Listen, Reason, and Segment: Aligning LALMs with Editorial Judgment for Media Chapterization

في الأرشيف الشاسع للصوت البشري، من عقود البث التلفزيوني إلى ملايين الساعات من مقاطع الفيديو عبر الإنترنت، يكمن هيكل غالباً ما يكون غير مرئي للآلات. وبينما أصبحت الحواسيب بارعة بشكل ملحوظ في الاستماع إلى الكلام وتحديد أصوات معينة مثل نباح كلب أو بوق سيارة، إلا أنها تعاني في مهمة بشرية أكثر دقة: فهم تدفق القصة. فعندما يشاهد المحرر البشري فيديو طويلاً، فإنه لا يسمع مجرد ضجيج؛ بل يستشعر متى يتغير الموضوع، أو متى تنتهي فاصلة موسيقية، أو متى يبدأ مقطع جديد. ويضع علامات لتقسيم المحتوى إلى فصول، مما يجعل من الممكن للمشاهد الانتقال إلى الجزء الذي يهمه. أما بالنسبة للحاسوب، فإن هذه المهمة تمثل لغزاً صعباً. فالفواصل بين هذه الأجزاء نادراً ما تُحدد بضجيج عالٍ أو صمت مفاجئ، بل تُعرف بتغير في النبرة، أو تحول في إيقاع الكلام، أو انتقال دقيق في الموسيقى الخلفية. هذا هو مجال التقدير التحريري، وهي مهارة ذاتية ظلت بعيدة عن متناول الذكاء الاصطناعي الذي يحاول تنظيم الصوت في العالم.

قام فريق من الباحثين في جامعة سري وهواوي بتطوير نهج جديد لتعليم الآلات هذه المهارة المحددة. فقد ركزوا على مهمة تسمى "تقسيم الصوت إلى فصول" (audio chapterization)، والتي تتضمن أخذ تدفق مستمر من الصوت وتقسيمه إلى أقسام موضوعية ذات معنى. والتحدي يكمكم في أن هذه الأقسام لا تُحدد بقواعد صارمة، بل بنية المبدع. فقد ينقسم "البودكاست" إلى فصول بناءً على تغير موضوع المتحدث، بينما قد ينقسم بث ألعاب الفيديو بناءً على إكمال مستوى معين، وقد ينقسم الفيديو الموسيقي عند تغير الأغنية. وغالباً ما تحاول الأدوات الموجودة حل هذه المشكلة عن طريق تحويل الكلام إلى نص أولاً ثم تحليل الكلمات. وهذا يعمل في المقابلات البسيطة، لكنه يفشل فشلاً ذريعاً عندما يحتوي الصوت على موسيقى، أو مؤثرات صوتية، أو أحداث ديناميكية حيث لا تروي الكلمات وحدها القصة كاملة. أدرك الباحثون أنه لكي تفهم هذه الآلة هذه الفواصل حقاً، يجب على الذكاء الاصطناعي أن يستمع إلى الصوت مباشرة، ويستنتج عبر الأصوات تماماً كما يفعل المحرر البشري.

ولتحقيق ذلك، ابتكر الفريق نظاماً أطلقوا عليه اسم "AudioChaps". بدأوا بنموذج لغوي صوتي قوي، وهو نوع من الذكاء الاصطناعي المصمم لفهم الصوت، لكنهم وجدوا أن حتى النسخ الأكثر تقدماً منه كانت تعاني في هذه المهمة عندما تُترك لتدبير أمرها. كانت هذه النماذج تميل إلى أن تكون حذرة للغاية، فغالباً ما تفشل في رصد الفواصل تماماً أو تخفق في التعرف عليها في الأصوات المعقدة مثل الموسيقى أو بث الألعاب. قرر الباحثون تدريب النموذج ليس فقط للتعرف على الأنماط، بل لمحاكاة عملية اتخاذ القرار لدى المحرر البشري. لقد جمعوا مجموعة ضخمة من المقاطع الصوتية من موقع يوتيوب، حيث قام صناع المحتوى بالفعل بوضع علامات فصولهم الخاصة. وكانت هذه العلامات الواقعية بمثابة المعيار الذهبي لما يبدو عليه القرار "الصحيح".

تضمنت عملية التدريب خطوتين متمايزتين صُممتا لتوجيه النموذج نحو التفكير الشبيه بالبشر. أولاً، زود الباحثون النموذج بطريقة مهيكلة للتفكير في الصوت؛ حيث أنشأوا مجموعة بيانات يُطلب من النموذج فيها وصف الأصوات التي يسمعها بأسلوب خطوة بخطوة، مع ملاحظة التغيرات في الإيقاع، أو دخول آلات جديدة، أو تحولات في نبرة المتحدث، قبل أن يقرر ما إذا كان هناك فاصل أم لا. علمت هذه الخطوة النموذج كيفية البحث عن أدلة في الصوت بدلاً من التخمين. وبمجرد أن تعلم النموذج إنتاج هذه التفسيرات التفصيلية القائمة على الأدلة، طبق الباحثون طبقة ثانية من التدريب؛ حيث تركوا النموذج يقوم بمحاولات عديدة لنفس المقطع الصوتي، مع مكافأته فقط عندما يتطابق قراره النهائي مع علامة الفصل الأصلية للمبدع. هذه العملية، التي سماها الباحثون "تحسين السياسة النسبية للمجموعة" (group relative policy optimization)، سمحت للنموذج بالتعلم من أخطائه ونجاحاته، وصقل قدرته على التمييز بين مجرد توقف في المحادثة وبين تحول حقيقي في السرد.

كانت النتائج مذهلة. فعند اختباره على أنواع متنوعة من الصوت، بما في ذلك الخطب المنظمة، والترفيه الديناميكي، وبث الألعاب، والموسيقى، تفوق النظام الجديد على جميع المحاولات السابقة. وبينما نجحت أفضل النماذج الموجودة في تحديد الفواصل بشكل صحيح بنسبة 28 بالمائة في المتوسط فقط، حقق النظام الجديد معدل نجاح يقترب من 78 بالمائة. لم يكن هذا التحسن مجرد مسألة الحصول على إجابات صحيحة أكثر، بل كان مسألة فهم لتعقيدات الصوت. أصبح النظام بارعاً بشكل خاص في التعامل مع الموسيقى وبث الألعاب، وهي المجالات التي فشلت فيها الأدوات السابقة تماماً. وفي اختبار محدد يتعلق بالموسيقى، حسن النموذج الجديد قدرته على إيجاد الفواصل من نسبة ضئيلة بلغت 6 بالمائة إلى أكثر من 84 بالمائة، وهي قفزة تشير إلى أنه تعلم أخيراً الاستماع إلى الموسيقى نفسها، وليس الكلمات فقط.

وربما الأهم من ذلك، أظهر الباحثون أن هذا المستوى العالي من الأداء لا يتطلب حاسوباً ضخماً يستهلك الكثير من الطاقة. فنظامهم، المبني على نموذج يضم 8 مليارات معلمة (parameter)، تفوق على نماذج أخرى أكبر منه بأربعة أضعاف وتم تدريبها بطرق أكثر تعقيداً. وهذا يشير إلى أن المفتاح للنجاح لم يكن مجرد حجم "الدماغ"، بل في كيفية تعليمه التفكير. ومن خلال مواءمة قرارات النموذج مع الخيارات التحريرية الفعلية التي يتخذها المبدعون البشريون، أظهر الباحثون أن الآلات يمكنها تعلم التنقل في تدفق الصوت بطريقة تبدو طبيعية وبديهية. فالنظام لا يكتشف مجرد تغير في مستوى الصوت فحسب، بل يفهم أن التحول من أغنية صاخبة وسريعة الإيقاع إلى مقدمة هادئة ومتحدث هو علامة لبداية فصل جديد.

إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد التنظيم البسيط. فمن خلال تحويل التدفقات الصوتية المستمرة وغير المهيكلة إلى محتوى قابل للتنقل، يفتح هذا التكنولوجيا الباب أمام طرق جديدة للتفاعل مع الوسائط. فقد يسمح للمستخدمين بالانتقال مباشرة إلى الجزء المحدد الذي يحتاجونه من محاضرة طويلة، أو يساعد الأرشيفيين في العث مقاطع ذات صلة بسرعة ضمن عقود من التسجيلات. وأشار الباحثون إلى أنه بينما يعمل نظامهم الحالي من خلال تحليل شرائح قصيرة ومتداخلة من الصوت، فإن الهدف النهائي هو تطبيق هذا المنطق على تسجيلات كاملة دون فقدان القدرة على تحديد مكان التغيير بدقة. وقد أظهروا بالفعل أن طريقتهم يمكنها رسم حدود المسارات في تسجيلات كاملة بنجاح، مما قلل متوسط الخطأ في تحديد بداية الفصل إلى 10 ثوانٍ فقط. هذا المستوى من الدقة يقرب رؤية عالم صوتي قابل للتنقل بالكامل إلى الواقع، حيث يمكن استكشاف المحيط الشاسع من الأصوات بنفس السهولة التي يُستكشف بها كتاب يحتوي على جدول محتويات.

في النهاية، يعد عمل فريق جامعة سري وهواوي بتذكير بأن الذكاء لا يقتصر فقط على معالجة البيانات، بل يتعلق بفهم السياق. فهم لم يبنوا مجرد كاشف أفضل للأحداث الصوتية، بل بنوا نظاماً يتعلم الاستماع بنية الحكواتي. فمن خلال تعليم الآلات التفكير من خلال الأدلة الصوتية ومواءمة قراراتها مع الحكم البشري، نجحوا في جسر الفجوة التي لطالما فصلت بين الصوت الخام والمعرفة المهيكلة. والنتي نتيجة ذلك هي أداة يمكنها تحويل جدار من الضجيج إلى خريطة، مما يسمح لنا بإيجال طريقنا عبر الضوضاء واكتشاف القصص الكامنة في أعماقها.