PashtoTTS-Bench: automated screening for low-resource non-Latin-script text-to-speech
تقدم هذه الورقة البحثية إطار عمل INSV-A، وهو إطار فحص آلي لتقييم تحويل النص إلى كلام للنصوص ذات الموارد المنخفضة وغير المكتوبة بالخط اللاتيني، وتطبقه في شكل PashtoTTS-Bench لتقييم أنظمة متعددة لتحويل النص إلى كلام في اللغة البشتوية بشكل منهجي باستخدام مقاييس مثل معدل خطأ الكلمات في التعرف الآلي على الكلام، ودقة النص، وتحديد اللغة.
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 حَكم في برنامج مواهب للروبوتات التي يمكنها التحدث. مهمتك هي اختبار ما إذا كانت تستطيع التحدث باللغة البشتوية، وهي لغة يتحدث بها الملايين في أفغانستان وباكستان وتستخدم نصاً فريداً (الخط الفارسي-العربي) وتحتوي على بعض الأصوات الصعبة جداً التي لا توجد في الإنجليزية أو حتى الأردية.
لفترة طويلة، كان لدى الحكام طريقة واحدة فقط لتقييم الروبوتات: الاستماع إلى الروبوت، وكتابة ما سمعوه، ثم عدّ الكلمات الخاطئة. وهذا ما يسمى "معدل خطأ الكلمات" (WER).
المشكلة:
هذه الطريقة القديمة تشبه الحكم على طباخ يحاول طهي كاري حار، لكنه قدم لك بالخطأ وعاءً من الأرز السادة. إذا قام الحكم بعدّ الكلمات فقط، فقد يقول: "حسناً، الأرز مكتوب بشكل صحيح، لذا يحصل الطباخ على درجة جيدة!" لكن الحكم فاته حقيقة أن الطباخ قدم الطبق الخاطد تماماً.
في عالم تحويل النص إلى كلام (TTS) للغة البشتوية، ترتكب الروبوتات ثلاثة أخطاء مخادعة قد تغفل عنها عملية عدّ الكلمات البسيطة:
- اللغة الخاطئة: تقرأ نصوصاً بشتوية ولكنها تتحدث الأردية أو الدارية (لغات مجاورة).
- الخط الخاطئ: تنطق الكلمات ولكنها تستخدم الحروف الخاطئة في النص المكتوب (مثل كتابة حروف إنجليزية بدلاً من الحروف البشتوية).
- صوت الروبوت: تنطق الكلمات الصحيحة تماماً، لكن الصوت يبدو مسطحاً، آلياً، وغير طبيعي للأذن البشرية.
الحل الجديد: INSV-A
قام مؤلف هذه الورقة، حنيف رحمان، ببناء "بطاقة تسجيل" جديدة تسمى INSV-A. بدلاً من مجرد رقم واحد، هي عبارة عن قائمة فحص مكونة من أربعة أجزاء تعمل مثل جهاز الفحص الأمني في المطار.
إليك كيف تعمل الأجزاء الأربعة باستخدام تشبيهات بسيطة:
الوضوح (فحص "هل تسمعني؟"):
- الاختبار: هل يصدر الروبوت صوتاً بالفعل؟ هل يمكن للكمبيوتر كتابة الكلمات (نسخها)؟
- التشبيه: هذا يشبه التحقق مما إذا كان الراديو يعمل وما إذا كانت الإشارة واضحة بما يكفي لفهم الكلمات.
دقة الخط (فحص "القلم والورقة"):
- الاختبار: عندما يكتب الكمبيوتر ما قاله الروبوت، هل يستخدم الحروف البشتوية الصحيحة؟
- التشبيه: إذا طلبت من شخص كتابة قصيدة بالبشتوية، وسلمك ورقة بحروف إنجليزية، فقد فشل في الاختبار، حتى لو قال القصيدة بشكل صحيح. هذا الفحص يضمن أن "الكتابة" تطابق "اللغة".
التحقق (فحص "جواز السفر"):
- الاختبار: هل يتحدث الروبوت البشتوية حقاً، أم انتقل إلى الأردية؟
- التشبيه: هذا يشبه فحص جواز السفر عند الحدود. قد يبدو الروبوت وكأنه يتحدث البشتوية، لكن هذا الفحص يسأل: "هل أنت متحدث بشتوي حقيقي، أم أنك منتحل يتحدث لغة مجاورة؟"
الطبيعية (فحص "الأذن البشرية"):
- الاخت الاختبار: هل يبدو كشخص حقيقي، أم كروبوت؟
- التشبيه: هذا هو فحص "الانطباع" (Vibe). حتى لو كانت الكلمات مثالية، هل يبدو كجار ودود أم كآلة باردة؟
- ملاحظة: تذكر الورقة أن هذا الجزء مخطط له ولكنه لم يكتمل بعد في هذا الإصدار تحديداً. لقد وضعوا الاختبار، لكنهم لم ينتهوا من تقييم درجات "الانطباع".
النتائج: "PashtoTTS-Bench"
اختبر المؤلف بطاقة التسجيل الجديدة هذه على عدة روبوتات في أبريل ومايو 2026. وهذا ما وجده:
- الروبوت "الآلي" (OmniVoice auto): كان هذا الروبوت هو الفائز المفاجئ. حصل على أقل عدد من أخطاء الكلمات.
- العقبة: لقد سجل نتيجة أفضل من المتحدثين البشر الحقيقيين. لماذا؟ لأن الكمبيوتر المستخدم لتقييمه سيء في فهم الكلام البشري الفوضوي (باللهجات والضوضاء المحيطة)، لكنه يحب الصوت النظيف والمثالي للروبوت. لذا، فإن انخفاض درجة الخطأ هنا يعني أن الروبوت يبدو "نظيفاً"، وليس بالضرورة أنه "أفضل من الإنسان".
- الروبوتات "التجارية" (Edge GulNawaz & Latifa): هذه هي الأصوات الرسمية من مايكروسوفت. لقد قامت بعمل جيد، حيث تحدثت بشتوية واضحة وبالحروف الصحيحة. إنها تمثل "الأساس الآمن".
- الروبوت "المستنسخ" (OmniVoice clone): حاول هذا الروبوت تقليد صوت ما، لكنه تعثر قليلاً، وفشل في نطق بعض الجمل على الإطلاق.
- روبوت "الأردية" (عينة الضبط): اختبر المؤلف روبوتاً يُفترض أن يتحدث الأردية. لقد فشل في اختبار البشتوية بشكل صحيح، مما أثبت أن بطاقة التسجيل الجديدة يمكنها التمييز بين البشتوية والأردية المجاورة لها.
الاكتشاف الكبير: فخ "Whisper"
أحد أهم النتائج هو ما يتعلق بأداة شهيرة تسمى Whisper (وهي ذكاء اصطناعي شهير لمعالجة الكلام).
- وجدت الورقة أن Whisper أعمى تجاه اللغة البشتوية. على الرغم من وجود البشتوية في قاموسه، إلا أنه نادراً ما يتعرف عليها. هو يعتقد أن البشتوية شيء آخر.
- الدرس المستفاد: لا يمكنك الاعتماد على أداة واحدة فقط للحكم على هذه اللغات. أنت بحاجة إلى فريق من الأدوات المختلفة (مثل MMS و SpeechBrain) لتدقيق بعضها البعض، وإلا فقد تفوتك عملية الفشل تماماً.
الملخص
هذه الورقة لا تقدم مجرد درجة؛ بل تقدم قاعدة قواعد جديدة. إنها تخبرنا أنه بالنسبة للغات مثل البشتوية، لا يمكنك مجرد عدّ الكلمات. يجب عليك التحقق مما يلي:
- هل تحدث اللغة الصحيحة؟
- هل استخدم الحروف الصحيحة؟
- هل أصدر صوتاً بالفعل؟
- (لاحقاً) هل بدا صوته بشرياً؟
لقد نشر المؤلف جميع الأدوات، وأسئلة الاختبار، وسكريبتات التقييم حتى يتمكن أي شخص من إجراء هذا الاختبار مرة أخرى في المستقبل لمعرفة ما إذا كانت الروبوتات الجديدة ستتحسن. إنه بمثابة "نقطة تفتيش" للتأكد من أننا لا نبني فقط روبوتات تبدو وكأنها تتحدث البشتوية، بل هي تتحدثها حقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.