بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
حققت النماذج اللغوية الكبيرة نسبة توافق 92-94% مع المقيمين البشر (وفقاً للدراسة) في تقييم أداء أنظمة التعرف الصوتي، متفوقة بوضوح على مقياس معدل الأخطاء الكلمية (WER) التقليدي الذي حقق 63% فقط (وفقاً لنفس البحث).
تكمن المشكلة الأساسية في مقياس WER أنه يقيس الدقة النصية الحرفية دون فهم المعنى. عندما يقول متحدث “سأذهب إلى المنزل غداً” ويفهم النظام “سوف أذهب للبيت غداً”، يحتسب WER هذا خطأً رغم تطابق المعنى تماماً. هذا التقييم القاسي يعرقل تطوير أنظمة تعرف صوتي أكثر ذكاءً وعملية.
طور فريق بحثي دولي من 9 باحثين بقيادة Thibault Bañeras-Roux ثلاث طرق متقدمة لتسخير قوة النماذج اللغوية الحديثة في تقييم التعرف الصوتي:
- اختيار الفرضية الأفضل: مقارنة نتيجتين مختلفتين للتعرف الصوتي واختيار الأقرب معنوياً للنص الأصلي بناءً على فهم السياق والمقصد
- حساب المسافة المعنوية عبر التمثيلات التوليدية: استخدام embedding vectors من النماذج اللغوية لقياس درجة التشابه المعنوي الدقيق بين النص المرجعي والنتيجة المنتجة
- التصنيف النوعي للأخطاء: تحديد طبيعة الأخطاء (نحوية، مفرداتية، سياقية) بدلاً من مجرد عدها، مما يوفر رؤى قيمة لتحسين الأنظمة
اختبرت الطرق على مجموعة بيانات HATS، وأظهرت النتائج تفوقاً واضحاً للنماذج اللغوية على كافة المقاييس التقليدية والمعنوية الأخرى. الأهم أن التمثيلات الرقمية المستخرجة من النماذج القائمة على فك التشفير (decoder-based LLMs) حققت أداءً مماثلاً لنماذج التشفير المتخصصة، مما يفتح المجال لاستخدام نماذج GPT وClaude في تطوير أنظمة التعرف الصوتي.
هذا التطور يعني تحولاً جذرياً في تطوير المساعدات الصوتية. بدلاً من السعي لدقة نسخ حرفية مثالية، ستركز الأنظمة الجديدة على فهم المقصد الحقيقي. مساعدك الصوتي سيفهم طلب “شغل موسيقى هادئة” و”ابدأ أغاني مريحة” كطلب واحد، وسيتعامل مع “احجز لي طاولة للعشاء” و”أريد حجز في مطعم للعشاء” بنفس الفعالية.
لكن التطبيق العملي يواجه تحديات حاسوبية واضحة. تقييم كل نتيجة تعرف صوتي عبر نموذج لغوي كبير يستهلك موارد حاسوبية أكبر بكثير من مقياس WER البسيط، مما قد يبطئ عمليات التطوير والاختبار. الشركات ستحتاج لموازنة دقة التقييم مقابل السرعة والتكلفة، خاصة في تطبيقات الزمن الحقيقي.
من المتوقع أن تستفيد شركات تطوير التقنيات الصوتية العربية من هذه الطرق لتحسين أنظمتها بشكل كبير، خاصة في التعامل مع تنوع اللهجات والتعبيرات المحلية التي تحمل معاني متشابهة.
