بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
من بين ثمانية أنظمة مُختبَرة لتقييم جودة الكلام الاصطناعي، لم يثبت أي منها قدرةً حقيقية على فهم الأبعاد اللغوية التي يدركها المستمع البشري فعلاً — هذا ما خلص إليه بحث نُشر على arXiv في العاشر من أغسطس 2026، من تأليف فريق من تسعة باحثين بقيادة Oluwanifemi Bamgbose.
يتمحور البحث حول سؤال جوهري: هل تقيس أدوات تقييم TTS ما يسمعه الإنسان فعلاً؟ الإجابة المزعزِعة هي لا. الفريق فكَّك مفهوم “الطبيعية” — وهو المعيار الذي تدور حوله معظم مقاييس التقييم الحالية — إلى 10 أبعاد إدراكية مستقلة مبنية على أسس لسانية صارمة، ثم بنى على هذه الأبعاد أول مرجع تقييم من مستوى البُعد الواحد في مجال TTS. يتكون هذا المرجع من 860 تسجيلاً صوتياً صنَّفها محللون لغويون مدرَّبون، (وفقاً للورقة البحثية).
أُخضع للاختبار أربعة مُنبِّئات MOS (Mean Opinion Score) وهي الأدوات التقليدية التي تُعطي نقطة واحدة لجودة الصوت، إلى جانب أربعة نماذج Audio-LLM تعمل كمحكِّمات ذكاء اصطناعي تعتمد على أوامر نصية. النتائج كانت متشابهة في إخفاقاتها لكن مختلفة في طبيعتها.
- مُنبِّئات MOS تنهار إلى جودة الإشارة الصوتية فحسب: هذه الأدوات تقيس بشكل فعلي الجودة الأكوستيكية للتسجيل — وضوح الصوت، غياب التشويش — لكنها تعجز عن اكتشاف أخطاء الإيقاع والنبر وبنية الجملة. بمعنى آخر، صوت نظيف تقنياً يحصل على درجة عالية حتى لو كان اللفظ غير طبيعي لغوياً.
- نماذج Audio-LLM تُظهر رصداً انتقائياً لا يتعمم: هذه النماذج أذكى، لكن أداءها يتوقف على صياغة الأمر النصي (prompt). تكتشف بعض الأخطاء حين تُوجَّه إليها توجيهاً دقيقاً، لكنها لا تتعمم عبر مختلف الأبعاد اللغوية العشرة باستقلالية. أداؤها مشروط وهش، لا منهجي.
- لا تُمثِّل أيٌّ من الفئتين طيفاً واسعاً من الأخطاء اللغوية المنظَّمة: سواء كانت الأخطاء في النبر العاطفي، أو التنغيم في أسلوب الاستفهام، أو المقاطع الضعيفة في الكلمات المركبة — فهذه التفاصيل تمر بلا رصد في الأنظمة الحالية جميعها.
- الأبعاد العشرة تُعيد رسم خريطة “الطبيعية”: بدلاً من درجة واحدة مجملة، يقترح الفريق تقييماً عبر 10 أبعاد إدراكية مستقلة يمكن للمستمع البشري تمييزها. هذا التفكيك هو ما يجعل الأخطاء قابلة للتشخيص، لا مجرد قابلة للرصد.
- المرجع التقييمي والكود متاحان للعموم: أصدر الفريق قاعدة البيانات (860 تسجيلاً)، ومخطط التصنيف اللساني، وكود التقييم — مفتوحةً المصدر — لتمكين المجتمع البحثي من بناء أدوات تقييم أكثر دقة وقابلية للتفسير.
ما يجعل هذا البحث إشكالياً للمنتجين قبل الباحثين: صناعة TTS تعتمد على مقاييس MOS لاتخاذ قرارات التطوير والإنتاج، فإذا كانت هذه المقاييس تقيس الجودة الأكوستيكية بدلاً من الجودة اللغوية، فكل منظومة التقييم تتحرك في الاتجاه الخطأ. نماذج الصوت الاصطناعي التي تبدو “عالية الجودة” بمقاييس اليوم قد تكون مليئة بأخطاء لغوية لا ترصدها الأدوات الحالية.
يطرح البحث — الصادر عن فريق يضم Oluwanifemi Bamgbose وHoang H Nguyen وسبعة باحثين آخرين — تحدياً بنيوياً أعمق من مجرد تحسين الأداء: فحتى نُحسِّن أنظمة TTS، نحتاج أولاً إلى مقاييس تعرف ما تقيسه. وحتى نُوثق بالنماذج الصوتية في التعليم والإعلام والتفاعل الحواري، يجب أن نعرف أين تُخطئ تحديداً — لا أين تبدو “طبيعية” فحسب.
