Building and Evaluating a Synthetic Bengali Speech Resource for Telecom Customer Care
تقدم هذه الورقة مجموعة بيانات صوتية بنغالية اصطناعية مكونة من 10,000 عينة ومتاحة للجمهور لخدمة عملاء الاتصالات، تم إنشاؤها عبر تقنية استنساخ الصوت OmniVoice وتم التحقق من تحقيقها اتساقاً عالياً بين النص والصوت بمتوسط معدل خطأ في الكلمات يبلغ 2.54%.
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 عالماً تستطيع فيه الآلات فهم ولغات البشر والتحدث بها بنفس السهولة التي يتمتع بها الشخص. هذا هو الوعد الذي تقدمه تكنولوجيا الكلام، وهو المجال المخصص لتعليم الحواسيب الاستماع إلى الكلمات المنطوقة وتحويلها إلى نص، أو أخذ الكلمات المكتوبة ونطقها بصوت مسموع. ولكي تعمل هذه الأنظمة بشكل جيد، فإنها تحتاج إلى التعلم من كميات هائلة من الكلام البشكي المسجل. ومع ذلك، فإن جمع هذه التسجيلات أمر صعب ومكلف، وغالباً ما يكون مستحيلاً في حالات معينة، مثل اتصال عميل بشركة اتصالات للإبلاغ عن فقدان إشارة أو حساب محظور. وفي العديد من اللغات، بما في ذلك اللغة البنغالية، لا توجد ببساطة تسجيلات كافية عالية الجودة لهذه المحادثات المحددة لتدريب الآلات الذكية. وتترك هذه الفجوة ثغرة في قدرتنا على بناء أدوات مفيدة لملايين الأشخاص الذين يعتمدون على هذه الخدمات يومياً.
ولملء هذه الفجوة، قام الباحثان كوشيك كومار بول ومحمد نافيول علم فوجي من جامعة بنغلاديش للهندسة والتكنولوجيا بإنشاء مورد جديد: مكتبة ضخمة من الكلام البنغالي الاصطناعي المصمم خصيصاً لخدمة عملاء الاتصالات. وبدلاً من تسجيل أشخاص حقيقيين في استوديو، استخدموا برنامج حاسوب قوياً لتوليد عشرة آلاف مقطع صوتي فريد. تبدو هذه المقاطع وكأن شخصاً حقيقياً يتحدث، لكنها أُنشئت بالكامل بواسطة البرمجيات. وقد ركز الفريق على أنواع العبارات التي قد يستخدمها العميل عند الاتصال بشركة الهاتف، مثل السؤال عن عملية دفع فاشلة، أو التحقق من الرصيد، أو الإبلاغ عن مشكلة في شريحة SIM. ومن خلال إنشاء مجموعة البيانات هذه، وفروا مورداً غزيراً وآمناً ومحكماً لمواد التدريب التي يمكن للمطورين استخدامها لتعليم الآلات كيفية فهم هذه المشكلات اليومية المحددة.
لم يخترع الباحثون طريقة جديدة لجعل الآلات تتحدث؛ بل استخدموا نظاماً متقدماً موجوداً بالفعل يسمى "OmniVoice" للقيام بالعمل الشاق. لقد قاموا بتغذية النظام بتسجيل واحد لصوت امرأة حقيقية كمرجع، جنباً إلى جنب مع آلاف الجمل المكتوبة التي تصف مشاكل الاتصالات. ثم استخدم الحاسوب هذا المرجع لاستنساخ صوتها ونطق الجمل الجديدة. والنتيجة هي مجموعة من عشرة آلاف ملف صوتي، بإجمالي حوالي ستة وعشرين ساعة من الكلام، وكلها مسجلة بجودة عالية تلتقط تفاصيل اللغة البنغالية. والأهم من ذلك، أن الفريق لم يكتفِ بإصدار الملفات الصوتية فحسب؛ بل قدموا أيضاً النص الدقيق المستخدم لإنشائها، بالإضافة إلى نسخة منقحة من ذلك النص. وتعد هذه النسخة المنقحة حيوية لأن الحواسيب غالباً ما ترتبك بسبب علامات الترقيم، أو المسافات، أو الطرق المختلفة لكتابة الأرقام. ومن خلال تقديم نسخة معيارية من النص، جعل الباحثون من السهل جداً على العلماء الآخرين اختبار مدى قدرة أنظمة التعرف على الكلام الخاصة بهم على فهم الصوت المولد.
ولضمان أن البيانات كانت مفيدة بالفعل، كان على الباحثين التحقق من أن الكلام المولد حاسوبياً يطابق الكلمات المقصودة. وقد فعلوا ذلك من خلال تشغيل جميع المقاطع الصوتية العشرة آلاف عبر نظام متطور لتحويل الكلام إلى نص، تم تدريبه خصيصاً على لغة الاتصالات البنغالية. عمل هذا النظام كـ "مستمع"، حيث حاول تدوين ما سمعه ومقارنته بالنص الأصلي. وكانت النتائج متسقة بشكل ملحو de. ففي المتوسط، ارتكب النظام أخطاء قليية جداً، حيث تم تدوين الغالبية العظمى من المقاطع الصوتية بشكل مثالي. وفي الواقع، تم تدوين نصف العينات دون أي أخطاء. ويشير هذا إلى أن الصوت الاصطناعي واضح ودقيق بما يكفي لاستخدامه كبديل موثوق للكلمات البشرية الحقيقية عند تدريب الآلات على فهم مكالمات خدمة العملاء.
ومع ذلك، يحرص الباحثون على الإشارة إلى ما ليست عليه مجموعة البيانات هذه. فهي ليست مجموعة من المكالمات الهاتفية الحقيقية، ولا تحتوي على ضوضاء الخلفية، أو الضغط العاطفي، أو المقاطعات العفوية التي تحدث في الحياة الواقعية. ولأن الصوت تم استنساخه من متحدثة أنثوية واحدة، فإن مجموعة البيانات تفتقر إلى تنوع الأصوات واللكنات والأجناس الموجودة في السكان الحقيقيين. ويقر الفريق بأنه بينما تعد هذه البيانات الاصطناعية ممتازة لتعليم الآلات أساسيات لغة الاتصالات، إلا أنها لا يمكن أن تحل محل الحاجة إلى التسجيلات البشرية الحقيقية عند بناء أنظمة للعالم الحقيقي. كما أشاروا إلى أن التقييم الذي أجروه كان آلياً، مما يعني أن الحاسوب هو من حكم على الجودة، وليس مستمعاً بشرياً. وبينما وجد الحاسوب أن الكلام دقيق للغاية، قد يلاحظ الإنسان اختلافات طفيفة في الطبيعة قد تغفل عنها الآلة.
يمثل هذا العمل خطوة مهمة نحو جعل تكنولوجيا الكلام متاحة للمتحدثين باللغة البنغالية في قطاع الاتصالات. ومن خلال إتاحة مجموعة البيانات هذه للجمهور، منح الباحثون المطورين أداة قوية للبدء في بناء روبوتات خدمة عملاء ومساعدين صوتيين أفضل دون انتظار سنوات لجمع ما يكفي من البيانات الواقعية. وتتوفر مجموعة البيانات لأي شخص لاستخدامها، بشرط اتباع قواعد الترخيص، الذي يشجع على المشاركة مع حماية حقوق الصوت المستخدم في الاستنساخ. ويقدم هذا النهج حلاً عملياً لمشكلة شائعة: كيف نعلم الآلات التحدث والاستماع في مواقف محددة عندما تكون البيانات الحقيقية نادرة. ويشير هذا إلى أنه مع الأدوات المناسبة، يمكننا توليد موارد كلامية عالية الجودة ومحددة المجال تساعد في سد الفجوة بين الاحتياجات البشرية وقدرات الآلة، مما يمهد الطريق لتكنولوجيا أكثر شمولاً وفعالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.