موسوعة عربية للمعرفة التقنية والعلمية الموثقة

ما هو التعرف على الكلام؟ وكيف يتحول الصوت إلى نص
خلاصة سريعة: التعرف على الكلام (Speech Recognition) تقنية تحوّل الكلام المنطوق إلى نص مكتوب: تُسجَّل الموجة الصوتية، وتُقطَّع إلى مقاطع قصيرة، ويقدّر النموذج الصوتي الوحدات اللغوية المحتملة، ثم يرتبها نموذج اللغة في جملة مفهومة. دقتها تتبع جودة الصوت وظروف التسجيل، وأكبر سؤال عملي هو أين تُعالج البيانات: على الجهاز أم في السحابة.
ما هو التعرف على الكلام؟
التعرف على الكلام (Speech Recognition)، ويُعرف أيضًا بالتعرف التلقائي على الكلام (ASR)، تقنية تأخذ إشارة صوتية وتُخرج نصًا يمثل ما قيل. وهي لا تفهم المعنى ولا تنفذ الطلب؛ تحوّل الصوت إلى كلمات، ثم يتولى نظام آخر فهم النص وتصنيفه. ويختلف المجال عن التعرف على المتحدث، الذي يحدد هوية القائل لا كلامه، وعن تحويل النص إلى كلام الذي يسير في الاتجاه المعاكس. وهو من أكثر تطبيقات الذكاء الاصطناعي حضورًا في الحياة اليومية، لأن الواجهة الصوتية صارت مدخلًا أساسيًا في الهواتف والسماعات والسيارات.
وقد انتقلت التقنية من أنظمة تتدرب على صوت متحدث واحد في غرفة هادئة، إلى نماذج تتعامل مع متحدثين كثيرين ولغات متعددة وظروف تسجيل مختلفة. ومع ذلك يبقى الأداء متفاوتًا: الجملة الواضحة في هاتف حديث تختلف عن محادثة في سيارة أو اجتماع في قاعة ذات صدى.
كيف يتحول الصوت إلى نص؟
تمر الإشارة الصوتية في خط معالجة من 5 مراحل:
- التسجيل والتنظيف: يتحول ضغط الهواء إلى إشارة رقمية بعينات متتابعة، ثم تُخفَّض الضوضاء ويُوحَّد مستوى الصوت.
- التقطيع إلى إطارات: تُقسَّم الإشارة إلى مقاطع قصيرة متداخلة، جزء من الثانية لكل مقطع، لأن الكلام يتغير بسرعة ولا يمكن تحليله ككتلة واحدة.
- التحليل الطيفي: يُحوَّل كل إطار إلى تمثيل يوضح توزيع الطاقة على الترددات، ويُعرض في صورة تُسمى المخطط الطيفي (Spectrogram).
- النموذج الصوتي: يربط نمط الإطار بالوحدات اللغوية المحتملة، حروفًا أو مقاطع صوتية، ويُخرِج احتمالات لكل وحدة في كل لحظة.
- فك التشفير: يجمع النموذج أفضل تسلسل ممكن، ويعاونه نموذج اللغة في اختيار الكلمات الأرجح، ثم يخرج النص مع علامات الترقيم حين يدعمها النظام.
ما دور النموذج الصوتي ونموذج اللغة؟
النموذج الصوتي (Acoustic Model) مسؤول عن مطابقة الصوت بالرموز: يرى خصائص الإطار ويقول إنه يشبه حرفًا أو مقطعًا بعينه. وتُبنى النماذج الحديثة من شبكات عصبية عميقة، وتُدرَّب على ساعات طويلة من كلام موسوم، وتحتاج إلى تنوع في المتحدثين واللهجات ومستويات الضجيج كي تصمد خارج المختبر.
ونموذج اللغة (Language Model) مسؤول عن احتمال تتابع الكلمات. فعندما يسمع النظام صوتًا يشبه «العين»، يرجّح النموذج معنى النبع في «جفّت عين الماء»، ومعنى عضو الإبصار في «أصيبت عين الطفل». وبهذا يحسم الغموض الذي لا يحسمه الصوت وحده، ويصحح خطأً صوتيًا صغيرًا لأن الجملة الأرجح لغويًا تكون أقرب إلى الصواب.
وقد جمعت النماذج الطرفية (End-to-End) المرحلتين في شبكة واحدة تخرج النص مباشرة من الصوت، مثل wav2vec 2.0 وWhisper. وتقلل هذه البنية الحاجة إلى قاموس نطق ونموذج لغة منفصلين، لكنها تحتاج بيانات تدريب أكبر، ويصعب فيها أحيانًا تفسير مصدر الخطأ. وتستفيد هذه النماذج من البنية نفسها التي تقوم عليها نماذج اللغة الكبيرة، أي شبكة المحوّل (Transformer) التي تتعلم العلاقة بين أجزاء التسلسل بالانتباه.
لماذا يتعثر في اللهجات والضجيج؟
لأن الصوت نفسه متغير: النطق يختلف بحسب المتحدث والمنطقة والسرعة، والكلمة الواحدة قد تُلفظ بأشكال عدة. ويضيف الواقع طبقات أخرى: ضجيج الشارع، وصدى القاعة، وبعد الميكروفون عن الفم، وتداخل صوتين في وقت واحد. والنموذج المدرَّب على تسجيلات نظيفة يواجه في هذه الظروف توزيعًا لم يره، فينخفض أداؤه دون أن يكون في الخوارزمية خطأ.
وتزيد العربية صعوبة خاصة، لأن الفصحى واللهجات تتباعد في النطق والمفردات، وكثيرًا ما ينتقل المتحدث بينهما في الجملة نفسها. ويُضاف إلى ذلك أسماء الأعلام والمصطلحات الأجنبية والأرقام، وهي مواضع يخطئ فيها النظام حتى حين يكون كلامه اليومي سليمًا.
أين تُعالج البيانات: على الجهاز أم في السحابة؟
هذا القرار أهم من دقة النموذج في كثير من المنتجات، لأنه يمسّ الخصوصية والاستجابة والتكلفة:
استخلاص الخصائص الصوتية
تفكيك الإشارة الصوتية الخام إلى نوافذ زمنية متناهية الصغر (20-30 ملي ثانية) وتحويلها إلى أطياف ترددية رقمية (Mel-Spectrogram).
النموذج الصوتي وتعيين الفونيمات
مطابقة الخصائص الصوتية مع أصغر الوحدات النطقية (Phonemes) وتحديد احتمالات الحروف المنطوقة بالاعتماد على الشبكات العصبية العميقة.
نموذج اللغة وفك الترميز النصي
ترجيح الكلمات الصحيحة سياقياً وتصحيح المتشابهات اللفظية بالاعتماد على القواعد والمعاجم لإنتاج نص عربي سليم الإملاء والتركيب.
| المعيار | على الجهاز | في السحابة |
|---|---|---|
| الخصوصية | يبقى الصوت في الجهاز غالبًا | يُرسل إلى خادم خارجي |
| الاستجابة | أسرع، وتعمل دون اتصال | تتأثر بجودة الشبكة |
| حجم النموذج | محدود بذاكرة الهاتف أو الحاسوب | يمكن استخدام نموذج أكبر |
| التحديث | يحتاج تحديث التطبيق | يُحدَّث على الخادم مباشرة |
| الاستهلاك | يستهلك بطارية ومعالجة | يستهلك بيانات شبكة |
وإذا كان الصوت يحتوي بيانات حساسة، فالمسار الأوضح هو المعالجة على الجهاز أو على خادم داخلي بعقد واضح. وإذا اخترت السحابة، فاسأل عن مدة الاحتفاظ بالتسجيلات، وعن استخدامها في التدريب، وعن الجهات التي تصل إليها. والموافقة الصريحة قبل التسجيل، وإمكان حذف السجل، جزء من التصميم السليم لا إضافة تجميلية. وترتبط هذه الاختيارات بطبيعة اتصال الشبكة وسرعته وحصته.
أين يُستخدم التعرف على الكلام؟
يظهر اليوم في مهام يومية وأخرى مهنية، ومن أبرزها:
- الإملاء: تحويل الكلام إلى نص في محرر أو تطبيق ملاحظات، وهو من أقدم استخدامات التقنية وأكثرها شيوعًا.
- الترجمة الفورية: توليد نص مباشر لمقطع فيديو أو اجتماع أو بث.
- البحث الصوتي: تحويل سؤال منطوق إلى استعلام، ثم عرض النتيجة في واجهة مناسبة.
- مراكز الاتصال: تفريغ المكالمات آليًا لتحليل الشكاوى ومراجعة الجودة، بشرط الالتزام بالخصوصية.
- إمكانية الوصول: تمكين من يجد صعوبة في الكتابة من إدخال النص بالصوت، وتحويل المحاضرات إلى نص مقروء.
- الأوامر الصوتية: تشغيل جهاز أو تنفيذ إجراء قصير في السيارة أو المنزل.
ما حدوده وأين يخطئ؟
- المتشابهات الصوتية: كلمات تختلف في حرف واحد أو في التشكيل، فيحتاج النموذج إلى سياق كافٍ للتمييز.
- الأسماء والأرقام: الأعلام والمصطلحات النادرة والأرقام الطويلة ليست في معجم التدريب غالبًا، فتخرج مشوهة.
- علامات الترقيم: تحديد نهاية الجملة والسؤال ليس موجودًا في الصوت، ويحتاج نموذجًا إضافيًا أو سياقًا.
- تداخل المتحدثين: فصل صوتين في وقت واحد مهمة مستقلة تُسمى تقسيم المتحدثين، ولا يحلها النموذج الأساسي.
- البعد عن الميكروفون: الصدى والضجيج يخفضان جودة الإشارة قبل أن تبدأ المعالجة.
- التحيز اللهجي: أداء النموذج قد يختلف بحسب لهجة المتحدث، فيظلم فئة ويخدم أخرى دون قصد.
- الخصوصية: التسجيل الصوتي قد يكشف هوية المتحدث، فيحتاج أساسًا قانونيًا وحدودًا واضحة.
كيف تقيّم جودة النظام؟
المقياس الشائع هو معدل خطأ الكلمات (WER)، أي نسبة الكلمات الخاطئة أو المحذوفة أو المضافة إلى مجموع الكلمات. لكن الرقم وحده لا يكفي: الخطأ في اسم عميل أو رقم فاتورة أخطر من خطأ في أداة تعريف، والتسجيل النظيف يعطي نتيجة أفضل من مكالمة حقيقية. ولذلك اختبر على تسجيلات من بيئتك الفعلية، وافصل النتائج بحسب اللهجة والضجيج ونوع المحتوى، وقس زمن الاستجابة أيضًا.
وعند موازنة منظومة العتاد والأجهزة الطرفية، راجع كذلك دليل الساعة الذكية ومعالجة اللغة الطبيعية والهواتف القابلة للطي.
أسئلة شائعة
ما هو التعرف على الكلام ببساطة؟
هو تحويل الكلام المنطوق إلى نص مكتوب. يأخذ النظام الإشارة الصوتية، ويحللها إلى مقاطع قصيرة، ويقدر الحروف المحتملة، ثم يرتبها في كلمات وجمل بمساعدة نموذج اللغة.
ما الفرق بين النموذج الصوتي ونموذج اللغة؟
النموذج الصوتي يحول خصائص الصوت إلى وحدات لغوية محتملة، ونموذج اللغة يرجّح تتابع الكلمات ويحسم المتشابهات. ويعملان معًا في الأنظمة التقليدية، بينما تدمجهما النماذج الطرفية في شبكة واحدة.
هل يعمل التعرف على الكلام دون إنترنت؟
نعم، إذا كان النموذج صغيرًا بما يكفي ليعمل على الجهاز. وتكون الاستجابة أسرع والخصوصية أعلى، لكن الدقة في الظروف الصعبة قد تقل مقارنة بنموذج سحابي أكبر.
لماذا يخطئ في الأسماء والأرقام؟
لأن الأسماء النادرة والأرقام الطويلة قليلة في بيانات التدريب، ولا يساعد السياق كثيرًا في تمييزها. ويحتاج النظام إلى قائمة مصطلحات مخصصة أو مراجعة بشرية للحقول الحساسة.
هل تُرسل تسجيلاتي إلى السحابة؟
يعتمد على التطبيق وإعداداته. بعض الأنظمة تعالج الصوت على الجهاز، وبعضها يرسله إلى خادم لتفريغه. راجع سياسة الخصوصية، وابحث عن خيار المعالجة المحلية أو حذف السجل إن كان متاحًا.
المصادر
- IBM، ما هو التعرف على الكلام؟ (اطُّلع عليه في 24 أكتوبر 2026)
- AWS، ما هو التعرف على الكلام؟ (اطُّلع عليه في 24 أكتوبر 2026)
- Radford et al.، Robust Speech Recognition via Large-Scale Weak Supervision، arXiv، 6 ديسمبر 2022
- Baevski et al.، wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations، arXiv، 20 يونيو 2020
