MEUSLI: a Multilingual Projector for LLM-based ASR and Beyond
تقدم الورقة البحثية MEUSLI، وهي أول عائلة أجهزة عرض متعددة اللغات قائمة على العلم المفتوح تربط مشفر كلام Whisper مع نماذج لغوية كبيرة مفتوحة المصدر لتمكين التعرف التلقائي على الكلام القابل للتوسع من طرف إلى طرف وغير القائم على النصوص، بالإضافة إلى مهام فهم الكلام الأخرى عبر 28 لغة أوروبية.
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 أن لديك عقل روبوت فائق الذكاء يمكنه قراءة وكتابة أي نص في العالم، لكنه أصم تماماً؛ لا يمكنه سماع كلمة واحدة منطوقة. وفي المق المقابل، لديك أذن خارقة يمكنها سماع الأصمات بشكل مثالي ولكنها لا تفهم معناها. لفترة طويلة، ولكي يجعلوهما يتواصلان معاً، اضطر المهندسون إلى بناء وسيط ضخم: حيث يذهب الصوت إلى مترجم، ثم إلى محول نصوص، وأخيراً إلى العقل. كان هذا المسار بطيئاً، وإذا أخطأ المترجم، يصاب العقل بالارتباك.
مؤخراً، اكتشف العلماء كيفية بناء جسر مباشر بين "الأذن الخارقة" و"العقل الفائق". هذا الجسر يسمى "المسقط" (projector). فكر فيه كأنه محول عالمي (universal adapter). فهو يأخذ الإشارات الكهربائية الخام من الصوت ويترجمها فوراً إلى اللغة التي يفهمها العقل، مما يسمح للاثنين بالدردشة مباشرة. هذا هو عالم "نماذج لغة الكلام" (SLMs). والسؤال الكبير الذي يطرحه الباحثون هو: هل يمكننا بناء أحد هذه المحولات التي تعمل للجميع، وليس فقط لمتحدثي الإنجليزية؟ إذا استطعنا ذلك، فسنتمكن أخيراً من منح صوت لآلاف اللغات التي تم تهميشها في المحادثة الرقمية، خاصة تلك التي لديها عدد قليل جداً من المتحدثين أو لا تتوفر لها بيانات مسجلة كافية.
وهنا يأيد "MEUSLI"، وهو مشروع جديد يعمل كمفتاح رئيسي لـ 28 لغة أوروبية. فقد بنى الباحثون عائلة من هذه "المحولات" التي تربط أذناً صوتية قوية (تسمى Whisper) بعقول روبوتية متعددة اللغات ومفتوحة المصدر. كانت نتيجتهم الرئيسية هي أن هذا النظام يعمل بشكل رائع، ليس فقط للغات الشائعة مثل الإسبانية أو الألمانية، بل أيضاً للغات النادرة مثل البرتونية أو المالطية. واكتشفوا أنه إذا بدأت بمحولهم متعدد اللغات المعد مسبقاً، يمكنك تعليم النظام لغة جديدة باستخدام كمية ضئيلة جداً من البيانات، وأحياناً بقدر يصل إلى 46 دقيقة فقط من التسجيلات الصوتية.
ومع ذلك، هناك عقبة. فإذا حاولت تعليم هذا المحول لغة جديدة دون حذر، فإنه يميل إلى "نسيان" كل ما عرفه عن اللغات الـ 28 الأصلية، تماماً مثل طالب يدرس لاختبار جديد وينسى فوراً واجباته القديمة. وتقترح الورقة البحثية أنه لكي تعالج هذا الأمر، تحتاج إلى استخدام تقنية تسمى "إعادة تشغيل البيانات" (data replay)، حيث تمارس اللغات القديمة من حين لآخر أثناء تعلم اللغة الجديدة، للحفاظ على الذاكرة حية.
وبعيداً عن مجرد كتابة ما يقوله الناس (النسخ النصي)، أظهر الفريق أن هذا المحول يمكن تعديله للقيام بمهام أخرى، مثل ترجمة الكلمات المنطوقة إلى الإنجليزية أو تخمين موضوع المحادثة (مثل الرياضة أو السياسة). ووجدوا أنه مع بضع ساعات فقط من التدريب المحدد لكل مهمة جديدة، يمكن للنظام تعلم القيام بهذه الأشياء أيضاً.
وتستبعد الورقة البحثية صراحةً فكرة أنك بحاجة إلى كميات هائلة من البيانات أو معلومات سرية لبناء هذه الأنظمة. إنهم يجادلون ضد الاعتقاد بأن دعم اللغات ذات الموارد المنخفضة أمر مستحيل، موضحين بدلاً من ذلك أن وجود نقطة انطلاق جيدة (المسقط متعدد اللغات الخاص بهم) يجعل من الممكن "تعزيز" (bootstrap) لغات جديدة من كمية ضئيلة جداً من البيانات. ورغم أنهم لا يدعون حل كل مشاءكل العالم، إلا أنهم يقدمون دليلاً قوياً على أن هذا النهج قابل للتوسع، ومفتوح، وفعال. لقد قاسوا هذه النتائج باستخدام اختبارات معيارية على بيانات واقعية، مما أظهر أن طريقتهم تتفوق باستمرار على البدء من الصفر، خاصة بالنسبة لأصعب اللغات وأندرها.
باخت-صار، MEUSLI هو مجموعة أدوات تثبت أنه يمكننا بناء تكنولوجيا صوتية شاملة ومفتوحة المصدر، لا تعمل فقط للقلة، بل للكثيرين، محولةً عقل الروبوت الأصم إلى مستمع متعدد اللغات بمساعدة محول ذكي وخفيف الوزن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.