الرجاء تمكين JavaScript لضمان أفضل تجربة.
-40% الجمعة البيضاء: أكبر تخفيضاتنا لهذا العام حتى 31 ديسمبر 2026 اعرض الخطط

لماذا يتعثر الصوت الاصطناعي مع العربية؟ التشكيل واللهجات والبيانات

الحركات المحذوفة، واللهجات الثلاثون، وندرة البيانات: ما تقوله الأبحاث الحديثة عن أسباب صعوبة تركيب الكلام العربي، وماذا يعني ذلك لمن ينتج محتوى صوتياً.

لماذا يتعثر الصوت الاصطناعي مع العربية؟ التشكيل واللهجات والبيانات

العربية لغة تُكتب أقل مما تُنطق. حين يقرأ العربي جملة غير مشكولة فإنه يعيد بناء الحركات القصيرة من السياق دون أن ينتبه، أما النموذج الصوتي فعليه أن يفعل الشيء نفسه بالحسابات. وهنا تبدأ المشكلة: نص واحد قد يحتمل أكثر من نطق، وكل نطق يغيّر المعنى. وفوق ذلك، تتعدد اللهجات تعدداً كبيراً، وبياناتها الصوتية المنظمة شحيحة. في هذا المقال نقرأ ما تقوله أوراق بحثية حديثة عن هذه العقبات، بالأرقام التي نشرها أصحابها، ثم نخلص إلى ما يعنيه ذلك عملياً لمن ينتج محتوى صوتياً عربياً.

نصّ يخفي نطقه: مشكلة الحركات القصيرة

تُكتب العربية عادةً دون الحركات القصيرة (الفتحة والضمة والكسرة والسكون والتنوين). الكلمة «كتب» مثال مألوف: يمكن أن تُقرأ «كَتَبَ» فعلاً ماضياً، أو «كُتُبٌ» جمعاً، أو «كُتِبَ» فعلاً مبنياً للمجهول. والقارئ يحسم الأمر من الجملة كلها.

تصف ورقة Hala Al Masri وMuhy Eddin Zater عن تحضير بيانات الكلام العربي هذه المشكلة بوضوح: الكلمة الواحدة قد تحمل عدة معانٍ حين تغيب الحركات، وتقول الورقة إن ممثل الصوت ووحدة الذكاء الاصطناعي كليهما يستفيدان من التشكيل لتقليل الغموض. وتقترح الورقة تشكيلاً جزئياً يُوضَع في المواضع الملتبسة فقط، لأن النصوص المشكولة بالكامل نادرة ومكلفة.

هل نستطيع تشكيل النص آلياً؟ الأرقام تقول: تقدّم مع بقاء فجوة

الحل المنطقي هو أن نضيف التشكيل آلياً قبل النطق. وقد تحسنت أدوات التشكيل الآلي كثيراً، لكنها ما زالت بعيدة عن الكمال. تعرض ورقة «CATT» (محوّل لتشكيل العربية على مستوى الحروف) نتائج نموذجها على معيارين:

  • في معيار «ويكي نيوز» مع تشكيل أواخر الكلمات، بلغ معدل خطأ الحروف نحو 5.96% ومعدل خطأ الكلمات نحو 20.06% للنموذج ذي المُشفِّر والمفكّك.
  • في معيار «CATT» الأصعب، بلغ معدل خطأ الحروف نحو 8.62%، ومعدل خطأ الكلمات نحو 34.19%.

الفرق بين المعيارين مهم: خطأ الكلمات هنا يعني أن الكلمة تحتوي على خطأ تشكيل واحد على الأقل. ونموذج الورقة نفسه، مع أنه يتفوق على النماذج التي قارنته بها، يُخطئ في كلمة من كل خمس كلمات في المعيار الأسهل، وفي نحو كلمة من كل ثلاث في المعيار الأصعب. أما أواخر الكلمات (الإعراب) فهي أصعب أجزاء التشكيل، لأنها تعتمد على بنية الجملة وليس على الكلمة وحدها: ولهذا تتحسن الأرقام في الورقة حين يُستبعد تشكيل أواخر الكلمات (نحو 3.63% لخطأ الحروف في «ويكي نيوز»).

الخلاصة: التشكيل الآلي يقلل الغموض لكنه لا يلغيه، وأي خطأ فيه ينتقل إلى النطق.

هل نستغني عن التشكيل بالبيانات؟ تجربة فريق معهد قطر لبحوث الحوسبة

هناك اتجاه بحثي بديل: بدل أن نشكّل النص، ندرّب النموذج على كمية ضخمة من الكلام ليتعلم التخمين الصحيح. هذا ما اختبرته ورقة «More Data, Fewer Diacritics» (مارس 2026) من باحثين في معهد قطر لبحوث الحوسبة (QCRI): جمع الفريق نحو 20 ألف ساعة صوتية من منصات التواصل، وبعد التنقية والتقطيع بقي نحو 4000 ساعة صالحة للتدريب. ثم درّبوا نماذج بأحجام مختلفة، بتشكيل وبدونه، وقاسوا معدل خطأ الكلمات (WER) عبر نموذج تعرّف على الكلام.

أبرز النتائج:

  • مع 4000 ساعة وتشكيل: WER بلغ 1.67، وهو الأفضل.
  • مع 4000 ساعة وبدون تشكيل: WER بلغ 3.18.
  • النموذج غير المشكول المدرّب على 1000 ساعة (3.12) تفوّق على النماذج المشكولة المدرّبة على 100 ساعة (3.48 و3.62).

أي أن التشكيل ما زال يعطي أفضل نتيجة عند ثبات كمية البيانات، لكن البيانات الكثيرة تعوّض جزءاً كبيراً من غيابه. ويذكر الباحثون قيوداً مهمة: التجربة على الفصحى فقط، والقياس موضوعي دون اختبارات استماع بشرية، ونموذج التعرف نفسه الذي استُخدم في القياس مرتبط بسلسلة تجهيز البيانات، وقد يحيّز النتائج.

الفصحى واللهجات: لغة مكتوبة ولغة منطوقة

المشكلة الثانية أعمق من التشكيل: أي «عربية» نريد؟ تقول ورقة Habibi (يناير 2026) إن للعربية أكثر من 30 لهجة منطوقة، وإن الفصحى نادراً ما تُستخدم في الكلام اليومي، وإن اللهجات تختلف في المفردات والنطق اختلافاً كبيراً. وتضيف أن أغلب البيانات الصوتية العربية المتاحة بُنيت أصلاً للتعرف على الكلام، وهي كثيراً ما تكون مشوشة وغير مشكولة، ولا يوجد معيار موحّد لتقييم التركيب الصوتي متعدد اللهجات.

وتؤكد دراسة «Arab Voices» (جامعة كولومبيا البريطانية، يناير 2026) الصورة من زاوية البيانات: حصرت 31 مجموعة بيانات صوتية عربية، ووجدت أن التسميات اللهجية غير موحدة، وأن مناطق مثل شمال أفريقيا (الجزائرية والحسانية والمغربية والتونسية) والعراق ناقصة التمثيل. وفي اختبارات التعرف على الكلام دون تدريب مسبق، تجاوز معدل الخطأ في بعض إعدادات «Whisper» 200، وبلغ 271.25 للهجة بلاد الرافدين، بينما انخفض معدل خطأ الفصحى إلى أقل من 12 في عدة نماذج. هذه أرقام تعرّف على الكلام وليست تركيباً صوتياً، لكنها تعكس الفجوة نفسها بين الفصحى واللهجات في البيانات.

ومن النتائج اللافتة في Habibi أن تدريب النموذج على الفصحى أولاً ثم اللهجة يعطي نتائج أفضل بكثير من التدريب على اللهجة وحدها: على مجموعة SADA بلغ WER نحو 13.30 مع هذا المنهج مقابل 55.63 عند التدريب من الصفر على اللهجة. أي أن الفصحى تعمل كأساس يُبنى عليه، وأن بيانات اللهجة وحدها لا تكفي.

قبل أن ينطق النموذج: تطبيع النص والتسجيل

كثير من الأخطاء التي نسمعها لا تأتي من النموذج الصوتي بل من النص قبل وصوله إليه. تشرح ورقة Al Masri وZater أن خط تجهيز البيانات يحوّل الأرقام والتواريخ والكلمات غير العربية والاختصارات إلى نص عربي منطوق، قبل التشكيل والتدقيق الإملائي والتقطيع. فالنص «١٩٩٤» أو «5 ك.م» أو «iPhone» لا يُنطق كما يُكتب، وإن لم يُحوَّل صراحةً فسيُنطق خطأً أو يُتجاهل.

وتتناول الورقة أيضاً جودة التسجيل: الضجيج والهسهسة وأصوات الانفجار في الاستوديو غير المعالج تُفسد بيانات التدريب، وتنصح بمنع الضجيج عند المصدر، والحفاظ على إيقاع ثابت وطبيعي، ووضع الوقفات عند علامات الترقيم فقط. وهذا يذكّرنا بأن جودة الصوت الاصطناعي تعتمد على جودة الصوت البشري الذي تعلّم منه.

كيف نعرف أن الصوت جيد؟ مشكلة القياس

تعتمد أكثر الدراسات على مقاييس آلية مثل WER وتشابه المتحدث ودرجة الطبيعية المتوقعة (UTMOS)، وكلها لها حدود. تنبّه Habibi إلى أن بعض هذه المقاييس لا تُعمَّم جيداً خارج بيانات التدريب، ولهذا أضاف الباحثون تقييماً بشرياً بمشاركة 10 إلى 20 متحدثاً أصلياً لكل لهجة. وفي مقارنتها مع نموذج تجاري، لم تنتصر جهة في كل المقاييس: تفوّق Habibi في تشابه المتحدث ومعدل الخطأ في عدة لهجات، وتفوّق النموذج التجاري في درجة الطبيعية. والدرس أن «أفضل نظام» يتوقف على ما نقيسه، وأن الاستماع الفعلي لا بديل عنه.

ماذا يعني هذا لمن ينتج محتوى صوتياً عربياً؟

من الأبحاث السابقة يمكن استخلاص ممارسات عملية، وهذا ما أخلص إليه تحليلاً وليس ما تنص عليه الأوراق حرفياً:

  1. شكّل المواضع الملتبسة بنفسك. التشكيل الجزئي في الكلمات التي تحتمل أكثر من نطق أرخص وأدق من الاعتماد على التخمين، وهو ما تقترحه ورقة Al Masri وZater.
  2. اكتب الأرقام والتواريخ والاختصارات والأسماء الأجنبية كما تريد أن تُنطق.
  3. اختر الفصحى أو اللهجة عن قصد، وتجنّب خلطهما في الفقرة الواحدة إلا لغرض فني.
  4. استمع قبل النشر. لا يغني أي مقياس آلي عن أذن بشرية، خصوصاً في الأسماء والمصطلحات والأعداد.
  5. افصل النص الطويل إلى أجزاء قصيرة وراجعها جزءاً جزءاً، فخطأ واحد في ساعة كاملة يصعب اكتشافه.

مكنة اليوم

تعالج مكنة جزءاً من هذه الخطوات داخل المنصة: للعربية ثلاثة معالجات للنص هي الأساسي والتشكيل وشاعر الذكاء الاصطناعي، ويستهلك التشكيل وشاعر الذكاء الاصطناعي رصيداً أكبر من الأساسي. وتدعم المنصة أكثر من 130 لغة للتحويل إلى كلام. والمنصة لا تغني عن المراجعة البشرية، بل تقلل العمل اليدوي المتكرر. يمكنك البدء مجاناً وتجربة النص الذي يهمك من صفحة الأسعار.

اقرأ أيضاً

المصادر

هل استمتعت بهذا المقال؟

تصلك المقالات الجديدة وأخبار المنتج إلى بريدك، دون رسائل مزعجة.

نحن نحترم خصوصيتك. يمكنك إلغاء الاشتراك في أي وقت.