تهيئة صوتك للتعرف: خفض الضجيج والتحكم في الصدى واكتشاف الكلام
ماذا يحدث للصوت قبل التعرف على الكلام: التحكم التلقائي في الكسب، وخفض الضجيج، وإلغاء الصدى، واكتشاف النشاط الصوتي، والمخططات الطيفية، ولماذا لا يكون الصوت الأنقى دائمًا أفضل.
باختصار
قبل التعرف قد يُوازَن مستوى الصوت، ويُنقّى من الصدى والضجيج، ويُقصّ إلى الأجزاء التي فيها كلام. لكل خطوة من هذه مهمة محددة، ولا تفهم أيٌّ منها الكلمات، ولا واحدة منها إلزامية. وقد يجعل خفضُ الضجيج المفرط النتيجةَ أسوأ، لأنه يمحو الحروف الساكنة الضعيفة التي تميّز كلمة من أخرى.
قلتَ
مرحبا طارق أرفقت لك الفاتورة أخبرني إذا كانت الأرقام صحيحة
كتب SayVelio
مرحبًا طارق،
أرفقت لك الفاتورة. أخبرني إذا كانت الأرقام صحيحة.
معالجة الإشارة ليست تعرفًا على الكلام
تعمل معالجة الإشارة على الصوت، لا على اللغة. يمكنها أن تجعل الصوت أعلى أو أخفض أو أوضح، أو أن تحدد أين يبدأ وأين ينتهي، لكنها لا تقرر أبدًا ما الكلمات التي قلتها. تلك مهمة نموذج التعرف الموصوف في كيف يعمل التعرف على الكلام.
تعتمد الخطوات التي يستخدمها التطبيق على الموقف. المكالمة تحتاج إلى إلغاء الصدى، لأن صوت الطرف الآخر يخرج من مكبّر الصوت عندك. أما تطبيق إملاء لا يشغّل أي صوت فقد لا يحتاج إليه إطلاقًا.
أربع أدوات وأربع مهام
| الأداة | ماذا تفعل | ماذا لا تستطيع |
|---|---|---|
| التحكم التلقائي في الكسب | ترفع مستوى التسجيل أو تخفضه | استعادة صوت لم يُلتقط جيدًا من الأصل |
| خفض الضجيج | تخفّف الضجيج الثابت مثل المراوح أو حركة السير | فصل شخصين يتكلمان في الوقت نفسه |
| إلغاء الصدى | تحذف صوت مكبّر الصوت الذي يعود إلى الميكروفون | المساعدة حين لا يُشغَّل أي صوت |
| اكتشاف النشاط الصوتي | تقدّر اللحظات التي فيها كلام | معرفة ما الذي قيل |
إلغاء الصدى هو الأدق استهدافًا. فهو يعرف بالضبط ما يشغّله جهازك لأنه يتلقى نسخة مرجعية منه، ثم يطرح الجزء الذي التقطه الميكروفون من جديد. أما خفض الضجيج فعليه أن يخمّن ما هو الضجيج.
اكتشاف النشاط الصوتي: العثور على الكلام
يفحص كاشف النشاط الصوتي (VAD) مقاطع قصيرة من الصوت، غالبًا من 10 إلى 30 ميلي ثانية، ويقدّر احتمال أن يحتوي كلٌّ منها على كلام. أبسط نسخة تنظر إلى شدة الصوت فقط، لكن صفقة باب تتجاوز العتبة وصوتًا هادئًا قد يبقى تحتها. الكواشف الأفضل تقدّر احتمال الكلام لكل مقطع، وتدمج مناطق الكلام المتقاربة، وتستبعد ما هو أقصر من أن يكون كلمات.

يُستخدم الاكتشاف لتخطي الصمت ولمعرفة متى أنهيت جملتك. مع طريقة «اضغط مطولًا وتكلم» كما في SayVelio، أنت من يحدد بداية التسجيل ونهايته: يستمر التسجيل بالضبط ما دمت تضغط على مفتاح الإملاء.
لماذا لا يكون الأنقى دائمًا أفضل
من السهل الظن أن إزالة مزيد من الضجيج تساعد دائمًا. ليس الأمر كذلك. حروف مثل «س» و«ف» و«ت» و«ث» أصوات ضعيفة تشبه الضجيج، وقد يرقّقها خفض الضجيج العنيف مع الخلفية. يبدو الصوت لأذن الإنسان أنقى، لكن نظام التعرف فقد القرائن التي تفرّق بين «سبعة» و«تسعة».
النماذج الحديثة مدرَّبة على كميات هائلة من الكلام الحقيقي الصاخب، لذلك كثيرًا ما تتعامل مع الصوت الأصلي أفضل من تعاملها مع صوت معالَج بكثافة. المعالجة الجيدة لطيفة، وتُختبر على إملاءات حقيقية لا بالأذن وحدها.
المخططات الطيفية: كيف ترى الآلة الصوت
لا تستخدم كثير من أنظمة التعرف الموجة الصوتية مباشرة. بل تمرّر نافذة قصيرة (عادةً 20 إلى 30 ميلي ثانية) على الصوت وتقيس الترددات الموجودة في كل نافذة. النتيجة مخطط طيفي: صورة يمثّل فيها المحور الأفقي الزمن، والعمودي درجة الصوت، والسطوع الطاقة.

المخطط الطيفي ليس تفريغًا نصيًا. إنه يُظهر أنماطًا صوتية يتعلّم النموذج ربطها بأصوات الكلام. وحجم النافذة مقايضة: النوافذ القصيرة تُظهر التوقيت جيدًا، والطويلة تُظهر درجة الصوت جيدًا. وبعض النماذج الأحدث تتخطى هذه الخطوة وتتعلم مباشرة من العيّنات.
ما الذي يمكنك فعله
- أملِ في أهدأ مكان متاح لك. حتى المعالجة الجيدة لا تمحو زميلًا يتكلم بجانبك: صوته كلام أيضًا.
- اخفض صوت الموسيقى والفيديو أثناء الإملاء.
- حافظ على مسافة ثابتة من الميكروفون ليبقى المستوى مستقرًا. نصائح أخرى في كيف تملي بشكل صحيح.
أسئلة شائعة
هل تعطي جودة الصوت الأفضل نصًا أفضل دائمًا؟
ليس دائمًا. أكثر ما يساعد هو صوت واضح بمستوى جيد. خفض الضجيج الثقيل أو التشوّه أو صيغة صوت غير مناسبة قد تزيل تفاصيل يحتاج إليها التعرف، كما يؤثر تدريب النموذج ولغته ومفرداته.
هل يمكنني الإملاء في مقهى صاخب؟
غالبًا نعم، خصوصًا بميكروفون سماعة قريب من فمك. الضجيج الثابت مثل آلة القهوة أسهل في التعامل من أصوات أشخاص آخرين بالقرب منك.


