الكشف عن تقنية التعرف الصوتي للغة الكانتونية في اجتماعات دينغ تك: هل يمكن تحويل الماندرين الكانتوني إلى نص فورًا؟

عند الحديث عن التعرف الصوتي للكانتونية، فإن مجرد "التحدث" مع الذكاء الاصطناعي ليس سهلاً أبدًا! فاللغة الماندارين تحتوي على أربع نغمات، والإنجليزية لا تحتوي على نغمات إطلاقًا، لكن اللغة الكانتونية تتضمن "تسع نغمات وستة أنماط"، حيث يمكن لنفس الصوت أن يحمل معاني مختلفة تمامًا مثل "القصيدة، التاريخ، المحاولة، الوقت، السوق، الشأن"، فقط بتغيير النغمة. خذ راحتك! حتى البشر يحتاجون للسؤال: "أي 'سي' تقصد؟"، فكيف للذكاء الاصطناعي أن يتميّز بينها؟

وهناك ما هو أصعب — غالبًا ما تُبتلع الأصوات في الكانتونية المحكية، مثل قول "نده زاو لا" (نحن ذاهبون)، عند النطق السريع يصبح "ند زاوـ" مع إطالة الصوت وفقدان الحرف الأخير، وتنتشر حروف الجر والنبرات التعبيرية مثل "لا"، "لو"، "جيه" في كل مكان، مما يجعل الكلام يبدو كشيفرة مشفرة. تُظهر الدراسات اللغوية أن الفرق بين اللغة الكانتونية القياسية واللهجة اليومية للمواطنين قد يكون كبيرًا لدرجة تشبه "لغتين مختلفتين".

في الوقت الحالي، تم تدريب معظم نماذج التعرف الصوتي على اللغة الماندارين أو الإنجليزية، أما قواعد بيانات الكانتونية فهي شحيحة جدًا. هذا يعادل طلب شخص أجنبي أن يفهم الحوار السريع لمُعدِّ القهوة في مطعم هونغ كونغ باستخدام كتاب واحد بعنوان "مقدمة في الكانتونية" — كيف له أن يتحمل ذلك؟

بالنسبة لمحرك التعرف على الكانتونية في مؤتمرات دينغتانك (DingTalk)، فإنه لا يعتمد على "التخمين" أو "السماع الدقيق"، بل يستخدم بالفعل تقنية متقدمة حقيقية! يستخدم النظام من الخلف شبكة عصبية عميقة (DNN) ونموذجًا مباشرًا من البداية إلى النهاية (End-to-End)، والذي يحوّل الموجات الصوتية مباشرة إلى نصوص دون المرور بالعديد من الخطوات الوسيطة التي تتبعها أنظمة التعرف التقليدية. والأهم هنا أن النظام لا يقتصر على تعلّم الكانتونية القياسية فقط، بل قام أيضًا بنمذجة دقيقة للنغمات التسع والأنماط الستة — أي أن الذكاء الاصطناعي يقوم بتحليل منحنيات الارتفاع النغمي ليُميّز بين فروقات دقيقة جدًا، مثل الفرق بين "فِن" (تقسيم) و"فِن" (مسحوق)، وهو فرق دقيق لدرجة أن الإنسان قد لا يتمكن من تمييزه حتى أثناء النوم!

والأكثر تطورًا، استخدم فريق دينغتانك تقنية تُعرف باسم "التعلم المنقول عبر اللغات" للتغلب على مشكلة ندرة البيانات الكانتونية: حيث تم أولًا تدريب نموذج أساسي باستخدام كميات هائلة من بيانات اللغة الماندارين، ثم ضبطه بدقة (fine-tune) باستخدام عينات مختارة من النطق الكانتوني، مما سمح للذكاء الاصطناعي بإتقان جوهر اللهجة الكانتونية بسرعة. كما أنه لا يتجاهل حتى الكلمات التعجبية مثل "لا"، "لو"، "جيه"، بل يدمجها جميعًا في نموذج اللغة الخاص به، فلا يخطئ في فهمك كأنك "تتهكم عليه". ويستخدم أيضًا تنبؤ السياق في الوقت الفعلي؛ فإذا سمع "عقدت اجتماعًا ثم عدت إلى المنزل"، فإنه يستنتج تلقائيًا أن "عقدت اجتماعًا" تشير إلى نشاط اجتماعي، ولا يترجمها خطأً إلى "قمت بتمزيقه"!

هل تريد أن يكون تعرف دينغتانك على لهجتك الكانتونية أدق من طريقة تانغ بوك هيور في اختيار الخضر؟ يجب أن تعرف الحيل لتنتصر! إذا كانت الشبكة غير مستقرة، فستتحول أحبالك الصوتية إلى بكاء — انقطاع واي فاي، أو تقلبات 4G، لا تقل إن الذكاء الاصطناعي لا يستطيع الاستماع، فحتى أمك ستسألك: "من أين اختنق صوتك؟". إذا كان الميكروفون أسوأ من لحم خنزير مشوي من مطعم ليلي بالأمس، مع أصوات رياح، وتشويش، وصدى، فهذا يعادل طلبك من الآلة أن تفك شيفرة صعبة. وإذا كان الصوت في الخلفية مشابهًا لسوق شام شوي بو؟ ناهيك عن وجود عدة أشخاص يتحدثون في آنٍ واحد؟ الذكاء الاصطناعي ليس تشو قه ليانغ، لا يمكنه حقًا التمييز بين من يقول "رفع الراتب" ومن يقول "خفض الراتب"!

هل تنطق بشكل فوضوي وكسلان مثل ستيف تشواو في دوره كـ"سام لو كاو"؟ عندما تقول "نده" (نحن) فتصبح "ند"، أو "م غوي" (شكرًا) تصبح "م غوي~~~" مع إطالة الصوت ثلاث ثوانٍ، فسيسمع الذكاء الاصطناعي صوتك وكأنك نائم. جرّب استخدام الكانتونية القياسية، وقلل من استخدام المصطلحات العامية مثل "هيَا"، "تُشِّيْت تُشِيت"، ليعطي النظام فرصة ليفهم طريقتك. ولا تنسَ التحقق من إعدادات اللغة، فلا تستخدم التطبيق دائمًا كأنه للغة الماندارين، وإلا فقد يتحول "رئيس العمل" إلى "جرذ" فورًا، وتكون النتيجة كارثة!

حيلة اللاعب المتقدم: استخدم "قائمة المفردات المخصصة" وأدخل أسماء الشركات والمصطلحات الخاصة، لكي لا يستمع دينغتانك إلى "نظام CRM" ويفهم "الرسالة الغربية". ولا تسرع في النطق كما لو كنت تعلن أرقام سباق الخيل، وخذ فترات راحة صغيرة بين الجملات لتمكين الذكاء الاصطناعي من التنفس وهضم المعلومات. تذكّر، الذكاء الاصطناعي الآن لا يزال "رضيعًا في مرحلة تعلّم الكلام"، وليس خبيرًا لغويًا، والتوقعات المعقولة هي ما يضمن الاستمرارية!

بالحديث عن التعرف الصوتي للكانتونية في مؤتمرات دينغتانك، لم يعد الأمر لعبة "تعرف على الكلمة من الصوت"! بدءًا من طلب "شاي ليمون مثلج بدون سكر" في مطعم شعبي، وصولًا إلى اجتماع مجلس الإدارة مع عبارة "أرباح الربع الثالث ارتفعت بنسبة 15٪ مقارنة بالعام الماضي"، لاحظنا أن الذكاء الاصطناعي أحيانًا يكون ذكيًا وقريبًا من الواقع، وفي أحيان أخرى "غبي" لدرجة أن يحوّل كلمة "العقد" إلى "المجموع"، ويحول "خادم الإنترنت" (سيرفر) إلى "جهاز خدمة"، مما يجعلك ترغب في إرساله لإعادة دراسة قواعد الكانتونية لمدة ثلاث سنوات.

في المحادثات اليومية، غالبًا ما يحتوي الكلام على كلمات تعجبية مثل "لا"، "جيه"، "مي"، والتي يحذفها دينغتانك أحيانًا باعتبارها ضوضاء، ما يؤدي إلى انقطاع المعنى. وفي العروض التقديمية المهنية، عندما تختلط الأرقام والإنجليزية، مثل قول "تأخير API أقل من 200 مللي ثانية"، قد يصبح الناتج "遗留给阿婆... مئتا يوان"، مما يثير الضحك والحزن في آنٍ واحد. أما الاجتماعات الجماعية فهي الأصعب: عندما يتحدث ثلاثة أشخاص في وقت واحد، لا يستطيع النظام التمييز بين من قال "نحتاج إلى توسيع النشر السحابي"، فيحولها في النهاية إلى "نحتاج إلى توسيع ترتيب ربيعي".

وجود صوت تلفاز يعرض مسلسل "صراع الزهرة الذهبية" في الخلفية لا يزال أفضل، لكن الأسوأ هو دمج أصوات لوحة المفاتيح "تاتاتا"، حينها يصاب الذكاء الاصطناعي فورًا بـ"طنين الأذن". السبب الرئيسي للأخطاء ليس ضعف النموذج الصوتي، بل عدم احتواء قاعدة الكلمات على ما يكفي من التعبيرات المحلية. البيئة الواقعية معقدة كطبق الأرز المطهو في قدر طيني، والتقنية لم تُطهى بعد بشكل كامل.

فيما يتعلق بالمستقبل، متى سيبدأ الذكاء الاصطناعي حقًا في "فهم" الكانتونية؟ حاليًا، رغم أن مؤتمرات دينغتانك قادرة على التمييز بين النغمات التسع والأنماط الستة بشكل أساسي، إلا أنها لا تزال تواجه كوارث بسبب الكلمات المتماثلة في النطق مثل "ديم غيه" (لماذا) مقابل "ديان غيه" (أي نص)، أو "كِي شِي" (في الواقع) التي تتحول إلى "كِي شِك" (أكل بالفعل)، مما يتطلب تدخل الإنسان لإنقاذ الموقف. ولكن مع قدوم عصر النماذج الكبيرة، قد تتمكن أنظمة الذكاء الاصطناعي مثل إصدار الصوت من Tongyi Qianwen، من خلال قدرتها الهائلة على فهم السياق، من تخمين الكلمة الصحيحة من خلال المعنى العام للجملة، دون الاعتماد على الحظ. تخيل أن الذكاء الاصطناعي، عند سماع "سنوقع المجموع"، يستشعر فجأة: "مهلا، من السياق السابق، نحن نتحدث عن عقود، إذًا المقصود هو 'العقد'!"

لكن الاعتماد على الخوارزميات وحدها لا يكفي، فالمادة اللغوية (ال语料) هي الأساس. إذا تمكن الجمهور من寄献 تسجيلات للمحادثات اليومية، وبناء مجموعة بيانات صوتية كانتونية مفتوحة، لتعليم الذكاء الاصطناعي اللهجات الشعبية، والتعبيرات العصرية، وحتى نبرة الفكاهة، فستتحسن دقة التعرف بشكل كبير. كما أن التقنيات متعددة الوسائط تستحق الاهتمام — مثل دمج قراءة الشفاه، والإيماءات، وحتى التعبيرات الوجهية، بحيث يفهم الذكاء الاصطناعي الكلام حتى من "قراءة الحركة الشفوية". وأخيرًا، لماذا تمتلك اللغات مثل الفرنسية والإسبانية أنظمة صوتية متطورة، بينما تُعامل الكانتونية غالبًا كـ"لغة ثانوية"؟ لا يمكن تجاهل مسألة العدالة في تكنولوجيا اللغة. أيها المطوّرون، تذكروا: أصواتنا لا تريد أن تُفقد في العالم الرقمي.

We dedicated to serving clients with professional DingTalk solutions. If you'd like to learn more about DingTalk platform applications, feel free to contact our online customer service or email at عنوان البريد الإلكتروني هذا محمي من روبوتات السبام. يجب عليك تفعيل الجافاسكربت لرؤيته.. With a skilled development and operations team and extensive market experience, we’re ready to deliver expert DingTalk services and solutions tailored to your needs!