تخيل عالماً لا يفهم فيه هاتفك اللغة "الرسمية" التي يتعلمها الجميع في المدرسة فحسب، بل يفهم أيضاً الطرق الملونة والمليئة بالعامية التي يتحدث بها أصدقاؤك وأجدادك بالفعل. لفترة طويلة، كانت أدمغة الكمبيوتر الأكثر ذكاءً — والتي تسمى "نماذج حوار الكلام" — تشبه الطلاب النخبة الذين يتحدثون فقط لغة ماندارين أو إنجليزية مثالية من الكتب المدرسية. كان بإمكانهم الدردشة بطلاقة بتلك اللغات، ولكن إذا سألتهم سؤالاً بلهجة محلية مثل لهجة سيشوان أو كانتون، فغالباً ما كانوا يرتبكون، أو يتحدثون بنبرة روبوتية رتيبة، أو ببساطة يعودون إلى اللغة الرسمية. هذا أمر بالغ الأهمية لأن اللهجات هي نبض الثقافة المحلية والروابط العائلية. المشكلة هي أنه لا يوجد ببساطة ما يكفي من المحادثات المسجلة في هذه اللهجات لتعليم أجهزة الكمبيوتر كيفية التحدث بها بشكل طبيعي. الأمر يشبه محاولة تعليم طاهٍ كيفية طبخ طبق إقليمي معين بينما لا تملك سوى كتاب وصفات واحد وبعض المكونات المتفرقة.

قرر الباحثون وراء هذه الورقة البحثية، DialectS2S، إصلاح ذلك من خلال بناء نوع جديد من نموذج "الكلام إلى الكلام" يمكنه الدردشة بشكل طبيعي في اللهجات الصينية ذات الموارد المنخفضة. وبدلاً من مجرد محاولة إجبار الكمبيوتر على حفظ تسجيلات قليلة نادرة، ابتكروا طريقة ذكية لإنشاء آلاف المحادثات التدريبية الجديدة باستخدام أدوات ذكاء اصطناعي أخرى. كما لاحظوا شيئاً مخادعاً: عندما تعلم كمبيوتراً لهجة جديدة، فإن "دماغه" الداخلي يغير طريقة تفكيره، لكن الطريقة التي نعلمه بها التحدث تظل ثابتة، مما يسبب عدم توافق. ولحل هذه المشكلة، طوروا طريقة تدريب مكونة من خطوتين حيث يعلم الكمبيوتر نفسه التحدث بناءً على فهمه الجديد الخاص، بدلاً من اتباع نص قديم وجامد. والنتيجة؟ نموذج يمكنه إجراء محادثة طبيعية وواضحة ومتسقة بلهجات مثل السيشوانية، والكانتونية، والتجينانية، دون أن يفقد قدرته على التحدث بالماندارين أو الإنجليزية.

المشكلة: "الروبوت" الذي لا يستطيع التحدث بلهجة محلية

تخيل أن لديك صديقاً روبوتاً فائق الذكاء بارع في إلقاء النكات بلغة إنجليزية وماندارين مثالية. ولكن عندما تحاول التحدث معه بلهجة مسقط رأسك، يبدأ في التلعثم، أو يبدو كأنه راديو معطل، أو الأسوأ من ذلك، يتجاهل لهجتك ويرد بماندارين مثالية. هذا هو بالضبط ما يحدث مع نماذج الكلام الحالية. يتم تدريبها على كميات هائلة من البيانات للغات الرئيسية، ولكن بالنسبة للهجات، فإن البيانات شحيحة.

وجد الباحثون أن مجرد محاولة تعليم هذه النماذج المزيد من بيانات اللهجات غالباً ما يؤدي إلى نتائج عكسية. الأمر يشبه محاولة تعليم عازف بيانو أغنية جديدة من خلال جعله يعزف الأغنية القديمة بشكل أسرع وأعلى؛ فكلما حاول أكثر، تشابكت أصابعه أكثر. عندما يتعلم النموذج لهجة جديدة، فإن "تفكيره" الداخلي (كيف يفهم المعنى) يتغير ويتطور. ومع ذلك، فإن جزء "التحدث" (كيف يحول ذلك الفكر إلى صوت) لا يزال يُدرّس باستخدام القواعد القديمة غير المتغيرة. هذا يخلق عدم توافق: الدماغ يفكر باللهجة، لكن الفم يحاول التحدث بطريقة لا تناسبها، مما يؤدي إلى كلام يبدو غير طبيعي أو يصعب فهمه.

الحل: بناء ملعب للهجات

لإصلاح ذلك، بنى الفريق نظام DialectS2S، وهو نظام مصمم خصيصاً للهجات ذات الموارد المنخفضة. لم ينتظروا مجرد أن يقوم الناس بتسجيل المزيد من المحادثات باللهجات؛ بل بنوا آلة لإنشائها.

1. خط الإنتاج الاصطناعي (مصنع اللهجات)
بما أن بيانات اللهجات الحقيقية يصعب العثنا عليها، فقد أنشأوا خط إنتاج لتوليدها.

• الخطوة 1: إعادة كتابة النص. أخذوا محادثات موجودة وعالية الجودة باللغة الماندارين واستخدموا نموذج لغة ضخماً لـ "ترجمتها" إلى لهجات مثل السيشوانية، والكانتونية، والتجينانية. الأمر يشبه أخذ مسرحية قياسية وإعادة كتابة الحوار بحيث يبدو المتحدثون وكأنهم من قرية محددة، مع الحفاظ على القصة نفسها وتغيير النكهة فقط.
• الخطوة 2: توليد الصوت. بعد ذلك، استخدموا نماذج توليد الكلام لتحويل هذه النصوص اللهجوية الجديدة إلى مقاطع صوتية. بالنسبة لجزء "المستخدم" من المحادثة، استخدموا مجموعة متنوعة من الأصوات لجعل الأمر يبدو كأشخاص مختلفين. أما بالنسبة لـ "النظام" (الذكاء الاصطناعي)، فقد حافظوا على ثبات الصوت لكي يبدو الذكاء الاصطناعي كشخصية واحدة موثوقة.
• الخطوة 3: مرشح الجودة. ليست كل الأصوات المولدة بالذكاء الاصطناعي تبدو جيدة. استخدموا أداة تسمى UTMOS لتصفية أي مقاطع تبدو روبوتية أو ذات نطق سيء تلقائياً، والاحتفاظ فقط بالعينات "الذهبية" عالية الجودة.

2. التدريب ذو المرحلتين (حلقة التصحيح الذاتي)
هذا هو السر. أدرك الباحثون أن الطريقة القديمة للتدريب (مجرد عرض الأمثلة على النموذج وقول "انسخ هذا") لم تكن تعمل لأن الفهم الداخلي للنموذج كان يتغير.

• المرحلة 1: الضبط الدقيق للبيانات المختلطة. أولاً، علموا النموذج باستخدام مزيج من الماندارين، والإنجليزية، وبيانات اللهجة الجديدة. ساعد هذا النموذج على تعلم فهم اللهجات.
• المرحلة 2: الإشراف الكلامي المتوافق ذاتياً. هذا هو الجزء الذكي. بدلاً من إجبار النموذج على نسخ أهداف كلامية قديمة، تركوا "المفكر" الخاص بالنموذج (الجزء الذي يفهم المعنى) يولد استجابته النصية الخاصة. ثم استخدموا مُخلق صوت لتحويل ذلك النص إلى كلام جديد. استخدموا هذا الكلام الجديد كهدف لـ "المتحدث" (الجزء الذي يتكلم).
  • التشبيه: تخيل طالباً يتعلم التحدث. في الطريقة القديمة، يعطيه المعلم نصاً ويقول له: "اقرأ هذا بالضبط". في الطريقة الجديدة، يفكر الطالب فيما يريد قوله، ويكتبه، ثم يتدرب على نطق كلماته هو. هذا يضمن أن الطريقة التي يتحدث بها تتطابق تماماً مع ما يفكر فيه، مما يلغي الارتباك بين "ما أعنيه" و"ما أقوله".

النتائج: التحدث مثل ابن المنطقة

اختبر الفريق نموذجهم الجديد مقابل العديد من نماذج الكلام الرائدة الأخرى. كانت النتائج مبهرة.

• مطابقة اللغة: عندما طُلب منه التحدث بلهجة محددة، نجح DialectS2S في ذلك بنسبة 96% للسيشوانية، و95% للكانتونية، و91% للتجينانية. قارن هذا بالنماذج الأخرى، التي غالباً ما سجلت 0% أو أرقاماً منخفضة جداً (مثل 2.22% للسيشوانية في أحد المنافسين). إنه الفرق بين سائح يعرف بعض العبارات وبين ابن المنطقة الذي يمكنه الدردشة طوال اليوم.
• جودة الاستجابة: عندما قام البشر بتقييم مدى طبيعية ودقة الإجابات، سجل DialectS2S متوسط 4.42 من 5 عبر جميع اللهجات. بينما عانت النماذج الأخرى، حيث انخفضت درجاتها إلى 2.06 للتجينانية.
• وضوح الكلام: يقيس هذا مدى سهولة فهم الكلام. استخدم الباحثون مقياساً يسمى معدل خطأ الحروف (CER)، حيث يكون الرقم الأقل أفضل. حقق DialectS2S معدل 8.69% للهجات، وهو في الواقع أفضل من متوسط أداء معايير اللهجات الحالية (الذي كان 11.67%). هذا يعني أن الكلام لم يكن "لهجوياً" فحسب، بل كان واضحاً وسهل الفهم.

ماذا يعني هذا؟

تشير الورقة البحثية إلى أنه من خلال مواءمة أهداف الكلام مع فهم النموذج المتطور، يمكننا تعليم أجهزة الكمبيوتر التحدث بلهجات ذات موارد منخفضة بشكل أكثر فعالية. أظهر الفريق أن مجرد إضافة المزيد من وقت التدريب (مثل طريقة "sft-3ep" التي اختبروها) لم يساعد بقدر طريقتهم الجديدة المتوافقة ذاتياً. في الواقع، أحياناً جعل التدريب لفترة أطول الكلام أقل وضوحاً.

لقد جعل الباحثون إطار عملهم بالكامل، بما في ذلك الكود والبيانات التي أنشأوها، مفتوحة المصدر. هذا يعني أن أي شخص يمكنه استخدام DialectS2S لبناء روبوتات دردشة بلهجاته الخاصة. وبينما يغطي النموذج الحالي خمس لغات ولهجات (الماندارين، الإنجليزية، السيشوانية، الكانتونية، والتجينانية)، فإن الباب مفتوح الآن لتعليم أجهزة الكمبيوتر التحدث بالعديد من اللغات المحلية الأخرى، مما يحافظ على الأصوات الفريدة لمختلف الثقافات في العصر الرقمي.