اس لیے کوریج کو غلطی کی شرح کے ساتھ رکھنا چاہیے۔ حذف ہر خدمت میں غالب رہے اور ساختی نشانات جیسے شکل کے حوالے اور صفحہ نمبروں پر جمع ہوئے، مگر مٹھی بھر معنی بدلنے والے متبادل — imino → amino، cystine → cysteine، protonated → protonatid، pH → phase — ہر ایک نے کوئی حیاتی کیمیائی حقیقت الٹ دی، اسی لیے مصنفین تین مرحلوں والا ورک فلو تجویز کرتے ہیں (اِدخال پیدا کریں، مکمل نقل برآمد کریں، شعبے کی اصطلاحات کی تصدیق کریں) اس سے پہلے کہ نقل سیکھنے والوں تک پہنچے، اور اسی لیے میڈیکل انگلش کے لیے اصطلاحات کا مرحلہ سب سے سستا گارڈ ریل ہے۔

درستگی کے فائدے بظاہر مقصد کے لیے بنائے گئے نظاموں کی خاصیت ہیں، خود بولی جانے والی نالی کی نہیں۔ دس مطالعات میں صرف زبان سیکھنے کے لیے بنائے گئے چیٹ بوٹس — Andy English bot اور Xiaoying — نے درستگی بہتر کی، ایک کنٹرول گروہ میں 14% غلطی کی کمی بمقابلہ علاج گروہ میں 38% (Soriano-Gonzalez & Belda-Medina (2026))۔ وہی جائزہ ASR کی لہجے والی گفتار اور غیر انگریزی ناموں پر ناکامی دستاویز کرتا ہے، بشمول ایسا بوٹ جو ویتنامی نام شناخت نہ کر سکا حالانکہ تلفظ درست تھا۔

TTS اور آواز سے پیدا کردہ ہدایت

پیدا کردہ بیان ریکارڈ شدہ استاد کا قابلِ عمل متبادل نکلا، اور دلچسپ فرق فارمیٹ کے اندر ہے، انسان اور مشین کے درمیان نہیں۔ Kumoi et al. (2026) نے تین مرحلوں والا، انسانی نگرانی والا پائپ لائن بنایا جس میں بڑے لینگویج ماڈلز (LLMs) سلائیڈز اور TTS کے لیے بہتر بنایا گیا بیان لکھتا ہے جبکہ معلم ہر مرحلے پر حقائق جانچتا ہے، پھر جاپان کے ایک صوبائی ہائی اسکول کے 245 پہلے سال کے طلبہ کے ساتھ درونِ فرد مطالعہ چلایا، استاد کی آواز والی ویڈیو، یک گویا TTS، اور ماہر-×-نوسکھیا مکالمہ TTS کے درمیان۔ فہم، یکسوئی اور مجموعی جانچ میں تینوں کے درمیان کوئی نمایاں فرق نہ تھا (p > .14، r < 0.11)، اور مساوات کی جانچ نے تینوں کو ±0.5 کے حاشیے میں رکھا: مصنوعی بیان نے تجربہ خراب نہیں کیا۔ مکالمے والا بیان فہم پر بہتر تھا (p = .006، r = .130)، گہری سوچ کی رپورٹ پر (p = .019، r = .121)، اور مواد کسی دوست کو سمجھا سکنے پر (p = .004، r = .152)، اور 66.9% نے اسے سب سے زیادہ لطف اندوز ہونے والا قرار دیا۔ دو احتیاطیں: مکالمے کی آڈیو نمایاں طور پر کم فطری درج ہوئی (r = −.238)، جو متعدد بولنے والوں کے اضافی بوجھ سے ہم آہنگ ہے، اور مکالمہ گروہ کم پیشگی علم کے ساتھ آیا (66.0% نے "بالکل کچھ نہیں" جاننے کی اطلاع دی بمقابلہ 34.1%)، جو اس کی برتری کو محتاط اندازہ بناتا ہے۔

فالو اپ دلیل دیتا ہے کہ فارمیٹ کو مواد سے نہیں، سیکھنے والے سے جوڑنا چاہیے۔ Watanabe et al. (2026) نے 222 پہلے سال کے ہائی اسکول طلبہ کو استاد–طالب علم (TS)، طالب علم–طالب علم (SS)، اور استاد–استاد (TT) مکالمے کے سبق دیے جو LLM نے بنائے اور TTS API سے آواز دی، اور استعداد-علاج تعامل کی نظر سے لکیری مخلوط اثرات کے ماڈل لگائے۔ TT نے TS سے زیادہ محرک بڑھایا، مگر اثر سیکھنے کے انداز پر منحصر تھا: ٹھوس تجربہ (Concrete Experience) عامل کے ساتھ تعامل مثبت تھا (b = 0.162، p < .001) جبکہ عکاسی اور تصور سازی والے عامل کے ساتھ تعامل منفی تھا (b = −0.238، p = .002)۔ TT نے TS سے نمایاں طور پر کم مجموعی جانچ بھی حاصل کی (b = −0.126، p = .005)، جسے مصنفین گھنے ماہر-بماہر تبادلے کے داخلی علمی بوجھ سے منسوب کرتے ہیں؛ آزاد جوابات TT میں "گفتار کی سختی" اور SS میں "بولنے کا غیر فطری انداز" بتاتے ہیں۔ دونوں TTS مطالعات فارمیٹ کو مواد کے ساتھ اور دیکھنے کی مقرر ترتیب کو الجھا دیتے ہیں، اس لیے ان کے اثرات کے حجم ابتدائی ہیں۔

آواز-اول ساتھی اور بولی جانے والی مکالمہ کے ساتھی

کیا بدلتا ہے جب مخاطب مشین ہو؟ Scheinberg et al. (2026) نے چار مقامات پر جرمن سیکھنے والے 78 یونیورسٹی طلبہ سے متوازن فرق تلاش کرنے کا کام انسانی ساتھی اور حقیقی وقت کے AI ساتھی دونوں کے ساتھ مکمل کروایا، پھر ڈائیرائزڈ ASR نقول کا تجزیہ کیا۔ انسانی مکالمہ تیز اور زیادہ متوازن تھا، بہت سے مختصر رخ کے ساتھ، جبکہ AI حالت معاون یک گوئی جیسی لگی — کم، لمبے رخ، گفتار میں سیکھنے والے کا چھوٹا حصہ، اور فی رخ زیادہ روانی۔ AI کی طویل، نحوی طور پر باقاعدہ اِدخال زیادہ قلیل مدتی اخذ اور اِدخال کے حجم کو قابو کرنے کے بعد زیادہ مضبوط نحوی پرائمنگ سے جڑی تھی، اور اطمینان سیکھنے والوں کی اپنی پیداواری روانی سے جڑا تھا، اس سے نہیں کہ انہوں نے کتنا اخذ کیا۔

آواز-اول ڈیزائن سہولت کے بجائے ضرورت بن جاتا ہے جب سیکھنے والا اسکرین استعمال نہ کر سکے۔ Kutti AI (Fadurudeen 2026) ایڈ ٹیک کے بصری مفروضے کو الٹ دیتا ہے تاکہ دنیا بھر کے اندازاً 1.4 ملین نابینا بچوں تک پہنچے: بچے نصاب کا مواد سنتے ہیں، بلند آواز میں جواب دیتے ہیں، اور بولی جانے والا فیڈبیک پاتے ہیں، بغیر کسی بصری انحصار کے۔ تین انتخاب ڈیزائن اٹھاتے ہیں — ایک ہلکا جدوجہد شناخت کرنے والا انجن جو جواب کی تاخیر، غلط کوششوں کی گنتی اور کلیدی الفاظ میں ہچکچاہٹ کے اشاروں کو ملا کر طے کرتا ہے کہ کب اشارہ دینا یا آسان کرنا ہے؛ بین الزبانی جواب ملانے کا پائپ لائن تاکہ کوڈ سوئچنگ اور تلفظ کے فرق کو سزا نہ دی جائے؛ اور آف لائن، ڈیوائس پر ASR کا راستہ جو کنیکٹیویٹی کی شرط ہٹا دیتا ہے۔ یہ نظاموں کا حصہ ہے، سیکھنے کے نتائج کی جانچ کے بغیر، اس لیے اس کے پیڈاگوجیکل دعوے مفروضے رہتے ہیں۔

لہجہ، اس دوران، سماجی نتائج والا ڈیزائن متغیر ہے۔ Ravi et al. (2026) نے 33 اساتذہ سے برطانوی، ہندوستانی اور افریقی-امریکن لہجے والی حالتوں میں GenAI آواز ایجنٹ کے ساتھ K-12 گروہی سیکھنے میں تعامل کروایا۔ برطانوی لہجے والے ایجنٹ کو زیادہ تر اوزار سمجھا گیا اور اس سے غیر وابستہ، افادیت پر مبنی طریقوں سے تعامل ہوا، جبکہ ہندوستانی اور افریقی-امریکن لہجے والے ایجنٹوں کو زیادہ آسانی سے انسانیت دی گئی اور ساتھیوں کے طور پر شامل کیا گیا، وقت کے ساتھ زیادہ بھروسا اور انحصار کے ساتھ۔ باری لینا، سوال کرنے کے انداز اور محسوس سماجی موجودگی سب لہجے کے ساتھ بدلے — جو آواز ایجنٹ کو غیر جانبدار وسیلہ سمجھنا آسان بناتی ہے، وہی اسے ساتھی کارکن کے طور پر نظر انداز کرنا بھی آسان بنا سکتی ہے۔

بولی جانے والے معاون اوزار کا زیادہ استعمال خود بخود بہتر نہیں۔ Kuang, Li and Weng (2026) نے 22 ترجمانی کے زیرِ تربیت افراد سے ASR اور مشینی ترجمے پر بنے نظاموں میں دو طرفہ کمپیوٹر کی معاونت والے مسلسل ترجمانی کے کام مکمل کروائے، آنکھ کی حرکت، قلمی نوٹ اور آواز کی پیداوار ریکارڈ کرتے ہوئے۔ چار تعامل کے نمونے ابھرے — Intensive Engagers، Fast Scanners، Traditionalists، اور Frequent Switchers — اور 58.3% مرحلہ وار مشاہدات نے ماخذ سمجھنے اور ہدف پیدا کرنے کے درمیان نمونہ بدل لیا۔ صرف فہم کے مرحلے کے نمونوں نے پیداوار کے معیار کی پیش گوئی کی، اور AI کے سب سے زیادہ استعمال والا جھرمٹ تقریر کی روانی (5.46 بمقابلہ 6.17–6.46) اور ہدف زبان کے معیار (5.70 بمقابلہ 6.35–6.67) پر سب سے کم رہا۔ AI کی نقل پڑھنے میں صرف ہونے والی توجہ وہ توجہ ہے جو اپنی نمائش بنانے میں صرف نہیں ہوتی؛ مصنفین مشورہ دیتے ہیں کہ سیکھنے والوں کو ایک مخصوص حکمت عملی تھمانے کے بجائے اپنی حکمت عملی پر غور کرنا سکھایا جائے، کیونکہ یہ نمونہ سامنے نہ لایا جائے تو نظر نہیں آتا۔

ایک پہلے سے رجسٹرڈ رینڈمائزڈ فیلڈ تجربہ اسی ٹیوٹر کے اندر بولی جانے والی نالی کا ٹائپ شدہ متن سے تقابل کرتا ہے اور پاتا ہے کہ سیکھنا ٹیوٹرنگ میں ہے، آواز میں نہیں۔ Yang, Van Alstyne and Dellarocas (2026) نے آن لائن-MBA کارپوریٹ فنانس ماڈیول کے 86 طلبہ کو کورس کے مواد پر استوار منظم ٹیوٹر اور ہولڈ آؤٹ کے درمیان بے ترتیب تقسیم کیا، پھر ہر ٹیوٹر شدہ طالب علم کی نالی ہفتہ وار آواز اور متن کے درمیان بدلی تاکہ تقابل ہر طالب علم کے اندر شناخت ہو: ہفتہ وار مہارت میں 11 میں سے −0.01 پوائنٹس کا فرق تھا (p = .98)، اور دو یک طرفہ ٹیسٹوں نے ±0.3 SD سے بڑا کوئی حقیقی فرق مسترد کر دیا۔ آواز نے عمل کو بدلا — 1.34 مکالمہ رخ فی منٹ بمقابلہ متن کے ہفتوں میں 0.75، اور 11.3 سوال بمقابلہ 4.6 — جبکہ سوچ کا وقفہ سمٹ گیا (آواز میں ٹیوٹر سے طالب علم تک جواب کا وسطی وقفہ 27 سیکنڈ بمقابلہ متن میں 54، جہاں ٹائپ شدہ رخ پہلی کلید سے پہلے 25.9 سیکنڈ اور لکھنے میں 13.9 سیکنڈ لگاتے تھے) اور گفتار کی نالی کی فراہمی 2.8 گنا مہنگی تھی، $0.22 فی آواز منٹ بمقابلہ $0.0165 فی متنی پیغام (پانچ ہفتوں میں 52 نشستوں کے لیے $413.46 آواز اور $149.13 متن)۔ اس شواہد پر آواز اپنانے اور شمولیت کا لیور ہے، انکوڈنگ کا نہیں — اور یہی وہ تجارت ہے جس کی قیمت ہر وہ ادارہ لگائے گا جو بولی جانے والی نالی شامل کرے۔

وہی آواز کا ڈھانچہ اب الٹ سمت کے لیے تجویز کیا جا رہا ہے: Tamme, Schilling & Hantel (2026) ElevenLabs پر مبنی ایسا ٹیلی فون ایجنٹ کا منصوبہ رکھتے ہیں جو طلبہ سے کسی کورس کے بارے میں 5–7 منٹ کی گفتگو میں، موافق جانچ کے ساتھ، انٹرویو کرے۔ ان کے مکمل ہو چکے میونخ پائلٹ نے عملی امکان قائم کیا؛ منصوبہ بند فیلڈ مطالعہ، MIT Sloan کے ایک کورس میں تقریباً 60 طلبہ کے ساتھ، ابھی کوئی نتیجہ رپورٹ نہیں کرتا۔

زبانی اور بولی جانے والی جانچ میں AI

زبانی جانچ ہمیشہ پیڈاگوجیکل طور پر مضبوط اور لاجسٹک طور پر مہنگی رہی ہے، اور گفتار کی ٹیکنالوجی اب لاگت کی طرف حملہ کرتی ہے۔ Pentland, Lowenthal and Krier (2026) غیر ہم وقتی زبانی جانچ (AOAs) بیان کرتے ہیں: عین وقت پر دیے گئے پرامپٹ، مختصر وقت کی حد والے ویب کیم جوابات جنہیں دوبارہ نہیں دیکھا جا سکتا، اور خود بنے نقول کے ساتھ اندرونی روبرک کے مطابق درجہ بندی۔ ایک ہی استاد کے پڑھائے گئے دو کورسز میں، بغیر شیڈولنگ کی رکاوٹ کے، طلبہ نے AOAs پر رو در رو کثیر الانتخابی امتحانات سے زیادہ اسکور حاصل کیے — مطالعہ 2 میں نمایاں طور پر (وسط مدتی وسطی 92.5 بمقابلہ 70، p < .001؛ حتمی 94.2 بمقابلہ 86.4، p = .002) اور مطالعہ 1 میں سمت کے طور پر، فارمیٹ کے درمیان معتدل ارتباط کے ساتھ (τ = .44؛ τ = .25، غیر نمایاں)۔ طلبہ زیادہ فعال تیاری کی طرف منتقل ہوئے، 90.91% نے فارمیٹ کو تحریری امتحانات سے زیادہ کام کی جگہ کی مواصلات کے قریب پایا، اور 81.82% نے مواد سے زیادہ فعال طور پر جڑنے کی اطلاع دی۔ مصنفین محتاط ہیں کہ یہ فارمیٹ کے اسکور کا فرق ہے، سیکھنے کے فائدے کا ثبوت نہیں، اور سالمیت کی برتری نتیجہ اخذ کی گئی ہے، ناپی نہیں گئی؛ LLM کے ساتھ دوبارہ درجہ بندی کی جانچ نے استاد کے اسکور کو منظم طور پر زیادہ پایا، معتدل سے اچھے اتفاق کے ساتھ (ICC 0.73 اور 0.60)، جو بطور اعتبار کی جانچ پیش کیا گیا، خودکار درجہ بندی کی توثیق کے طور پر نہیں۔

Fenton (2025) جائزے کی صورت میں دلیل فراہم کرتا ہے: چونکہ زبانی امتحانات حقیقی وقت اور تعاملی ہوتے ہیں، طلبہ پہلے سے جوابات بنا کر یاد نہیں کر سکتے، اور یہ فارمیٹ بلوم کی درجہ بندی کے اعلیٰ درجوں پر استدلال کھوجتا ہے، یادداشت پر نہیں۔ اس کے فائدے — ذاتی نوعیت، اصلیت، کام کے لیے تیاری، گہرا علم — نامزد قیمتوں کے ساتھ آتے ہیں: شیڈولنگ اور لاجسٹکس، سیکھنے والے کا اضطراب، اور صنف، نسل، زبان، جواب کی رفتار اور غیر نامعلوم درجہ بندی کے گرد تعصب کا خطرہ، حالانکہ شواہد بتاتے ہیں کہ زبانی امتحانات کچھ سیکھنے والوں کے لیے، بشمول ڈسلیکسیا والوں کے، تحریری امتحانات جتنے شامل کرنے والے ہو سکتے ہیں۔

دو نفاذ دکھاتے ہیں کہ ٹیکنالوجی کیا جوڑتی ہے۔ AkoVoice (Adams 2026) نے نیوزی لینڈ میں لیول 3 آٹوموٹو کی چار کلاسوں اور لیول 3 انجینئرنگ کی ایک کلاس کے 33 سیکھنے والوں کی جانچ کی، سیکھنے والوں کے اپنے فونز پر، ایک درمیانے درجے کے لیپ ٹاپ کے مقابل جو کھلے وزن والے ماڈل چلاتا تھا — Ollama کے ذریعے Mistral 7B، گفتار سے متن کے لیے faster-whisper، TTS کے لیے Chatterbox — اور بیک وقت 12 سیکھنے والوں تک کی جانچ ہوئی، کسی بھی موقع پر انٹرنیٹ کنیکشن کے بغیر۔ AI کو جج کے بجائے شواہد سامنے لانے والا بنایا گیا، جانچنے والے کا فیصلہ برقرار رکھتے ہوئے۔ سیکھنے والوں کا ردِ عمل مثبت تھا: 33 میں سے 21 (64%) نے کام کو حقیقت پسندانہ کہا، اور 33 میں سے کسی نے بھی اس بات سے اتفاق نہیں کیا کہ تحریری پورٹ فولیو کے مقابلے حقیقی وقت میں بولنا غلط لگا۔ کارکردگی کا ڈیٹا زیادہ دلچسپ ہے۔ یکساں سوالات کے لیے الفاظ کی گنتی ہر کھیپ میں سیکھنے والوں کے درمیان پانچ سے آٹھ گنا تک مختلف رہی (93–523، 92–796، 309–811)، پھر بھی الفاظ کی کثرت نے بند سوالات پر درستگی کی پیش گوئی نہیں کی؛ نو سیکھنے والوں نے 2 سے 13 الفاظ میں جواب دیا اور سب درست قرار پائے، سب سے مختصر "3500 kgs" تھا، جبکہ زیادہ مکمل "the safe working load is three tons" کو 3.5 ٹن کے نشان زدہ رہنما کے مقابل نشان زد کیا گیا۔ قریبی ہارٹیکلچر (14 سیکھنے والے) اور ڈیری (11 سیکھنے والے) آزمائشوں نے ایجنٹ کے ابتدائی درجے اور انسانی ٹیوٹر کے درجے کے درمیان 95% مطابقت پائی۔ سوالات کی طرف، Aryadoust and Wong (2026) نے L2 سننے کے سوالات کے لیے تکراری پرامپٹ انجینئرنگ کا فائن ٹیوننگ سے تقابل کیا، 40 ٹیسٹ اور 240 کثیر الانتخابی سوالات پیدا کرتے ہوئے: پرامپٹ کی بہتری نے معیار بہتر کیا مگر سطح پر رک گئی، جبکہ بہتر بنائے گئے پرامپٹ پر GPT-4.1 کی فائن ٹیوننگ، پرامپٹ ڈیزائن کو مستقل رکھتے ہوئے، پیداوار کو مزید بہتر کیا۔ بولی جانے والی جانچ میں غلط چیز ناپنے کا خطرہ بھی ہے — Morphew et al. (2026) نقل شدہ گفتار کے ساتھ اشاروں کو ٹریک کرتے ہیں اور دلیل دیتے ہیں کہ صرف گفتار کی جانچ فہم کے جسمانی شواہد سے محروم رہ جاتی ہے، اس لیے روانی کو تصوراتی علم سمجھ لیا جا سکتا ہے۔

بولی جانے والی نالی میں رسائی اور مساوات

گفتار کی ٹیکنالوجی کا رسائی کا ریکارڈ ملی جلا ہے: وہی نالی جو ایک رکاوٹ ہٹاتی ہے، دوسری نصب کر سکتی ہے۔ بہرے اور کم سننے والے سیکھنے والے سب سے واضح عدم مطابقت ہیں۔ Chen et al. (2026) نے ویڈیو دیکھنے والے DHH سیکھنے والوں کے لیے LLM سوال پیدا کرنے کا نظام ڈیزائن کیا، زبان کی محرومی کے نظریے سے یہ سمجھاتے ہوئے کہ متنی پرامپٹ اشاروں پر مبنی پہلی زبانوں کے ساتھ کیوں ٹھیک نہیں بیٹھتا۔ اس نے Visual Questions (وہ وقت جن پر بصری معلومات کے غلط پڑھے جانے کا امکان ہو — تیز حرکت، بے ترتیب کیپشنز، گھنا آن اسکرین متن) اور Emotion Questions (وہ وقت جن پر پہلے DHH سیکھنے والوں نے مایوسی یا الجھن کی اطلاع دی) شامل کیے، اور سیکھنے والوں اور اساتذہ کے ساتھ 30 سوالات کے حتمی ذخیرے کو بہتر کیا۔ 16 صارفین کے ساتھ پروٹو ٹائپ نے خود اعتمادی بہتر کی (7 نکاتی پیمانے پر M = 5.70، SD = 1.12)، اور بہرے شرکا نے بصری سوالات کم سننے والے شرکا سے زیادہ بار چنے، جنہوں نے کیپشنز اتنی تیزی سے پڑھنے کی اطلاع دی کہ انہیں ضرورت نہ پڑی۔ یہاں رسائی کو پیداوار کے اندر بنانا پڑا، اس کے ساتھ جوڑنا نہیں۔

AkoVoice دو مساوات کے پہلو جوڑتا ہے جو شاذ و نادر ہی اکٹھے سامنے آتے ہیں۔ پہلا، ڈیٹا: ریکارڈنگز آرام کے وقت خفیہ کی گئیں، مقامی طور پر رکھی گئیں، اور 90 دن بعد حذف کر دی گئیں، اور مصنفین شرکا کی آواز کو ماڈل کی تربیت یا بایومیٹرک پروفائل بنانے کا وسیلہ نہیں بلکہ ذاتی اور ثقافتی اظہار سمجھتے ہیں — یہ موقف اہم ہے کیونکہ EU AI Act پیشہ ورانہ تربیت میں سیکھنے کے نتائج جانچنے والے AI کو بلند خطرے والا درجہ دیتا ہے۔ دوسرا، لہجہ اور انداز: گفتار سے متن کی درستگی سیکھنے والوں کے لہجوں پر مکمل نہیں جانچی گئی، اور "دلچسپ" جیسے روبرک معیارات کو ثقافتی طور پر مخصوص اور دوسری زبان بولنے والوں کے لیے ممکنہ طور پر نقصان دہ قرار دیا گیا، جس پر جائزے کے نوٹس کا خانہ بنایا گیا۔ K-12 گروہی کام میں لہجے کی دریافتوں اور مرکزی دھارے کی ایڈ ٹیک کے تقریباً مکمل بصری مفروضے کے ساتھ رکھ کر، نمونہ یہ ہے کہ آواز کا انٹرفیس بصارت، پڑھنے کی رفتار اور کنیکٹیویٹی کی رکاوٹیں ہٹاتا ہے جبکہ لہجہ، شناخت کی درستگی، ہارڈ ویئر کی لاگت اور ثقافتی انداز کھلے چھوڑ دیتا ہے۔

دائرہ کار کی جانچ۔ یہ صفحہ بولی جانے والی نالی اور اسے اٹھانے والی ٹیکنالوجی کے بارے میں ہے۔ بڑے پیمانے پر دوسری زبان کی پیڈاگوجی کے لیے — تحریر کی ترقی، گرامر کی درستگی، محرک، استاد کی مشق — زبان سیکھنا پر جائیں، جو AI کے ساتھ L2 تدریس کو محیط ہے اور بولنے کو کئی ریشوں میں سے ایک ریشہ سمجھتا ہے۔ متنی چیٹ بوٹس اور واسطے سے آزاد مکالمے کے ڈیزائن کے لیے گفتگو والا AI پر جائیں؛ یہاں کے کئی مضامین مکالمے سے متعلق ہیں، مگر ان کا سوال گفتار کے بارے میں ہے، چیٹ ماڈل کو پرامپٹ کرنے کے بارے میں نہیں۔ اسکرین ریڈرز، کیپشننگ، چھو جانے والے گرافکس اور ایسے معاون اوزار جو بنیادی طور پر گفتار پر مبنی نہیں، کے لیے معاون ٹیکنالوجی پر جائیں، جو اس ویکی کے وسیع تر رسائی اور شمولیتی سیکھنا ریشوں کے تحت آتا ہے۔

جو ابھی غیر یقینی ہے

یہاں کا تقریباً ہر مضبوط دعویٰ ایک مختصر مطالعے پر کھڑا ہے۔ دونوں TTS سبق کے مطالعات جاپان کے الگ الگ ہائی اسکولوں میں چلے، پیشکش کی مقرر ترتیب کے ساتھ جو فارمیٹ کو مواد کے ساتھ الجھا دیتی ہے، اور ان کے سیکھنے کے نتائج کے پیمانے اندرونی اسکیلوں پر خود رپورٹ تھے۔ ASR فیڈبیک کا ماڈل ایک چینی یونیورسٹی سے آیا اور مقطعی تھا، اس لیے مہارت کے اعتدال کی دریافت ہم تغیر بیان کرتی ہے، سببی تعلق نہیں۔ بات کرنے کی آمادگی کا مطالعہ فیڈبیک کے ادراک ناپا، فیڈبیک کا معیار نہیں۔ ترجمانی کے نمونوں کا مطالعہ 22 شرکا کا تلاشی تجزیہ ہے جس میں پیداوار کے مرحلے کے اثرات نمایاں سطح تک نہ پہنچے۔ AOA اور AkoVoice کے نفاذ ایک ہی ادارے کے ہیں، اور AkoVoice کوئی اختتامی سیکھنے کا ثبوت رپورٹ نہیں کرتا کیونکہ اس کی آواز کی جانچ اصل جانچ کے متوازی چلی۔ Kutti AI نظاموں کا حصہ ہے، نتائج کی جانچ بالکل نہیں۔ یہ مجموعہ جس چیز کی تائید کرتا ہے وہ ڈیزائن کے دعووں کا ایک مجموعہ ہے: ASR کے استعمال میں فیڈبیک کا معیار مشق کے حجم سے بہتر ہے، مکالمے والا بیان فطری پن کی قیمت پر فہم میں مدد دے سکتا ہے، فارمیٹ کو سیکھنے والے کی خصوصیات سے جوڑنا چاہیے نہ کہ مقرر رکھنا، AI کو انسانی جانچنے والے کی جگہ لینے کے بجائے شواہد سامنے لانے چاہئیں، اور حقیقی وقت میں بولنا وہ ناپتا ہے جو تحریر نہیں ناپتی — بشمول ایسی درستگی جو حیرت انگیز طور پر اس بات سے بے نیاز ہے کہ سیکھنے والا کتنے الفاظ استعمال کرتا ہے۔ ان میں سے کوئی چیز کسی دوسرے مقام، دوسری زبان یا دوسرے سال پر قائم رہتی ہے یا نہیں، یہ نہیں جانچا گیا۔

عام غلط فہمیاں

• "ادائیگی والی گفتار کی خدمات مفت سے بہتر ہیں۔" دو مفت خدمات نے تقریباً مکمل نقول دیں (87.96% اور 88.34% کوریج، لفظ کی غلطی کی شرح 15.23% اور 15.00%)، جبکہ دو ادائیگی والی خدمات نے صرف جھلکیاں برآمد کیں، 32% کوریج پر۔ قیمت نے افادیت کی پیش گوئی نہیں کی، اور ادائیگی والی سطح نے نتیجے کو روکا، بہتر نہیں کیا۔
• "کوئی بھی زبان سیکھنے والا چیٹ بوٹ تلفظ بہتر کرتا ہے۔" دس مطالعات میں، صرف زبان سیکھنے کے لیے بنائے گئے چیٹ بوٹس — Andy English bot اور Xiaoying — نے درستگی بہتر کی، ایک کنٹرول گروہ کے تقابل میں 14% غلطی کی کمی کے ساتھ۔ عام مکالماتی ایجنٹوں نے یہ فائدہ نہیں دیا۔
• "خود اعتمادی کے فائدے مہارت کے فائدے ہیں۔" ٹیکنالوجی اور نتائج کے درمیان تعلق مثبت تھا اور خود اعتمادی نے اسے جزوی طور پر واسطہ بنایا: بالواسطہ راستہ کل اثر کا 69.9% تھا جبکہ براہِ راست اثر بھی باقی رہا۔ اثر کا بیشتر حصہ اعتماد سے گزرا، جو میکانزم بھی ہے اور احتیاط بھی۔

منسلک تصورات

• زبان سیکھنا
• گفتگو والا AI
• رسائی
• معاون ٹیکنالوجی
• جانچ
• مستند جانچ
• انسان-در-حلقہ
• کثیرالوسیط AI
• شمولیتی سیکھنا
• مساوات

منسلک مضامین

• Chatbots for oral proficiency in English language learning: A systematic review — درستگی کے فائدے صرف زبان سیکھنے والے چیٹ بوٹس سے، اور لہجے والے ناموں پر ASR کی ناکامیاں
• Voice-Based AI Feedback in Higher Education: A Field Study on Quality and Actionability — ایک ٹیلی فون آواز ایجنٹ خود فیڈبیک کی نالی کی طرف موڑا گیا
• ASR Technology in College English Speaking Instruction: The Role of Feedback Internalization and Metacognitive Strategies — ASR بولنے کا فیڈبیک: معیار تعداد سے بہتر، اور مہارت طے کرتی ہے کہ کسے فائدہ ہو (Chen et al. 2026)
• Associations Between Generative AI–Based Pronunciation Feedback and Willingness to Communicate in English: The Mediating Role of English Pronunciation Self-Efficacy — تلفظ کی خود اعتمادی GenAI تلفظ فیڈبیک اور بات کرنے کی آمادگی کے درمیان واسطہ ہے (1,701 EFL سیکھنے والے)
• A Semi-Automated System for Generating Dialogue-Based TTS Lessons Using Large Language Models: An Exploratory Study of Educational Potential — LLM + TTS سبق کا پائپ لائن: مصنوعی بیان نے استاد کی آواز کا مقابلہ کیا؛ مکالمے نے فہم میں مدد دی
• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — TTS سے پیدا کردہ سبقوں میں سیکھنے کے انداز × مکالمے کے فارمیٹ کے تعاملات (222 طلبہ)
• What Changes When the Interlocutor Is an AI? Interactional Fluency and Linguistic Uptake in L2 Spoken Dialogue — انسانی بمقابلہ AI مخاطب: معاون یک گوئی، اخذ اور نحوی پرائمنگ، L2 جرمن میں
• Kutti AI: A Voice-First, Offline-Capable Learning Companion with Real-Time Struggle Detection for Visually-Impaired Children — نابینا بچوں کے لیے حقیقی وقت میں جدوجہد کی شناخت کے ساتھ آواز-اول آف لائن ساتھی
• Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning — ایجنٹ کا لہجہ K-12 گروہی کام میں انسانیت اور تعاون کو شکل دیتا ہے (33 اساتذہ)
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — غیر ہم وقتی زبانی جانچ: قابلِ توسیع زبانی جانچ، سیکھنے کے فائدوں کی احتیاط کے ساتھ
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — جائزہ جو زبانی امتحانات کو اصلی، سالمیت بچانے والی جانچ کے طور پر دلیل بناتا ہے
• Designing AI-Supported Oral Assessment in TVET — AkoVoice: پیشہ ورانہ ورکشاپوں میں آف لائن آواز کی جانچ جہاں AI شواہد سامنے لاتا ہے، درجے نہیں دیتا
• Student-AI Interaction in Computer-Assisted Consecutive Interpreting: Patterns and Performance — ASR/MT معاونت استعمال کرنے والے ترجمانی کے زیرِ تربیت افراد میں چار تعامل کے نمونے
• How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment — L2 سننے کے سوالات پیدا کرنے کے لیے GPT کو پرامپٹ کرنا بمقابلہ فائن ٹیون کرنا
• A Multimodal Framework for Embodied Cognition in Oral Explanations — اشارہ اور گفتار: صرف گفتار والی زبانی جانچ فہم کے شواہد سے کیوں محروم رہ جاتی ہے
• AI-Guided Learning: Research on Knowledge and Skill Acquisition Support Methods Using Deep Learning Audio-Video Processing Techniques — اڈاپٹیو آڈیو رفتار، آواز بچانے والے ویڈیو خلاصے، اور بلا لیبل تلفظ فیڈبیک
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — بہرے اور کم سننے والے سیکھنے والوں کے لیے LLM سوال کی پیداوار
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — جب AI ٹیوٹر بولتے ہیں: ایک رینڈمائزڈ فیلڈ تجربے سے شواہد
• AI-Mediated Input Transformation in Medical English: Speech Recognition and Transcript Reliability — میڈیکل انگلش میں AI کے واسطے سے اِدخال کی تبدیلی: گفتار شناسی اور نقل کا اعتبار