مسرد مبسّط لمصطلحات التفريغ الصوتي والترجمة المرئية

ما المصطلحات التي تصف تحويل الكلام إلى نص؟

التعرف الآلي على الكلام (ASR) هو التقنية التي تحوّل الصوت المنطوق إلى نص مكتوب، وتُسمى في الاستخدام اليومي «تحويل الكلام إلى نص». أما التفريغ الصوتي فأوسع من ذلك؛ فالنص المفرَّغ هو السجل المكتوب للتسجيل، وغالبًا ما تُضاف فيه أسماء المتحدثين والطوابع الزمنية وعلامات الترقيم إلى الكلمات التي التقطها النظام.

النموذج هو النظام المدرَّب الذي يتعرف على الكلام، وبيانات التدريب هي التسجيلات الصوتية والنصوص التي تعلّم منها. يربط النموذج الصوتي الأصوات بوحدات الكلام، بينما يحسب النموذج اللغوي مدى منطقية تتابع الكلمات؛ وبهذا يختار النظام العبارة المألوفة بدلًا من عبارة غريبة. وتدمج أغلب الأنظمة الحديثة هاتين الوظيفتين في نموذج واحد.

فك الترميز هو البحث عن تسلسل الكلمات الأقرب للصواب في مقطع صوتي معين. أما درجة الثقة فهي رقم يعطيه النظام لتقديره، وهي مجرد مؤشر وليست ضمانًا للصحة. وتحدث الهلوسة عندما يكتب النظام نصًا متماسكًا لم يُقل أصلًا في التسجيل، وهو ما قد يقع في لحظات الصمت أو حين تكون جودة الصوت رديئة. وهذا أحد الأسباب التي توجب مراجعة النصوص الناتجة آليًا.

ما المصطلحات التي تصف الدقة؟

يقارن معدل خطأ الكلمات (WER) النص المفرَّغ بنص مرجعي؛ فيعدّ الكلمات التي استُبدلت أو حُذفت أو أُضيفت، ثم يقسم المجموع على عدد كلمات النص المرجعي. الاستبدال هو وضع كلمة خطأ مكان كلمة صحيحة، والحذف هو إسقاط كلمة، والإضافة هي زيادة كلمة لم تُقل. ويحسب معدل خطأ الحروف (CER) النسبة نفسها ولكن على مستوى الحروف، ويُستخدم في اللغات وأنظمة الكتابة التي لا تفصل بين الكلمات بحدود واضحة.

النص المرجعي هو النص الصحيح المدقَّق الذي نقيس عليه النتيجة الآلية. وقبل عدّ الأخطاء، يمر النصان بمرحلة التوحيد القياسي لضمان عدالة المقارنة، كأن تُزال علامات الترقيم وتُوحَّد صيغ الأرقام وطريقة الإملاء. لذلك لا تعني نتيجة WER شيئًا بمفردها ما لم نعرف النص المرجعي وقواعد التوحيد القياسي والتسجيل الصوتي الذي جرى عليه الاختبار.

يتعامل مقياس WER مع كل الكلمات بالوزن نفسه؛ فإسقاط أداة التعريف «الـ» يُحسب خطأً تمامًا كالخطأ في كتابة اسم عائلة. لهذا يدقق كثير من المستخدمين الأسماء والأرقام والمصطلحات الخاصة على حدة. ولم نذكر هنا أي نسب مئوية لأن النتائج تتغير بتغير جودة الصوت واللغة.

ما المصطلحات التي تصف المتحدثين؟

تمييز المتحدثين (diarization) هو تحديد مَن تكلم ومتى، لتقسيم التسجيل إلى مداخلات حسب كل متحدث، وهو لا يتعرف على الكلمات نفسها. وسم المتحدث هو العلامة التي توضع على المداخلة، مثل «المتحدث 1» أو اسم الشخص الفعلي. أما المداخلة فهي الكلام المتواصل لشخص واحد دون مقاطعة.

يحدث تداخل الكلام عندما يتحدث شخصان أو أكثر في اللحظة نفسها، وهو ما يصعّب مهمتي التعرف على الكلام وتمييز المتحدثين معًا. ويتولى كشف النشاط الصوتي (VAD) تحديد الأجزاء التي تضم كلامًا بشريًا في التسجيل وتخطي فترات الصمت والضجيج. أما معدل خطأ تمييز المتحدثين (DER) فيقيس مقدار الوقت الذي نُسب خطأً لمتحدث آخر، أو الذي فات النظام رصده، أو الذي اعتبره النظام كلامًا وهو ليس كذلك.

ما المصطلحات التي تصف اللغات والترجمة؟

يكتشف تحديد اللغة أي لغة يتحدث بها الشخص في التسجيل. ويحدث التناوب اللغوي (code-switching) حين ينتقل المتحدث بين لغتين أو أكثر في المحادثة أو حتى داخل الجملة الواحدة، كأن يخلط بين العبرية والإنجليزية. أما اللهجة فهي تنوع إقليمي أو اجتماعي داخل اللغة الواحدة؛ فالعربية الفصحى المعاصرة مثلًا هي لغة الكتابة والإعلام الرسمي، بينما يغلب استخدام اللهجات في الحديث اليومي.

تكتب النقحرة (النقل الحرفي) أصوات الكلمة بحروف لغة أخرى، ككتابة اسم عربي بحروف عبرية، في حين تنقل الترجمة المعنى نفسه من لغة إلى أخرى. وتُكتب اللغات التي تتجه من اليمين إلى اليسار (RTL)، مثل العربية والعبرية، عكس اتجاه اللغات اللاتينية، وهو أمر يؤثر في طريقة عرض الترجمة المرئية والمستندات عندما تختلط فيها الكلمات الإنجليزية أو الأرقام بالنص.

يفرّغ KolWrite التسجيلات بأكثر من 100 لغة، ويتعامل مع الكلام المختلط مثل العبرية والإنجليزية، ويترجم النصوص بين اللغات المدعومة.

ما المصطلحات التي تصف التوقيت وأسلوب الصياغة؟

يحدد الطابع الزمني اللحظة التي قيل فيها كلام معين منذ بداية الملف. والرمز الزمني (timecode) هو تسمية قياسية لإطارات الفيديو، ويُكتب عادةً بصيغة ساعات ودقائق وثوانٍ وإطارات. وتعطي الطوابع الزمنية على مستوى الكلمة وقت البداية والنهاية لكل كلمة على حدة. أما المحاذاة القسرية (forced alignment) فهي مطابقة نص مكتوب مسبقًا مع الصوت لمعرفة أوقات نطق الكلمات بدقة.

يحتفظ التفريغ الحرفي الكامل بكل ما قيل في التسجيل، بما في ذلك الكلمات الحشوية وبدايات الجمل المتعثرة والتكرار. أما التفريغ المنقَّح، ويسمى أحيانًا التفريغ الذكي، فيحذف هذا الحشو والتعثر لكنه يحافظ على كلمات المتحدث ومعناه بدقة. وتضيف استعادة علامات الترقيم الفواصل والنقاط والأحرف الكبيرة (في اللغات التي تستخدمها) إلى الكلمات المستخرجة، بينما يحوّل تنسيق الأرقام الأعداد المنطوقة إلى أرقام مكتوبة.

ما المصطلحات التي تصف صيغ الملفات والترجمة النصية؟

SRT وVTT صيغتان نصيتان بسيطتان للترجمة المرئية، تربط كلٌّ منهما المقاطع النصية بوقت ظهورها واختفائها. وتُعد صيغة VTT (أو WebVTT) المعيار المعتمد على الويب، وتتيح التحكم في مكان النص وتنسيقه. أما TXT فملف نصي عادي، وDOCX مستند Word، وPDF مستند بتخطيط ثابت، بينما JSON صيغة بيانات منظمة تقرؤها البرامج، وغالبًا ما تحوي توقيت الكلمات وأسماء المتحدثين.

تعرض التسميات التوضيحية (captions) الكلام المنطوق والأصوات الدالة للمشاهدين الذين لا يستطيعون السمع. أما الترجمة المرئية (subtitles) فتفرّغ الكلام أو تترجمه لمن يسمع الصوت لكنه يحتاج إلى قراءة النص. وتجمع ترجمة الصم وضعاف السمع (SDH) بين الترجمة المرئية ووصف الأصوات وتحديد المتحدثين. وتُحفظ التسميات المغلقة في مسار منفصل يمكن للمشاهد تشغيله أو إيقافه، في حين تُطبع التسميات المفتوحة (أو المدمجة) بشكل دائم داخل صورة الفيديو نفسه.

ما المصطلحات التي تصف خصائص الصوت وسير العمل؟

المرمِّز (codec) هو الطريقة المستخدمة لترميز الصوت وضغطه. تحفظ الصيغ غير الفاقدة للبيانات مثل WAV كل تفاصيل الصوت الأصلي، بينما تحذف الصيغ الفاقدة مثل MP3 بعض البيانات لتقليل حجم الملف. ويقيس معدل البت (bitrate) كمية البيانات المعالجة في كل ثانية من الصوت، وعادةً ما يحتفظ المعدل الأعلى بتفاصيل أكثر. أما معدل أخذ العينات (sample rate) فهو عدد مرات قياس الصوت في الثانية الواحدة. ويستخدم الصوت الأحادي (mono) قناة صوتية واحدة، في حين يستخدم الثنائي (stereo) قناتين.

تقارن نسبة الإشارة إلى الضجيج (SNR) مستوى صوت المتحدث بمستوى الضوضاء في الخلفية، وانخفاض هذه النسبة هو أحد الأسباب الرئيسية لأخطاء أنظمة التعرف الآلي. وتعالج المعالجة الدفعية مجموعة من الملفات المسجلة دفعة واحدة، بينما يعالج التعرف الآني (أو المتدفق) الصوت فور وصوله لاستخدامه في البث المباشر. ويعمل KolWrite على التسجيلات التي ترفعها إليه، ولا يقدم ترجمة نصية حية أثناء المكالمات.

المفردات المخصصة، أو المسرد الخاص، هي قائمة أسماء ومصطلحات تزوّد بها النظام ليتعرف عليها بدقة أكبر. وواجهة برمجة التطبيقات (API) هي منفذ يسمح للبرامج بإرسال الصوت واستلام النص آليًا. أما المراجعة، وتسمى أحيانًا «الإنسان في حلقة العمل»، فهي الخطوة التي يفحص فيها شخص النص الآلي ويصحح أخطاءه.