Integrating Human Linguistic Insights into AI: Theory-Driven Representation for Multilingual Text-to-Speech
تُثبت هذه الورقة أن دمج المعجم غير المحدد سماتياً (FUL)، وهو تمثيل فونولوجي قائم على النظرية، في بنية FastSpeech معدلة يتيح توليد كلام متعدد اللغات للنصوص عبر تحويل النص إلى كلام يتسم بالقابلية للتوسع، والتفسير، والجودة العالية للحديث الأصلي، وغير الأصلي، والمختلط لغوياً، حتى مع محدودية بيانات التدريب.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت التحدث بكل لغات الأرض. في الوقت الحالي، الطريقة الأكثر شيوعاً للقيام بذلك تشبه إطعام وحش عملاق جائع ملايين الساعات من المحادثات البشرية. يأكل الوحش كل تلك البيانات، ويحفظ الأصوات، وفي النهاية يتعلم التحدث. هذا الأسلوب يعمل بشكل مذهل للغات التي تمتلك عددًا كبيرًا من المتحدثين، مثل الإنجليزية أو الماندرين، لكنه يمثل مشكلة كبيرة للغات الأصغر. فلا يوجد عدد كافٍ من الساعات المسجلة ليأكلها الروبوت، وبناء "وحش" منفصل لكل لغة على حدة هو أمر مكلف ومبدد للموارد.
لكن البشر مختلفون. نحن لا نحتاج إلى ملايين الساعات لتعلم صوت جديد؛ نحن فقط بحاجة إلى فهم اللبنات الأساسية. لقد قضى علماء اللغويات عقودًا في دراسة هذه اللبنات، والتي تُسمى "السمات الفونولوجية" (السمات الصوتية). فكر في هذه السمات ليس كحروف أو أصوات محددة، بل كمفاتيح صغيرة تجعل الصوت ما هو عليه. هل الصوت ناتج عن الشفاه؟ (هذا مفتاح "شفوي"). هل يتدفق الهواء بحرية أم أنه محجوب؟ (هذا مفتاح "صامت"). هل الحنجرة تهتز؟ (هذا مفتاح "جهري"). بدلاً من حفظ كلمة "قطة" (cat) ككتلة واحدة ضخمة وغير قابلة للتجزئة، يقوم الإنسان بتفكيكها إلى هذه المفاتيح: الشفاه، حجب الهواء، الاهتزاز، ارتفاع اللسان، وما إلى ذلك. تسأل هذه الورقة البحثية سؤالاً بسيطاً وجريئاً: ماذا لو علمنا الروبوت التحدث باستخدام هذه المفاتيح الصغيرة بدلاً من الكلمات أو الأصوات الكاملة؟ هل يمكن للروبوت أن يتعلم التحدث بلغة لم يسمعها من قبل، بمجرد فهم قواعد هذه المفاتيح؟
قرر الباحثون وراء هذه الدراسة اختبار هذه الفكرة باستخدام مجموعة محددة من هذه المفاتيح تسمى "المعجم غير المحدد سماتيًا" (FUL). أرادوا معرفة ما إذا كان بإمكانهم بناء روبوت نطق يمكنه التحدث بالإنجليزية، والماندرين، وحتى المزج بينهما، باستخدام قدر ضئيل جداً من البيانات. لم يحاولوا بناء أكبر روبوت أو أكثرهم كمالاً في العالم؛ بل بنوا نموذجاً لإثبات المفهوم لمعرفة ما إذا كان هذا النهج القائم على "المفاتيح" يمكن أن ينجح بالفعل.
إليكم ما فعلوه وما وجدوه. لقد أخذوا روبوت نطق قياسي (يعتمد على بنية تسمى FastSpeech) واستبدلوا مدخلاته المعتادة — وهي قائمة بأصوات محددة مثل "p" أو "b" أو "t" — بقائمة من مفاتيح FUL هذه. وعلموا الروبوت ترجمة رموز الصوت القياسية إلى هذه المفاتيح العشرين. ثم أجروا تجربتين.
في التجربة الأولى، أعطوا الروبوت كمية ضئيلة من البيانات: 2.62 ساعة فقط من الإنجليزية وما بين 0.5 إلى 8 ساعات من الماندرين. وطلبوا من الروبوت التحدث بكلتا اللغتين، رغم أن المتحدث بالإنجليزية لم يسمع الماندرين قط، والمتحدث بالماندرين لم يسمع الإنجليزية قط. كانت النتائج مختلطة، ولكن مع وجود اتجاه واضح. عندما امتلك الروبوت 8 ساعات من بيانات الماندرين، استطاع المتحدث بالماندرين إنتاج كلام مفهوم بالماندرين. والأكثر إثارة للاهتمام، عندما حاول المتحدث بالإنجليزية التحدث بالماندرين (وهي لغة لم يتم تدريبه عليها)، استطاع الروبوت إنتاج بعض الأصوات المفهومة، وإن بدت وكأنها تحمل لكنة غريبة. لم يصبح الروبوت طلقاً في الكلام بشكل سحري، لكن النتائج أظهرت أن المفاتيح سمحت له بتقديم تخمينات حول أصوات لم يسمعها من قبل.
في التجربة الثانية، أعطوا الروبوت "وجبة" أكبر بكثير: 100 ساعة من البيانات من 12 متحدثاً مختلفاً، بما في ذلك الإنجليزية والماندرين. هذه المرة، كانت النتائج أقوى بكثير. استطاع الروبوت التحدث بكلتا اللغتين بوضوح عالٍ. حتى المتحدث بالماندرين، الذي لم يتلق أي تدريب على الإنجليزية، استطاع التحدث بالإنجليزية بشكل جيد بما يكفي ليفهمه الآخرون. كما استطاع المتحدث بالإنجليزية التحدث بالماندرين بوضوح أفضل مما كان عليه في السابق. لم يكن الروبوت مجرد مقلد؛ بل كان يستخدم المفاتيح المشتركة لفهم كيفية إصدار أصوات جديدة. على سبيل المثال، عندما حاول روبوت الإنجليزية إنتاج صوت محدد من الماندرين لم يسمعه من قبل، استخدم "المفاتيح" التي تعلمها من أصوات أخرى لبناء نسخة من ذلك الصوت تكون قريبة بما يكفي لتكون مفهومة.
ومع ذلك، تحرص الورقة البحثية على توضيح ما لا يعنيه هذا. لم يصبح الروبوت متحدثاً بشرياً مثالياً. فقد ظل يعاني مع "موسيقى" اللغة، وتحديداً نغمات (tones) اللغة الماندرين. ولأن الروبوت لم يُعلم كيفية استخدام المفاتيح للنغمة (مثل النبرة الصاعدة أو الهابطة)، بدا المتحدث بالإنجليزية وكأنه يتحدث الماندرين بنبرة مسطحة ومحايدة، مما جعل بعض الكلمات صعبة الفهم. ويشير الباحثون إلى أنه بينما تعمل "المفاتيح" بشكل رائع للأصوات الفردية (الصوامت والصوائت)، فإننا لا نزال بحاجة إلى اكتشاف كيفية إضافة مفاتيح للأجزاء الموسيقية من الكلام.
إذن، ما هي الخلاصة الكبرى؟ تشير الدراسة إلى أن استخدام هذه المفاتيح اللغوية العالمية هو وسيلة فعالة وقابلة للتطبيق لتعليم الروبوتات التحدث بلغات متعددة. إنها تثبت أنك لست بحاجة إلى ملايين الساعات من البيانات لتعليم الروبوت لغة جديدة؛ أنت فقط بحاجة إلى تعليمه قواعد اللعبة. ورغم أن هذا ليس حلاً مثالياً بعد — خاصة فيما يتعلق بالأجزاء الموسيقية من الكلام مثل النغمة — إلا أنه يفتح الباب أمام مستقبل يمكن فيه بناء تقنيات الكلام للغات ذات الموارد المحدودة دون الحاجة لتسجيل عقود من المقاطع الصوتية. إنها خطوة نحو عالم يمكن فيه للروبوت تعلم لغة جديدة من خلال فهم "الحمض النووي" الخاص بها، بدلاً من مجرد حفظ تاريخها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.