Automatic speech recognition system for court proceedings in Ethiopia

تخيل عالماً تستطيع فيه الحواسيب الاستماع إلى الأصوات البشرية وتحويلها فوراً إلى كلمات مكتوبة. هذا ليس سحراً؛ بل هو مجال علمي يسمى التعرف التلقائي على الكلام (ASR). فكر في الأمر كأنه كاتب فائق السرعة، فائق الانتباه، لا يتعب أبداً، ولا يسقط قلمه، ويمكنه الكتابة بسرعة كلامك. لسنوات طويلة، كان هذا التقني هو اللاعب النجم في المجالات عالية التقنية مثل الرعاية الصحية، حيث يساعد الأطباء في إملاء الملاحظات، وفي البث الإذاعي، حيث يضع الشروح النصية للأخبار المباشرة. لكن هنا تكمن المشكلة: هذا "الكاتب الخارق" قد تم تدريبه في الغالب على لغات تمتلك جبالاً من البيانات للتعلم منها، مثل الإنجليزية أو الماندارين. أما بالنسبة للعديد من اللغات الأخرى، خاصة تلك المنطوقة في أماه تفتقر إلى الموارد الرقمية، فإن الكاتب غالباً ما يكون مرتبكاً، أو صامتاً، أو يختلق كلمات من عنده.

لفهم كيف يتعلم هذا الكاتب، نحتاج إلى النظر في أداتين رئيسيتين يستخدمهما. أولاً، هناك "النموذج الصوتي"، وهو يشبه الموسيقي الذي يتعلم التمييز بين صوت الكمان وصوت الفلوت. إنه يفكك الموجات الصوتية الخام للكلام إلى قطع صغيرة سهلة الإدارة تسمى "الفونيمات" (أصغر وحدات الصوت في اللغة). ثانياً، هناك "نموذج اللغة"، الذي يعمل مثل ضابط شرطة القواعد أو تطبيق التنبؤ بالنصوص. هو لا يستمع إلى الأصوات فحسب؛ بل يخمن الكلمة التالية بناءً على ما سبقها، مما يساعد النظام في معرفة ما إذا كنت قلت "court" أو "court" (إذا كانتا متشابهتين في النطق). عندما تجمع بين هذين، تحصل على نظام يمكنه الاستماع إلى محادثة وكتابتها. ولكن ماذا يحدث عندما تكون المحادثة تجري في قاعة محكمة مزدحمة، بلغة مثل التيغرينية، حيث لم يسبق للكاتب أن تدرب عليها؟ هذا هو السؤال الكبير الذي يتصدى له هذا البحث.

---

قضية الكاتب المفقود في قاعة المحكمة

في قاعات المحاكم الصاخبة في إثيوبيا، تُنجز الكثير من الأعمال الهامة. القضاة، والمحامون، والشهود، والمتهمون جميعهم يتحدثون، ويجب على شخص ما كتابة كل كلمة لإنشاء سجل رسمي. حالياً، يتم ذلك بواسطة ناسخين بشريين. إنها وظيفة شاقة؛ إذ يتعين عليهم الاستماع بتركيز، والكتابة بسرعة، والتعامل مع توتر المعارك القانونية الحية. إذا تعبوا أو إذا كانت الغرفة صاخبة، تقع الأخطاء، ويصبح السجل القانوني فوضوياً.

هنا يأتي دور تيدروس كيبيدي بيدادا وداويت تيكلو ويلديسلاسيه من جامعة أكسوم. لقد طرحا سؤالاً بسيطاً ولكنه قوي: هل يمكننا بناء كاتب حاسوبي يتحدث التيغرينية ويفهم اللغة المعقدة والخاصة بقاعات المحاكم الإثيوبية؟

التيغرينية هي لغة رئيسية يتحدث بها الملايين، لكنها في عالم الحواسيب تعتبر "منخفضة الموارد". وهذا يعني عدم وجود تسجيلات رقمية كافية لأشخاص يتحدثون بها لتعليم الكمبيوتر كيفية فهمها، خاصة في بيئة المحاكم عالية المخاطر والصاخبة. أراد الباحثون سد هذه الفجوة وبناء نظام "مستقل عن المتحدث". وهذه طريقة تقنية لقول إنهم أرادوا كاتباً يعمل مع أي شخص يتحدث التيغرينية، وليس فقط مع شخص محدد حفظ صوته.

بناء الأذن الرقمية

لبناء هذا النظام، لم يكتفِ الفريق بالتخمين؛ بل اتبعوا وصفة صارمة باستخدام مجموعة أدوات تسمى CMU Sphinx. فكر في مجموعة الأدوات هذه كمجموعة ضخمة من قطع "الليغو" الجاهزة للتركيب لبناء التعرف على الكلام.

أولاً، احتاجوا إلى بيانات. لم يكن بإمكانهم مجرد طلب قراءة كتاب من الناس؛ فالمحاكم فوضوية. لذا، قاموا بتسجيل ثلاث ساعات من الصوت الواقعي العفوي من قاعة المحكمة. لقد التقطوا الواقع كما هو: التلعثم العصبي لشاهد، والمجادلات السريعة لمحامٍ، وصوت قاضٍ جهوري. جمعوا تسجيلات من 24 متحدثاً أصلياً (10 رجال و10 نساء للتدريب، و4 آخرين للاختبار).

بعد ذلك، كان عليهم تعليم الكمبيوتر كيف "يسمع". استخدموا تقنية تسمى MFCC (معاملات جيب التردد الميل - Mel-Frequency Cepstral Coefficients). تخيل هذا كزوج خاص من النظارات التي تصفّي الضوضاء الخلفية وتبرز "بصمة" الصوت البشري الفريدة. إنها تحول الخطوط المتعرجة للموجات الصوتية إلى قائمة من الأرقام التي يفهمها الكمبيوتر.

ثم جاء القاموس. بنى الفريق قائمة مخصصة تضم 5,205 كلمة فريدة موجودة في الإجراءات القانونية وربطها بأصواتها. كما علموا الكمبيوتر عن 51 صوتاً متميزاً (فونيمات) تشكل اللغة التيغرينية، بما في ذلك بعض الأصوات الصعبة مثل الحروف الصامتة الحلقية التي تنفرد بها اللغة.

أخيراً، قاموا بتدريب نوعين من "الموسيقيين" (النماذج الصوتية) للاستماع إلى هذه الأصوات:

1. العازف المنفرد (المستقل عن السياق): هذا النموذج يستمع إلى صوت واحد في كل مرة، مثل موسيقي يعزف نوتة واحدة دون الاهتمام بما قبلها أو بعدها.
2. الفرقة الموسيقية (المعتمد على السياق): هذا النموذج يستمع إلى الصوت و"جيرانه". فهو يعرف أن صوت حرف الـ "t" يتغير قليلاً اعتماداً على ما إذا كان يتبعه حرف "a" أو "i". وهذا أمر بالغ الأهمية لأننا في الكلام الواقعي، تتحرك أفواهنا في تدفق مستمر، مما يؤدي إلى دمج الأصوات معاً (وهي ظاهرة تسمى "التآلف الصوتي").

الاختبار الكبير: من الفائز؟

وضع الباحثون نظامهم تحت الاختبار باستخدام 10% من البيانات التي لم يسبق للنظام رؤيتها من قبل. أرادوا معرفة عدد الكلمات التي أصابها الكمبيوتر مقارنة بالنسخ المكتوب بشرياً.

كانت النتائج واضحة، وحكت قصة محددة للغاية. عانى نموذج "العازف المنفرد" (الذي استمع إلى الأصوات في عزلة)، حيث أصاب حوالي 53.12% فقط من الكلمات. كان الأمر أشبه بمحاولة فهم جملة عبر سماع كل ثالث كلمة فقط.

ومع ذلك، كان نموذج "الفرقة" (المعتمد على السياق) نقطة تحول جذري. فمن خلال الاستماع إلى سياق الأصوات، أدرك أن حرف الـ "t" في كلمة "court" يختلف عن حرف الـ "t" في كلمة "test". ومع قيامهم بتعديل النظام لاستخدام رياضيات أكثر تعقيداً (تحديداً بزيادة عدد "مكونات خليط غاوس" - والتي يمكنك التفكير فيها كإضافة المزيد من طبقات التفاصيل لبصمة الصوت)، ارتفقت الدقة.

تم العثور على "النقطة المثالية" عند 11 مكوناً. عند هذا الإعداد، حقق النظام دقة في الكلمات بلغت 73.84%. وهذا يعني أنه من بين كل 100 كلمة منطوقة في قاعة محكمة محاكاة، قام الكمبيوتر بنسخ حوالي 74 كلمة بشكل صحيح.

لكن القصة لم تنتهِ بدرجة مثالية. وجد الباحثون أن النظام ارتكب الكثير من أخطاء "الاستبدال" — أي تبديل كلمة بأخرى تشبهها في الصوت. حدث هذا لأن اللغة التيغرينية تحتوي على العديد من الكلمات ذات الأصوات المتقاربة جداً، مما جعل الكمبيوتر يرتبك أحياناً. كما لاحظوا أنه إذا أضافوا الكثير من الطبقات (مثل الوصول إلى 12 مكوناً)، فإن النظام أصبح في الواقع أسوأ. كان الأمر يشبه طالباً حفظ الاختبار التجريبي بدقة شديدة لدرجة أنه رسب في الامتحان الحقيقي لأنه لم يستطع التعامل مع الاختلافات الطفيفة. لقد وقع النظام في فخ "الفرط في التخصيص" (Overfitting)، أو حفظ الضجيج بدلاً من تعلم القواعد.

ماذا يعني هذا للمستقبل؟

لا تدعي هذه الورقة أنها حلت مشكلة النسخ في قاعات المحاكم في إثيوبيا. بدلاً من ذلك، هي تضع أساساً متيناً. فهي تثبت أنه من الممكن بناء نظام للتعرف على الكلام باللغة التيغرينية يعمل مع مختلف المتحدثين ويتعامل مع واقع قاعات المحاكم الفوضوي.

تظهر الدراسة صراحة أن السياق مهم. لا يمكنك فقط تعليم الكمبيوتر أصواتاً فردية؛ بل يجب عليك تعليمه كيف "ترقص" هذه الأصوات معاً في جملة. إن دقة 73.84% هي مجرد خط أساس — هي خط البداية. ليست مثالية، لكنها خطوة هائلة للأمام من عدم وجود أي نظام على الإطلاق.

يشير المؤلفون إلى أن العمل المستقبلي يحتاج إلى جمع المزيد من البيانات من مجموعة متنوعة من الناس، وربما تجربة تقنيات ذكاء اصطناعي أحدث وأقوى للتعامل مع الضوضاء الخلفية وأنماط الكلام الناتجة عن القلق التي تحدث في المحاكمات الحقيقية. في الوقت الحالي، لقد سلموا النظام القانوني في إثيوبيا أداة جديدة: كاتب رقمي يتعلم التحدث بلغتهم، قاعة محكمة تلو الأخرى.