ما الذي يتحكم فعلاً في دقة تحويل الصوت إلى نص (تلميح: التسجيل في الغالب)

التسجيل يضع السقف، والنموذج يقترب منه فقط

يُدرَّب التعرف الحديث على الكلام على كميات هائلة من الصوت المتنوع. وتصف ورقة Whisper البحثية، Robust Speech Recognition via Large-Scale Weak Supervision، نماذج دُرّبت على مئات الآلاف من ساعات الكلام تحديداً لكي تتعامل مع تسجيلات العالم الحقيقي. لكن لهذه المتانة حدّاً: فالنموذج لا يستطيع أن يفرّغ إلا ما وصل إلى الميكروفون. الكلمات التي حجبها الضجيج، أو قطعها برنامج الترميز، أو غطّاها كلام شخص آخر ليست موجودة في الملف، ولا توجد معالجة تعيدها. ولهذا تأتي أكبر مكاسب الدقة دائماً تقريباً من التسجيل، لا من إعدادات التفريغ.

خمسة عوامل تحدد مدى نظافة النص الناتج

• المسافة عن الميكروفون — الصوت القريب من الميكروفون يطغى على الغرفة؛ أما الصوت نفسه من الطرف الآخر للطاولة فينافس الصدى وأصوات الخلفية.
• ضجيج الخلفية والموسيقى — الطنين الثابت أسهل تجاهلاً من محادثة ثانية أو قرقعة الأطباق أو موسيقى مصحوبة بكلمات.
• تداخل الكلام — عندما يتحدث شخصان في الوقت نفسه تتدهور الجملتان معاً، ويصبح وضع تسميات المتحدثين أصعب.
• عرض النطاق الصوتي — صوت الهاتف ضيق النطاق يحمل من الصوت البشري أقل مما يحمله تسجيل الاستوديو، وهذا يؤثر أكثر ما يؤثر في الحروف الساكنة المتشابهة في النطق.
• اللغة واللهجة والمفردات — الأسماء النادرة ومصطلحات المنتجات وكثرة التنقل بين اللغات أصعب من الكلام اليومي بلغة واحدة.

لماذا تكون المكالمات الهاتفية أصعب من البودكاست

صُمّمت الاتصالات الهاتفية التقليدية لجعل الكلام مفهوماً للمستمع، لا للحفاظ عليه كاملاً. فبرامج الترميز مثل G.711 من ITU-T تنقل الصوت بنطاق ضيق، وغالباً ما تضيف تسجيلات المكالمات ضغطاً خاصاً بها فوق ذلك، إلى جانب شخصين على خطين مختلفين يتحدثان في آن واحد. أما البودكاست المسجَّل بميكروفونات مخصصة، ميكروفون لكل متحدث، فيمنح النموذج مادة أكثر بكثير ليعمل عليها. لا يوجد خطأ في أيٍّ من الملفين — كل ما في الأمر أنهما يبدآن بكميات مختلفة جداً من المعلومات.

تحويل صيغة الملف لا يعيد المعلومات المفقودة

من الميول الشائعة تحويل ملف MP3 صغير أو تسجيل هاتفي إلى WAV قبل تفريغه. ينتج عن ذلك ملف أكبر، لكنه ليس أفضل: فالتفاصيل التي أزالها برنامج ترميز مع فقدان أو خط ضيق النطاق قد ضاعت، والتحويل لا يفعل سوى تخزين ما تبقى بطريقة أقل إحكاماً. ارفع الملف الأصلي كما سُجّل. وإذا كنت تتحكم في التسجيل، فالتقطه منذ البداية بصيغة بلا فقدان أو بمعدل بت مرتفع — فهذه هي الخطوة التي تغيّر النتيجة فعلاً.

تسميات المتحدثين تعتمد على الأمور نفسها

يعمل فصل المتحدثين — أي تحديد من قال كل سطر — انطلاقاً من الفروق بين الأصوات، ولذلك يتأثر بالعوامل نفسها التي تؤثر في الكلمات. الميكروفونات المنفصلة أو القنوات المنفصلة تجعل التمييز بين المتحدثين سهلاً؛ أما ميكروفون واحد في وسط غرفة صاخبة يقاطع فيها الناس بعضهم بعضاً فيجعله صعباً. والتبادلات القصيرة السريعة هي الحالة الأصعب، لأن كل مداخلة لا تقدم إلا القليل من الصوت للتعرف على صاحبه.

ما يمكنك فعله قبل الرفع

1. سجّل بالقرب من كل متحدث، ويُفضَّل ميكروفون لكل شخص.
2. اختر غرفة هادئة وأوقف الموسيقى أو الإشعارات أثناء التسجيل.
3. احتفظ بالملف الأصلي؛ لا تحوّله ولا تعد ضغطه قبل الرفع.
4. اختر اللغة المنطوقة بدلاً من الاعتماد على الكشف التلقائي عندما تعرفها.
5. احتفظ بقائمة قصيرة من الأسماء ومصطلحات المنتجات لمراجعة سريعة للنص.