Low-Resource Automatic Speech Recognition for Algerian Dialectal Arabic: Fine-Tuning, Regional Generalization, and Evaluation Against Multimodal LLMs

في عالم الحواسيب التي تستمع إلى الأصوات البشرية، هناك انقسام مستمر بين اللغات التي تحظى بكل الاهتمام وتلك التي تُترك خلف الركب. لعقود من الزمن، أصبحت التكنولوجيا المعروفة باسم التعرف التلقائي على الكلام بارعة للغاية في فهم اللغات القياسية الرسمية مثل الإنجليزية أو العربية الفصحى، حيث توجد مكتبات هائلة من النصوص والملفات الصوتية المسجلة لتعليم الآلات. ومع ذلك، في اللحظة التي يتحدث فيها شخص بلهجة محلية، أو مزيج من اللغات، أو لكنة إقليمية تفتقر إلى قاعدة بيانات ضخمة من الأمثلة، غالبًا ما تتعثر هذه الآلات نفسها. فهي تكافح للتمييز بين الأصوات المتشابهة أو لتخمين الكلمات الصحيحة عندما ينتقل المتحدث بين لغته الأم ولغة أجنبية. هذا الفجوة مهمة لأنها تعني أن الملايين من الناس لا يستطيعون استخدام الأوامر الصوتية للتنقل في حياتهم الرقمية، أو الوصول إلى المعلومات، أو التواصل مع الخدمات التي تعتمد على فهم كيفية تحدثهم الفعلي. والسؤال الذي طرحه الباحثون هو ما إذا كانت أحدث أنظمة الذكاء الاصطناعي وأكثرها قوة، والتي يتم تدريبها على كل شيء وكل شخص، يمكنها ببساطة تعلم هذه اللهجات الصعبة من تلقاء نفسها، أم أنها لا تزال بحاجة إلى تدريب محدد ودقيق لفهم الفروق الدقيقة لمجتمع محلي.

لقد وضع فريق من الباحثين في الجزائر للإجابة على هذا السؤال من خلال التركيز على الدارجة الجزائرية، وهي لهجة منطوقة حيوية ومعقدة تمزج بين تأثيرات العربية والفرنسية والأمازيغية. أرادوا معرفة ما إذا كان بإمكانهم بناء نظام استماع يعمل جيدًا في العالم الحقيقي، حيث يتحدث الناس بسرعة، ويتداخلون في الكلام، ويغيرون اللغات في منتصف الجملة. وللقيام بذلك، جمعوا حوالي 800 دقيقة من الكلام العفوي من متطوعين، سجلوا محادثات يومية حول المدرسة والهوايات والحياة اليومية. ثم أخذوا ثلاثة أنواع مختلفة من برامج الاستماع وعلموها خصيصًا لفهم هذا الكلام الجزائري. واختبروا هذه الأنظمة المدربة حديثًا مقابل مجموعة ضخمة من المقاطع الصوتية لمدة ساعتين مأخوذة من منصات التواصل الاجتماعي مثل تيك توك ويوتيوب، والتي مثلت الواقع الفوضوي والصاخب لكيفية تحدث الناس فعليًا في المدن عبر البلاد. كما وضعوا أنظمتهم المصممة خصيصًا في مواجهة أدوات التعرف على الصوت التجارية الأكثر تقدمًا المتاحة اليوم، بما في ذلك تلك التابعة لشركات تكنولوجية كبرى تدعي فهم أي لغة دون أي تدريب مسبق.

أظهرت النتائج أن الأنظمة الضخمة سابقة التدريب، رغم حجمها الهائل ومعرفتها العامة، فشلت في التعامل مع اللهجة الجزائرية بشكل فعال عندما تُركت لتعمل بمفردها. فعندما حاولت هذه النماذج العملاقة نسخ الصوت من وسائل التواصل الاجتماعي، ارتكبت أخطاءً متكررة لدرجة أن النص الناتج كان غالبًا غير قابل للاستخدام. في المقابل، أدت الأنظمة التي تم ضبطها بدقة على الـ 800 دقيقة من الكلام المحلي أداءً أفضل بكثير. أحد هذه الأنظمة المخصصة، عند دمجه مع دليل لغوي ساعده على التنبؤ بتسلسلات الكلمات المحتملة، حقق مستوى من الدقة ينافس نموذج ذكاء اصطناعي متعدد الوسائط رائد من جوجل، وتفوق بشكل كبير على خدمة تجارية شهيرة من OpenAI، والتي عانت لفهم اللهجة على الإطلاق. قلل هذا النظام المخصص عدد الأخطاء بنسبة تقارب 39 بالمائة مقارنة بنسخته غير المدربة. وبينما لم يتجاوز نماذج الطليعة المطلقة مثل Gemini 3.1 Pro، فقد نجح في مضاهاة أداء Gemini 2.5 Flash من جوجل، مما يثبت أنه بالنسبة للغة ذات بيانات محدودة، فإن نموذجًا أصغر ومتخصصًا مدربًا على أمثلة محلية عالية الجودة هو أكثر فعالية بكثير من نموذج ضخم عام لم يرَ اللهجة من قبل.

اكتشف الباحثون أيضًا أن المنطقة المحددة التي يتحدث منها الشخص تهم كثيرًا. فاللهجة المتحدث بها في الأجزاء الوسطى والغربية من الجزائر، والتي تتضمن خلطًا كثيفًا مع الكلمات الفرنسية، ثبت أنها الأكثر صعوبة في الفهم لجميع الأنظمة. ومع ذلك، أظهرت النماذج المدربة خصيًّا قدرة ملحوومة على البقاء مستقرة عبر المناطق المختلفة. فهي لم تكن تؤدي جيدًا في منطقة ما وتؤدي سيئًا في أخرى؛ بل حافظت على مستوى ثابت من الدقة سواء كان المتحدث من الشرق أو الجنوب أو الوسط أو الغرب. جاء هذا الاستقرار من حقيقة أن بيانات التدريب تضمنت متحدثين من مناطق متنوعة، مما علم النظام الأصوات المشتركة للهجة بدلاً من مجرد مفردات مدينة واحدة. وعندما حاول الباحثون جعل النظام أفضل من خلال تغذيته ببيانات إضافية من منطقة واحدة محددة فقط، أصبح النظام في الواقع أسوأ في فهم المناطق الأخرى. هذه الظاهرة، المعروفة باسم "النسيان الكارثي"، أظهرت أن محاولة التخصص العميق في منطقة واحدة تسببت في فقدان النظام للفهم الأوسع الذي اكتسبه من المجموعة المتنوعة من المتحدثين.

في النهاية، يثبت هذا العمل أنه بالنسبة للغات واللهجات ذات الموارد المحدودة، فإن الحجم الهائل لنموذج الذكاء الاصطناعي ليس بديلاً عن المعرفة المحلية المحددة. وبينما يمكن لأكثر النماذج تقدمًا في العالم أن تتعلم في النهاية فهم أي شيء إذا مُنحت ما يكفي من البيانات وقوة الحوسبة، إلا أنها لا تستطيع بعد تعويض الحاجة إلى التدريب المستهدف في المجتمعات التي تندر فيها مثل هذه البيانات. تسلط الدراسة الضوء على أن بناء نظام استماع يعمل حقًا لمجموعة معينة من الناس يتطلب جمع محادثات حقيقية من هؤلاء الناس وتعليم الآلة الاستماع إليهم مباشرة. كما تكشف أن "تبديل اللغة"، أو عادة خلط اللغات داخل جملة واحدة، لا تزال عقبة رئيسية تجد حتى الأنظمة الأكثر ذكاءً صعوبة في تجاوزها. ومن خلال إظهار أن قدرًا متواضعًا من البيانات المحلية المنسقة جيدًا يمكن أن يتفوق على الأنظمة الضخمة غير المدربة، يقدم البحث مسارًا واضحًا نحو إنشاء أدوات رقمية تكون شاملة ومتاحة لمتحدثي اللهجات التي طالما تجاهلتها صناعة التكنولوجيا.