WorldSpeech: A Multilingual Speech Corpus from Around the World
تقدم الورقة البحثية WorldSpeech، وهو متن لغوي ضخم متعدد اللغات يحتوي على 65,000 ساعة من البيانات الصوتية والنصية المتوافقة عبر 76 لغة، مما يحسن بشكل كبير أداء التعرف التلقائي على الكلام للغات ذات الموارد المنخفضة من خلال تقليل معدلات خطأ الكلمات بمتوسط قدره 63.5%.
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. بالنسبة للغات الشائعة مثل الإنجليزية أو الإسبانية، لديك مكتبة ضخمة من الكتب والكتب الصوتية حيث يمكن للروبوت الاستماع إلى صوت وقراءة الكلمات الدقيقة التي تُنطق في نفس الوقت. هذا يشبه امتلاك معلم مثالي.
لكن بالنسبة لمئات اللغات الأخرى، يعاني الروبوت من الجوع؛ فليس لديه مواد "معلم" كافية. قد يمتلك بعض الصفحات المتفرقة هنا وهناك، لكنها ليست كافية ليتعلم بشكل صحيح. هذه هي المشكلة التي يحاول مؤلفو هذه الورقة البحثية، WorldSpeech، حلها.
المجموعة الكبيرة: مكتبة عالمية
قام الباحثون ببناء WorldSpeech، وهو في الأساس مكتبة ضخية وجديدة لمعلمي الروبوتات.
- النطاق: جمعوا 65,000 ساعة من التسجيلات الصوتية. ولو أردت وضع ذلك في الاعتبار، فإذا استمعت إلى هذه المكتبة دون توقف، فسيستغرق الأمر أكثر من 7 سنوات لإنهائها.
- التنوع: تغطي 76 لغة مختلفة، تتراوح من لغات العالم الرئيسية إلى اللغات الإقليمية الأصغر مثل "كريول سيشيل" (من جزر سيشل) أو اللغة البورمية.
- المصدر: لم يكتفوا بطلب تسجيل أنفسهم من قبل الناس (لأن ذلك قد يكون غير منظم)، بل بحثوا في السجلات العامة:
- البرلمانات: تسجيلات الاجتماعات الحكومية حيث يتحدث السياسيون وتوجد نصوص رسمية لما قيل.
- البث الإذاعي: المحطات الإذاعية الدولية التي تبث الأخبار بالعديد من اللغات.
- الكتب الصوتية: القصص التي تندرج ضمن الملكية العامة والتي تمت قراءتها بصوت عالٍ.
فكر في الأمر كأنك تجمع كل الخطب العامة، ونشرات الأخبار، والقصص المتاحة في الملكية العامة وتنظمها بحيث يمكن للحاسوب أن يتعلم منها.
مشكلة "الخاطبة" (المطابقة)
مجرد امتلاك الصوت والنص ليس كافيًا؛ إذ يجب أن يكونا متزامنين بدقة تامة. يحتاج الكمبيوتر إلى معرفة أن صوت كلمة "hello" يطابق النص "hello" تمامًا في تلك الثانية.
هذا أمر صعب لأن:
- التنسيقات فوضوية: بعض الملفات بصيغة MP3، وبعضها ملفات فيديو. بعض النصوص في ملفات PDF ذات عمودين، وبعضها في مستندات Word قديمة. اضطر الفريق لبناء "طاقم تنظيف" لإصلاح كل هذه التنسيقات المختلفة.
- مشكلة "المترجم السيئ": لمطابقة الصوت مع النص، استخدموا أولاً ذكاءً اصطناعيًا قياسيًا (كمترجم) لتخمين ما يقال. إذا كان الذكاء الاصطناعي سيئًا في لغة معينة (مثل البورمية أو اللاوية)، فإنه يخطئ في التخمين، وبالتالي لا يستطيع الكمبيوتر العثạch النص المطابق. الأمر يشبه محاولة مطابقة قطعة أحجية (بازل) بينما الصورة الموجودة على القطعة ضبابية؛ لا يمكنك رؤية أين تكمن مكانها الصحيح.
حيلة "التكرار": يصبح أذكى ليجد المزيد
هذه هي الحركة الأكثر ذكاءً في هذه الورقة البحثية. لقد أدركوا أنه بالنسبة للغات التي كان فيها الذكاء الاصطناعي الأولي سيئًا، فإنهم كانوا يتخلصون من الكثير من البيانات الجيدة لأن عملية "المطابقة" كانت تفشل.
لذلك، ابتكروا حلقة تغذية راجعة:
- الجولة الأولى: يستخدمون ذكاءً اصطناعيًا أساسيًا لمطابقة ما يمكنهم مطابقته.
- التدريب: يقومون بتعليم هذا الذكاء الاصطناعي الأساسي باستخدام المطابقات التي وجدوها بالفعل.
- الجولة الثانية: يستخدمون هذا الذكاء الاصطناعي الذي أصبح "أذكى" الآن للبحث في نفس التسجيل الصوتي مرة أخرى. ولأن الذكاء الاصطناعي أصبح الآن أفضل في تلك اللغة المحددة، يمكنه أخيرًا التعرف على الكلمات التي فاتته في السابق.
- النتيجة: استعادوا قدرًا هائلًا من البيانات الإضافية—أحيانًا ضاعفوا أو ضاعفوا ثلاث مرات الساعات المتاحة للغات الصعبة—دون تسجيل ثانية واحدة جديدة من الصوت.
النتائج: تعليم الروبوت
اختبروا هذه المكتبة الجديدة عبر تعليم نموذج قياسي للتعرف على الكلام (روبوت) باستخدام WorldSpeech.
- التحسن: بالنسبة لـ 11 لغة مختلفة، انخفضت أخطاء الروبوت بشكل كبير. في المتوسط، انخفض معدل الخطأ بنسبة 63.5%.
- حالات "السحر": بالنسبة لبعض اللغات التي كان الروبوت فيها تائهًا تمامًا من قبل (حيث يرتكب أخطاءً أكثر من الكلمات الصحيحة)، حوله التدريب الجديد إلى متحدث كفء. على سبيل المثال، بالنسبة للغة الساموا، تحول الروبوت من كونه عديم الفائدة تقريبًا إلى ارتكاب أخطاء قليلة جدًا.
العقبات (القيود)
المؤلفون صريحون بشأن عيوب هذه المكتبة:
- التحيز "الرسمي": معظم التسجيلات الصوتية تأتي من السياسيين ومذيعي الأخبار. هؤلاء الأشخاص يتحدثون بأسلوب رسمي للغاية، وبوضوح، وببطء. قد يواجه الروبوت صعوبة إذا حاول التحدث مع شخص عادي في محادثة عفوية، سريعة، أو مليئة بالكلمات العامية.
- سقف "الجودة": تعتمد جودة المطابقات النهائية على الذكاء الاصطناعي المستخدم للقيام بالمطابقة. إذا كان الذكاء الاصطناعي سيئًا للغاية في لغة ما، فحتى هذه العملية الذكية لن تتمكن من إيجاد تطابق مثالي.
الملخص
باختصار، ورقة WorldSpeech البحثية تدور حول بناء مكتبة عامة ضخمة للكلمات المنطوقة ونصوصها المكتوبة لـ 76 لغة. لقد استخدموا استراتيجية ذكية تعتمد على مبدأ "الممارسة تؤدي إلى الإتقان" لإصلاح الأجزاء الصعبة في تنظيم هذه المكتبة. والنتيجة هي مجموعة بيانات ضخمة تساعد الحواسيب على فهم والتحدث بالعديد من اللغات أكثر مما كانت تستطيع فعله من قبل، وتحديدًا من خلال التعلم من السجلات العامة مثل الاجتماعات الحكومية أو البث الإذاعي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.