ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംഗീത വ്യവസായത്തിൽ വിപ്ലവം സൃഷ്ടിക്കുന്നു, ഓട്ടോമേറ്റഡ് കോമ്പോസിഷൻ, മാസ്റ്ററിംഗ്, പ്രകടന ഉപകരണങ്ങൾ എന്നിവ വാഗ്ദാനം ചെയ്യുന്നു. AI അൽഗോരിതങ്ങൾ പുതിയ കോമ്പോസിഷനുകൾ സൃഷ്ടിക്കുന്നു, ഹിറ്റുകൾ പ്രവചിക്കുന്നു, ഒപ്പം ശ്രോതാക്കളുടെ അനുഭവം വ്യക്തിഗതമാക്കുന്നു, സംഗീത നിർമ്മാണം, വിതരണം, ഉപഭോഗം എന്നിവ പരിവർത്തനം ചെയ്യുന്നു. ഈ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യ ആവേശകരമായ അവസരങ്ങളും വെല്ലുവിളി നിറഞ്ഞ ധാർമ്മിക പ്രതിസന്ധികളും അവതരിപ്പിക്കുന്നു.
മെഷീൻ ലേണിംഗ് (ML) മോഡലുകൾക്ക് ഫലപ്രദമായി പ്രവർത്തിക്കാൻ പരിശീലന ഡാറ്റ ആവശ്യമാണ്, കാരണം ഒരു സംഗീതസംവിധായകന് ഒരു സിംഫണി എഴുതാൻ സംഗീത കുറിപ്പുകൾ ആവശ്യമാണ്. ഈണവും താളവും വികാരവും ഇഴചേരുന്ന സംഗീത ലോകത്ത്, ഗുണനിലവാരമുള്ള പരിശീലന ഡാറ്റയുടെ പ്രാധാന്യം പറഞ്ഞറിയിക്കാനാവില്ല. പ്രവചനാത്മക വിശകലനം, തരം വർഗ്ഗീകരണം അല്ലെങ്കിൽ സ്വയമേവയുള്ള ട്രാൻസ്ക്രിപ്ഷൻ എന്നിവയ്ക്കായി ശക്തവും കൃത്യവുമായ സംഗീത ML മോഡലുകൾ വികസിപ്പിക്കുന്നതിന്റെ നട്ടെല്ലാണിത്.
ML മോഡലുകളുടെ ജീവരക്തമായ ഡാറ്റ
മെഷീൻ ലേണിംഗ് അന്തർലീനമായി ഡാറ്റാധിഷ്ഠിതമാണ്. ഈ കമ്പ്യൂട്ടേഷണൽ മോഡലുകൾ ഡാറ്റയിൽ നിന്ന് പാറ്റേണുകൾ പഠിക്കുന്നു, പ്രവചനങ്ങളോ തീരുമാനങ്ങളോ എടുക്കാൻ അവരെ പ്രാപ്തരാക്കുന്നു. സംഗീത ML മോഡലുകൾക്കായി, പരിശീലന ഡാറ്റ പലപ്പോഴും ഡിജിറ്റൈസ് ചെയ്ത സംഗീത ട്രാക്കുകൾ, വരികൾ, മെറ്റാഡാറ്റ അല്ലെങ്കിൽ ഈ ഘടകങ്ങളുടെ സംയോജനത്തിൽ വരുന്നു. ഈ ഡാറ്റയുടെ ഗുണനിലവാരം, അളവ്, വൈവിധ്യം എന്നിവ മോഡലിന്റെ ഫലപ്രാപ്തിയെ സാരമായി ബാധിക്കുന്നു.
ഗുണനിലവാരം: ഡാറ്റയുടെ ഹാർമണി
ഏതൊരു പരിശീലന ഡാറ്റാസെറ്റിന്റെയും നിർണായക വശമാണ് ഗുണനിലവാരം. മ്യൂസിക് ML മോഡലുകൾക്കായുള്ള ഉയർന്ന നിലവാരമുള്ള ഡാറ്റ അർത്ഥമാക്കുന്നത് അത് ശബ്ദമോ പിശകുകളോ ഇല്ലാതെ കൃത്യമായി ലേബൽ ചെയ്തിരിക്കുന്നു എന്നാണ്. ഉദാഹരണത്തിന്, ഒരു മോഡൽ സംഗീത വിഭാഗങ്ങളെ തരം തിരിക്കാനാണ് ലക്ഷ്യമിടുന്നതെങ്കിൽ, പരിശീലന ഡാറ്റ അതത് വിഭാഗങ്ങളുമായി കൃത്യമായി ടാഗ് ചെയ്യണം. തെറ്റായ ഏത് ലേബലിംഗും മോഡലിനെ തെറ്റിദ്ധരിപ്പിക്കും, ഇത് മോശം പ്രകടനത്തിന് കാരണമാകും. മാത്രമല്ല, മോഡൽ ശരിയായ സവിശേഷതകൾ പഠിക്കുന്നുവെന്ന് ഉറപ്പാക്കാൻ ഓഡിയോ ഫയലുകൾ ബാഹ്യമായ ശബ്ദത്തിൽ നിന്ന് മുക്തമായിരിക്കണം.
അളവ്: പഠനത്തിന്റെ സ്കെയിൽ
പരിശീലന ഡാറ്റാസെറ്റിന്റെ വലുപ്പം ഒരു മോഡലിന്റെ പഠന ശേഷിയിൽ ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നു. സാരാംശത്തിൽ, കൂടുതൽ ഡാറ്റ, നല്ലത്. നന്നായി സാമാന്യവൽക്കരിക്കാൻ ML മോഡലുകൾക്ക് ഗണ്യമായ അളവിൽ ഡാറ്റ ആവശ്യമാണ്. വലുതും വൈവിധ്യപൂർണ്ണവുമായ ഒരു ഡാറ്റാസെറ്റ് മോഡലിനെ നിരവധി സാഹചര്യങ്ങളിലേക്ക് തുറന്നുകാട്ടുന്നു, ഓവർഫിറ്റിംഗിന്റെ സാധ്യത കുറയ്ക്കുന്നു, അവിടെ മോഡൽ പരിശീലന ഡാറ്റ നന്നായി പഠിക്കുകയും കാണാത്ത ഡാറ്റയിൽ ഫലപ്രദമായി പ്രവർത്തിക്കുന്നതിൽ പരാജയപ്പെടുകയും ചെയ്യുന്നു.
വൈവിധ്യം: ദി റിഥം ഓഫ് വേരിയൻസ്
ഒരു സംഗീത ശകലം വ്യതിയാനങ്ങളിൽ വളരുന്നതുപോലെ, പരിശീലന ഡാറ്റാസെറ്റിന്റെ വൈവിധ്യം പരമപ്രധാനമാണ്. വൈവിധ്യമാർന്ന ഡാറ്റാസെറ്റിൽ വിവിധ വിഭാഗങ്ങൾ, ഭാഷകൾ, സാംസ്കാരിക പശ്ചാത്തലങ്ങൾ എന്നിവയിൽ നിന്നുള്ള സംഗീതം ഉൾപ്പെടുന്നു. ML മോഡൽ ബഹുമുഖവും കരുത്തുറ്റതുമാണെന്ന് ഉറപ്പാക്കാൻ ഈ വൈവിധ്യം സഹായിക്കുന്നു, അത് പ്രധാനമായും പരിശീലിപ്പിച്ചവ മാത്രമല്ല, വൈവിധ്യമാർന്ന സംഗീത തരങ്ങൾ കൈകാര്യം ചെയ്യാൻ കഴിയും.
ഒരു മാസ്ട്രോ മോഡലിലേക്കുള്ള വഴി
പരിശീലന ഡാറ്റയിൽ ഗുണനിലവാരം, അളവ്, വൈവിധ്യം എന്നിവ നേടുന്നതിന്, അതിൽ സൂക്ഷ്മമായ ഡാറ്റ ശേഖരണം, ലേബലിംഗ്, വർദ്ധിപ്പിക്കൽ പ്രക്രിയകൾ എന്നിവ ഉൾപ്പെടുന്നു. നിക്ഷേപം ഗണ്യമായതാണ്, എന്നാൽ ആദായം ഒരുപോലെ പ്രതിഫലദായകമാണ്. നന്നായി പരിശീലിപ്പിച്ച ഒരു മ്യൂസിക് ML മോഡലിന് സംഗീത വ്യവസായത്തിന്റെ വിവിധ വശങ്ങളെ പരിവർത്തനം ചെയ്യാൻ കഴിയും, സംഗീത കണ്ടെത്തൽ മെച്ചപ്പെടുത്തുന്നത് മുതൽ കോമ്പോസിഷനും മാസ്റ്ററിംഗും യാന്ത്രികമാക്കുന്നത് വരെ.
ആത്യന്തികമായി, പരിശീലന ഡാറ്റയുടെ ഗുണനിലവാരം ഒരു മ്യൂസിക് ML മോഡൽ എത്രത്തോളം കാര്യക്ഷമമായി പ്രവർത്തിക്കുന്നുവെന്ന് നിർണ്ണയിക്കുന്നു. അതിനാൽ, ഒരു സിംഫണിയിലെ ഓരോ കുറിപ്പിന്റെയും പ്രാധാന്യം പോലെ, പരിശീലന ഡാറ്റയുടെ ഓരോ ബിറ്റ് സംഗീത വ്യവസായത്തിൽ നന്നായി പരിശീലിപ്പിച്ചതും വിശ്വസനീയവും കൃത്യവുമായ ML മോഡലായ മാസ്റ്റർപീസിലേക്ക് സംഭാവന ചെയ്യുന്നു.
സംഗീത AI ഉപയോഗ കേസുകൾ
സംഗീത രചന
ഓപ്പൺഎഐയുടെ മ്യൂസ്നെറ്റ് പോലുള്ള AI അൽഗോരിതങ്ങൾക്ക് നിലവിലുള്ള സംഗീതത്തിൽ നിന്നുള്ള പാറ്റേണുകളും ശൈലികളും വിശകലനം ചെയ്തുകൊണ്ട് യഥാർത്ഥ സംഗീതം സൃഷ്ടിക്കാൻ കഴിയും. പുതിയ ആശയങ്ങൾ സൃഷ്ടിക്കുന്നതിനോ വിവിധ ആവശ്യങ്ങൾക്കായി പശ്ചാത്തല ട്രാക്കുകൾ നിർമ്മിക്കുന്നതിനോ ഇത് സംഗീതജ്ഞരെ സഹായിക്കുന്നു.
ഓട്ടോ-ടാഗിംഗ്
തിരയലും ഓർഗനൈസേഷനും ശുപാർശയും മെച്ചപ്പെടുത്താൻ സഹായിക്കുന്ന പ്രസക്തമായ മെറ്റാഡാറ്റയോ ടാഗുകളോ ഒരു സംഗീത ഭാഗത്തേക്ക് സ്വയമേവ അസൈൻ ചെയ്യുന്ന പ്രക്രിയയാണിത്.
സംഗീത ശുപാർശ
ഓപ്പൺഎഐയുടെ മ്യൂസ്നെറ്റ് പോലുള്ള AI അൽഗോരിതങ്ങൾക്ക് നിലവിലുള്ള സംഗീതത്തിൽ നിന്നുള്ള പാറ്റേണുകളും ശൈലികളും വിശകലനം ചെയ്തുകൊണ്ട് യഥാർത്ഥ സംഗീതം സൃഷ്ടിക്കാൻ കഴിയും. പുതിയ ആശയങ്ങൾ സൃഷ്ടിക്കുന്നതിനോ വിവിധ ആവശ്യങ്ങൾക്കായി പശ്ചാത്തല ട്രാക്കുകൾ നിർമ്മിക്കുന്നതിനോ ഇത് സംഗീതജ്ഞരെ സഹായിക്കുന്നു.
പകർപ്പവകാശ കണ്ടെത്തൽ
AI-ക്ക് പകർപ്പവകാശമുള്ള സംഗീത ഉള്ളടക്കം തിരിച്ചറിയാനും ലൈസൻസിംഗ് കരാറുകൾ നടപ്പിലാക്കാനും കലാകാരന്മാർക്കുള്ള പേയ്മെന്റുകൾ ഉറപ്പാക്കാനും പ്ലാറ്റ്ഫോമുകളെ സഹായിക്കുന്നു.
സംഗീത വർഗ്ഗീകരണം
തരം, മൂഡ്, ടെമ്പോ, കീ, മറ്റ് ആട്രിബ്യൂട്ടുകൾ എന്നിവയെ അടിസ്ഥാനമാക്കി സംഗീത ട്രാക്കുകളെ തരംതിരിക്കാൻ ഓട്ടോ-ടാഗിംഗ് സഹായിക്കും, ഇത് ശ്രോതാക്കൾക്ക് പുതിയ സംഗീതം തിരയാനും കണ്ടെത്താനും എളുപ്പമാക്കുന്നു.
പ്ലേലിസ്റ്റ് സൃഷ്ടിക്കൽ
യാന്ത്രിക-ടാഗിംഗ് ഉപയോഗിച്ച് സംഗീതം വിശകലനം ചെയ്യുകയും തരംതിരിക്കുകയും ചെയ്യുന്നതിലൂടെ, സ്ട്രീമിംഗ് സേവനങ്ങൾക്ക് ഉപയോക്താക്കളുടെ മുൻഗണനകൾ അല്ലെങ്കിൽ വർക്ക്ഔട്ട് പ്ലേലിസ്റ്റുകൾ അല്ലെങ്കിൽ സ്റ്റഡി പ്ലേലിസ്റ്റുകൾ പോലുള്ള നിർദ്ദിഷ്ട തീമുകൾ നിറവേറ്റുന്ന പ്ലേലിസ്റ്റുകൾ സ്വയമേവ സൃഷ്ടിക്കാൻ കഴിയും.
സംഗീത ലൈസൻസിംഗ്
മ്യൂസിക് ലൈബ്രറികൾക്കും ലൈസൻസിംഗ് പ്ലാറ്റ്ഫോമുകൾക്കും അവരുടെ കാറ്റലോഗ് ഓർഗനൈസുചെയ്യാനും പരസ്യങ്ങൾ, സിനിമകൾ അല്ലെങ്കിൽ വീഡിയോ ഗെയിമുകൾ പോലുള്ള അവരുടെ പ്രോജക്റ്റുകൾക്ക് ശരിയായ ട്രാക്ക് കണ്ടെത്തുന്നത് ക്ലയന്റുകൾക്ക് എളുപ്പമാക്കാനും സ്വയമേവ ടാഗിംഗ് ഉപയോഗിക്കാനാകും.
ഷൈപ്പ് എങ്ങനെ സഹായിക്കുന്നു
സംഗീത വ്യവസായത്തിനായി ML മോഡലുകൾ നിർമ്മിക്കുന്നതിന് Shaip ഡാറ്റാ ശേഖരണവും ട്രാൻസ്ക്രിപ്ഷൻ സേവനങ്ങളും വാഗ്ദാനം ചെയ്യുന്നു. ML മോഡലുകൾ നിർമ്മിക്കാൻ നിങ്ങളെ സഹായിക്കുന്നതിന് ഞങ്ങളുടെ പ്രൊഫഷണൽ സംഗീത ശേഖരണവും ട്രാൻസ്ക്രിപ്ഷൻ സേവന ടീമും സംഗീതം ശേഖരിക്കുന്നതിലും ട്രാൻസ്ക്രൈബുചെയ്യുന്നതിലും വൈദഗ്ദ്ധ്യം നേടിയിട്ടുണ്ട്.
ഞങ്ങളുടെ സമഗ്രമായ പരിഹാരങ്ങൾ വിവിധ സ്രോതസ്സുകളിൽ നിന്നുള്ള ഉയർന്ന നിലവാരമുള്ളതും വൈവിധ്യമാർന്നതുമായ ഡാറ്റ നൽകുന്നു, സംഗീത ശുപാർശ, രചന, ട്രാൻസ്ക്രിപ്ഷൻ, വികാര വിശകലനം എന്നിവയിൽ തകർപ്പൻ ആപ്ലിക്കേഷനുകൾക്ക് വഴിയൊരുക്കുന്നു. ഇന്നത്തെ വേഗതയേറിയ സംഗീത ലാൻഡ്സ്കേപ്പിൽ നിങ്ങൾക്ക് മത്സരാധിഷ്ഠിത നേട്ടം നൽകിക്കൊണ്ട്, ഞങ്ങളുടെ സൂക്ഷ്മമായ ഡാറ്റ ക്യൂറേഷൻ പ്രക്രിയയ്ക്കും മികച്ച ട്രാൻസ്ക്രിപ്ഷൻ സേവനങ്ങൾക്കും നിങ്ങളുടെ മെഷീൻ ലേണിംഗ് യാത്രയെ എങ്ങനെ ത്വരിതപ്പെടുത്താൻ കഴിയുമെന്ന് അറിയാൻ ഈ ബ്രോഷർ പര്യവേക്ഷണം ചെയ്യുക. ഞങ്ങളുടെ സമാനതകളില്ലാത്ത വൈദഗ്ധ്യവും മികവിനോടുള്ള പ്രതിബദ്ധതയും ഉപയോഗിച്ച് നിങ്ങളുടെ സംഗീത അഭിലാഷങ്ങളെ യാഥാർത്ഥ്യമാക്കി മാറ്റുക.
ഡാറ്റ ശേഖരണം
സംഗീത വ്യവസായത്തിനായുള്ള ഞങ്ങളുടെ സമഗ്രമായ AI പരിശീലന ഡാറ്റ ഉപയോഗിച്ച് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ (AI) ശക്തി പ്രയോജനപ്പെടുത്തി സംഗീത ബിസിനസിന്റെ ഭാവി അൺലോക്ക് ചെയ്യുക. ഞങ്ങളുടെ സൂക്ഷ്മമായി ക്യൂറേറ്റ് ചെയ്ത ഡാറ്റാസെറ്റ് പ്രവർത്തനക്ഷമമായ സ്ഥിതിവിവരക്കണക്കുകൾ സൃഷ്ടിക്കാൻ മെഷീൻ ലേണിംഗ് മോഡലുകളെ പ്രാപ്തമാക്കുന്നു, സംഗീത ലാൻഡ്സ്കേപ്പുമായി നിങ്ങൾ എങ്ങനെ മനസ്സിലാക്കുകയും സംവദിക്കുകയും ചെയ്യുന്നു. ഇനിപ്പറയുന്നതുപോലുള്ള അധിക മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ച് ഇനിപ്പറയുന്നവയിൽ നിന്ന് സംഗീത ഡാറ്റ ശേഖരിക്കാൻ ഞങ്ങൾക്ക് നിങ്ങളെ സഹായിക്കാനാകും:
| സംഗീത വിഭാഗങ്ങൾ | സ്പീക്കർ വൈദഗ്ദ്ധ്യം | ഭാഷകൾ പിന്തുണയ്ക്കുന്നു | വൈവിധ്യം |
|---|---|---|---|
| പോപ്പ്, റോക്ക്, ജാസ്, ക്ലാസിക്കൽ, കൺട്രി, ഹിപ്-ഹോപ്പ്/റാപ്പ്, ഫോക്ക്, ഹെവി മെറ്റൽ, ഡിസ്കോ എന്നിവയും മറ്റും. | തുടക്കക്കാരൻ, ഇന്റർമീഡിയറ്റ്, പ്രോ | ഇംഗ്ലീഷ്, ഹിന്ദി, തമിഴ്, അറബിക് തുടങ്ങിയവ. | ആൺ, പെൺ, കുട്ടികൾ. |
ഡാറ്റ ട്രാൻസ്ക്രിപ്ഷൻ
ഡാറ്റ വ്യാഖ്യാനം അല്ലെങ്കിൽ ലേബലിംഗ് എന്നും അറിയപ്പെടുന്നു, ഞങ്ങളുടെ പ്രക്രിയയിൽ പ്രത്യേക സോഫ്റ്റ്വെയറിലേക്ക് മ്യൂസിക്കൽ സ്കോർ സ്വമേധയാ നൽകുകയും ക്ലയന്റുകളെ രേഖാമൂലമുള്ള സംഗീതം ആക്സസ് ചെയ്യാൻ പ്രാപ്തമാക്കുകയും ഒരു കമ്പ്യൂട്ടർ നിർവ്വഹിക്കുമ്പോൾ സ്കോർ അനുകരിക്കുന്ന ഒരു mp3 ഓഡിയോ ഫയലും ഉൾപ്പെടുന്നു. മികച്ച പിച്ച് ഉപയോഗിച്ച് കഴിവുള്ള സംഗീത ട്രാൻസ്ക്രൈബർമാരെ പ്രശംസിക്കുന്നതിലൂടെ നമുക്ക് ഓരോ ഉപകരണത്തിന്റെയും ഭാഗങ്ങൾ കൃത്യമായി പകർത്താനാകും. നേരിട്ടുള്ള ലെഡ് ഷീറ്റ് ട്രാൻസ്ക്രിപ്ഷനുകൾ മുതൽ സങ്കീർണ്ണമായ ജാസ്, പിയാനോ അല്ലെങ്കിൽ നിരവധി ഉപകരണങ്ങൾ ഉൾക്കൊള്ളുന്ന ഓർക്കസ്ട്ര കോമ്പോസിഷനുകൾ വരെ വൈവിധ്യമാർന്ന സംഗീത സ്കോറുകൾ സൃഷ്ടിക്കാൻ ഞങ്ങളുടെ വിപുലമായ വൈദഗ്ദ്ധ്യം ഞങ്ങളെ അനുവദിക്കുന്നു. മ്യൂസിക് ട്രാൻസ്ക്രിപ്ഷന്റെയോ ലേബലിംഗിന്റെയോ ചില ഉപയോഗ കേസുകൾ.
സൗണ്ട് ലേബലിംഗ്
ശബ്ദ ലേബലിംഗ് ഉപയോഗിച്ച്, ഡാറ്റ വ്യാഖ്യാനകർക്ക് ഒരു റെക്കോർഡിംഗ് നൽകുകയും ആവശ്യമായ എല്ലാ ശബ്ദങ്ങളും വേർതിരിച്ച് ലേബൽ ചെയ്യുകയും വേണം. ഉദാഹരണത്തിന്, ഇവ ചില കീവേഡുകളോ ഒരു പ്രത്യേക സംഗീത ഉപകരണത്തിന്റെ ശബ്ദമോ ആകാം.
സംഗീത വർഗ്ഗീകരണം
ഇത്തരത്തിലുള്ള ഓഡിയോ വ്യാഖ്യാനത്തിൽ ഡാറ്റ വ്യാഖ്യാനകർക്ക് തരങ്ങളോ ഉപകരണങ്ങളോ അടയാളപ്പെടുത്താൻ കഴിയും. സംഗീത ലൈബ്രറികൾ സംഘടിപ്പിക്കുന്നതിനും ഉപയോക്തൃ ശുപാർശകൾ മെച്ചപ്പെടുത്തുന്നതിനും സംഗീത വർഗ്ഗീകരണം വളരെ ഉപയോഗപ്രദമാണ്.
ഫൊണറ്റിക് ലെവൽ സെഗ്മെന്റേഷൻ
അകാപെല്ല പാടുന്ന വ്യക്തികളുടെ റെക്കോർഡിംഗുകളുടെ തരംഗരൂപങ്ങളിലും സ്പെക്ട്രോഗ്രാമുകളിലും സ്വരസൂചക വിഭാഗങ്ങളുടെ ലേബലും വർഗ്ഗീകരണവും.
ശബ്ദ വർഗ്ഗീകരണം
നിശബ്ദത/വെളുത്ത ശബ്ദം ഒഴികെ, ഒരു ഓഡിയോ ഫയലിൽ സാധാരണയായി ഇനിപ്പറയുന്ന ശബ്ദ തരങ്ങൾ സ്പീച്ച്, ബബിൾ, മ്യൂസിക്, നോയ്സ് എന്നിവ അടങ്ങിയിരിക്കുന്നു. ഉയർന്ന കൃത്യതയ്ക്കായി സംഗീത കുറിപ്പുകൾ കൃത്യമായി വ്യാഖ്യാനിക്കുക.
മെറ്റാഡാറ്റ ഇൻഫർമേഷൻ ക്യാപ്ചറിംഗ്
ആരംഭ സമയം, അവസാന സമയം, സെഗ്മെന്റ് ഐഡി, ഉച്ചത്തിലുള്ള നില, പ്രാഥമിക ശബ്ദ തരം, ഭാഷാ കോഡ്, സ്പീക്കർ ഐഡി, മറ്റ് ട്രാൻസ്ക്രിപ്ഷൻ കൺവെൻഷനുകൾ തുടങ്ങിയ പ്രധാനപ്പെട്ട വിവരങ്ങൾ ക്യാപ്ചർ ചെയ്യുക.
