A Comparative Study of Pretrained Transformer Models for Quranic ASR: Speech Representations, Label Formats, and Dataset Composition
تقدم هذه الورقة دراسة تجريبية منهجية تُظهر أن الضبط الدقيق لنموذج المحول (Transformer) المُدرب مسبقاً Wav2Vec2-XLSR-53 على مجموعة بيانات قرآنية مدتها 870 ساعة من النصوص العربية بدون تشكيل يقلل بشكل كبير من معدلات الخطأ في الكلمات ويحسن كفاءة التدريب مقارنة بالأنظمة المرجعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
على مدى قرون، كانت تلاوة القرآن الكريم عملاً شخصياً وجماعياً عميقاً، حيث يحمل كل صوت دقيق لكل حرف ثقلاً روحياً. في التقاليد الإسلامية، لا تُعد قواعد النطق، المعروفة بالتجويد، مجرد خيارات أسلوبية، بل هي متطلبات أساسية للأداء الصحيح للنص. بالنسبة للملايين من الناس الذين لا يتحدثون العربية كلغة أم، يمثل إتقان هذه الفروق الدقيقة تحدياً كبيراً دون وجود معلم بشري. وبينما أصبحت الحواسيب جيدة بشكل ملحوظ في فهم الكلام البشري بشكل عام، فقد ثبت أن تعليمها الاستماع إلى تلاوة القرآن بنفس القدر من العناية والدقة أمر صعب. فغالباً ما تعاني برامج الكلام القياسية من صعوبة في التعامل مع الإيقاعات الفريدة، والأصوات المحددة للغة العربية الفصحى، والاختلافات الشاسعة بين القارئ المحترف في استوديو والمتعلم الذي يتدرب في غرفة المعيشة.
هنا يأتي دور عمل فريق من الباحثين. فقد شرعوا في بناء نظام حاسوبي يمكنه الاستماع إلى الآيات القرآنية، سواء نطق بها عالم أو طالب، وتحويل ذلك الصوت إلى نص دقيق. لم يكن هدفهم مجرد إنشاء أداة للنسخ، بل تطوير نظام يمكنه مساعدة المتعلمين على التحقق من نطقهم الخاص، وإيجاد آيات محددة عبر الصوت، وحفظ النص بشكل أكثر فعالية. وللقيام بذلك، لجأوا إلى نوع من الذكاء الاصطناعي يُعرف باسم "المحول" (Transformer). فكر في "المحول" كآلة تتعلم فهم اللغة من خلال قراءة كميات هائلة من النصوص والاستماع إلى ساعات من الصوت، مما يسمي لها استيعاب السياق والعلاقات بين الأصوات دون أن يتم برمجتها صراحةً بكل قاعدة. لقد أخذ الباحثون هذه النماذج القوية سابقة التدريب -التي تعلمت بالفعل الأنماق العامة للكلام البشري- وعلموها بعناية التركيز خصيصاً على أصوات القرآن.
بدأ الفريق بجمع مجموعة ضخمة من التسجيلات الصوتية، بلغ مجموعها أكثر من 870 ساعة من المحتوى. كان هذا السجل مزيجاً من نوعين مختلفين جداً من الأصوات. جاء الجزء الأول من استوديوهات احترافية، تضم تسجيلات عالية الجودة لقراء مشهورين يقرؤون كل سور القرآن. أما الجزء الثاني فكان أكثر فوضوية، حيث تألف من تسجيلات قدمها مستخدمون عاديون عبر تطبيق للهاتف المحمول. احتوت تسجيلات المستخدمين هذه على ضوضاء في الخلفية، ولهجات متفاوتة، وأخطاء عرضية، مما يعكس البيئة الواقعية التي قد يستخدم فيها معظم المتعلمين مثل هذه الأداة. قام الباحثون بتقسيم هذه البيانات، مستخدمين الجزء الأكبر لتدريب نماذجهم والجزء الأصغر لاختبار مدى أداء الأنظمة على آيات غير مرئية (لم تُستخدم في التدريب).
ولإيجاد أفضل طريقة لتعليم الكمبيوتر، جرب الباحثون عدة مناهج مختلفة. فقد اختبروا طرقاً متنوعة لتحويل الموجات الصوتية إلى ميزات رقمية، بما في ذلك أنظمة تم تدريبها على لغات متعددة وأخرى تدربت على الإنجليزية فقط. كما جربوا طرقاً مختلفة لكتابة المخرجات. طُلب من بعض الأنظمة نسخ النص مع جميع العلامات الصغيرة التي تشير إلى النطق (الحركات)، بينما طُلب من أخرى كتابة الحروف الأساسية فقط بدون تلك الحركات. حتى أنهم جربوا كتابة الأصوات العربية باستخدام الحروف الإنجليزية. ومن خلال إجراء آلاف التجارب، اكتشفوا أن النهج الأكثر فعالية كان بسيطاً بشكل مفاجئ. فقد حقق النظام أفضل أداء عندما استخدم نموذجاً متعدد اللغات يسمى "Wav2Vec2"، والذي تم تدريبه مسبقاً على 53 لغة مختلفة، وعندما طُلب منه إخراج النص العربي بدون علامات النطق الإضافية.
أظهرت النتائج مساراً واضحاً للمضي قدماً. فالنموذج الأفضل أداءً، والذي تم تدريبه على التسجيلات الاحترافية ثم ضبطه بدقة باستخدام بيانات المستخدمين، ارتكب أخطاء أقل بكثير من الأنظمة السابقة. لقد قلل معدل الخطأ بهامش كبير مقارنة بنظام مرجعي قوي كان مستخدماً في دراسات سابقة. ولعل الأهم من ذلك هو كفاءة العملية؛ فبينما تطلب النظام المرجعي القديم 140 ساعة من وقت الحوسبة للوصول إلى مستواه النهائي من الدقة، حقق النهج الجديد نتائج متفوقة في 30 ساعة فقط. تشير هذه السرعة والدقة إلى أن النظام يمكن أن يكون عملياً للاستخدام في العالم الحقيقي، مثل مساعدة الطالب على ممارسة آية وتلقي ملاحظات فورية حول ما إذا كان قد نطق الكلمات بشكل صحيح.
ومع ذلك، فقد كان الباحثون حذرين في الإشارة إلى المواضع التي لا يزال النظام يواجه فيها تحديات. فبينما يتفوق في التعرف على الكلمات، فإنه يواجه أحياناً صعوبة في التمييز بين الحروف التي تبدو متشابهة جداً، وهي قضية بالغة الأهمية في تلاوة القرآن حيث يمكن لتغيير صوت واحد أن يغير المعنى. كما وجد النظام صعوبة أكبر في نسخ الآيات القصيرة جداً أو في التمييز بين أصوات الغنة وأطوال الحركات التي تعد مركزية في قواعد التجويد. تسلط هذه القيود الضوء على أنه بينما يمكن للحاسوب الآن سماع الكلمات بوضود كبير، إلا أنه لا يفهم بعد القواعد المعقدة للنطق بالطريقة التي يفعلها المعلم البشري.
رغم هذه العقبات، تمثل هذه الدراسة خطوة مهمة للأمام في مجال التعرف على الكلام القرآني. فمن خلال إثبات أن النماذج سابقة التدريب يمكن تكييفها مع هذا المجال المحدد بدقة عالية وتكلفة حوسبية منخفضة، فتح الباحثون الباب أمام أدوات جديدة يمكنها دعم ملايين المتعلمين. يوضح هذا العمل أنه مع الجمع الصحيح بين البيانات والتكنولوجيا، يمكن تعليم الآلات الاستماع إلى القرآن بمستوى من العناية يحترم تعقيد اللغة وتفاني المتحدث. ويسمح هذا الأساس لتطورات مستقبلية، مثل الأنظمة التي لا تكتفي فقط بنسخ النص، بل يمكنها أيضاً تقديم توجيهات مفصلة حول النطق، مما يساعد في الحفاظ على تقليد تلاوة القرآن ونشره في عالم رقمي متزايد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.