كيف تقيّم أدوات تفريغ الصوت العربي بنفسك؟ الدقة باللهجات والخصوصية

مكتب محاماة صغير في دبي يسجل اجتماعاته مع العملاء، ويريد أداة تحولها إلى نص قابل للبحث. يعرض عليه مورّد أداة «بدقة عالية في العربية». لكن الشريك المسؤول يعرف أن نصف عملائه يتحدثون بلهجة مصرية، وربعهم يخلط العربية بالإنجليزية، وأن بعض الاجتماعات تتناول تفاصيل لا يجوز أن تخرج من المكتب.

السؤال الحقيقي هنا ليس «ما أفضل أداة؟» بل «كيف أعرف أي أداة تناسب تسجيلاتي أنا؟». هذا الدليل لا يقدم ترتيبًا للأدوات؛ نحن لم نختبر أدوات تفريغ صوتي في فريق التحرير، ولا نريد أن نعطيك رقمًا لا نملك دليله. ما نقدمه هو طريقة تستطيع تطبيقها خلال يوم عمل واحد على تسجيلاتك الفعلية.

لماذا لا يكفي رقم دقة واحد؟

عندما يقول مورّد إن أداته «دقيقة بنسبة 95%»، فهناك أسئلة غائبة: على أي تسجيلات؟ بأي لهجة؟ بميكروفون مكتب أم بهاتف في سيارة؟ وكيف عُدّت الأخطاء؟ الرقم نفسه قد يكون صحيحًا على تسجيلات أخبار بالفصحى، وبعيدًا جدًا عن اجتماع فريق مبيعات في الدار البيضاء.

حتى ورقة نموذج Whisper المنشورة عام 2022 تعترف بذلك ضمنًا. يذكر المستودع الرسمي للنموذج أن أداءه يختلف كثيرًا بحسب اللغة، ويعرض نتائجه مقسمة لغة لغة. وإذا كان الأداء يختلف بين اللغات، فمن المنطقي أن يختلف أيضًا بين لهجات اللغة الواحدة، وهذا ما يجب أن تقيسه بنفسك.

ولأن هذا الموقع يطبق المبدأ نفسه على كل الأدوات، يمكنك الاطلاع على طريقتنا العامة في اختبار أدوات الذكاء الاصطناعي لترى كيف نفصل بين الادعاء والدليل.

معدل خطأ الكلمات والحروف: مثال محسوب

المقياس الأكثر استخدامًا في تقييم التعرف على الكلام هو معدل خطأ الكلمات (Word Error Rate - WER). تعرّفه وثائق Microsoft لخدمة الكلام بأنه مجموع ثلاثة أنواع من الأخطاء مقسومًا على عدد كلمات النص المرجعي الذي كتبه إنسان:

• الاستبدال (Substitution): كلمة كُتبت بكلمة أخرى.
• الحذف (Deletion): كلمة قيلت ولم تظهر في النص.
• الإضافة (Insertion): كلمة ظهرت في النص ولم تُقل.

المثال

لنفترض أن موظفًا قال في اجتماع الجملة التالية، وهذه هي النسخة المرجعية التي كتبها إنسان بعناية:

سنرسل عرض السعر النهائي إلى العميل يوم الأحد قبل الظهر

وأخرجت أداة افتراضية النص التالي:

سنرسل عرض سعر النهائي للعميل يوم الخميس قبل الظهر تمام

الجملة المرجعية عشر كلمات. لنعدّ الأخطاء:

1. «السعر» صارت «سعر»: استبدال واحد.
2. «إلى العميل» صارت «للعميل»: كلمتان صارتا كلمة واحدة، أي استبدال وحذف.
3. «الأحد» صارت «الخميس»: استبدال.
4. «تمام» في النهاية لم تُقل: إضافة.

المجموع: ثلاثة استبدالات وحذف واحد وإضافة واحدة، أي خمسة أخطاء. معدل خطأ الكلمات = 5 ÷ 10 = 50%.

ماذا يقول معدل خطأ الحروف؟

معدل خطأ الحروف (Character Error Rate - CER) يطبق المنطق نفسه على مستوى الحرف. إذا تجاهلنا المسافات، فالجملة المرجعية 45 حرفًا. حذف «ال» من «السعر» يكلف حرفين، وتحويل «إلى العميل» إلى «للعميل» يكلف ثلاثة تعديلات، وتحويل «الأحد» إلى «الخميس» يكلف أربعة، وإضافة «تمام» تكلف أربعة. المجموع 13 تعديلًا من 45، أي نحو 29%.

لاحظ الفرق: الكلمات تقول 50%، والحروف تقول 29%. السبب أن العربية لغة غنية صرفيًا، فاختلاف «ال» التعريف أو حرف جر ملتصق يُحسب كلمة خاطئة كاملة. لهذا يكون معدل خطأ الحروف مكملًا مفيدًا في العربية، وقد استخدمنا المقياس نفسه في تجربة استخراج النص من ملفات PDF العربية.

كيف تقرأ الرقم؟

تعطي وثائق Microsoft نفسها إرشادًا تقريبيًا لنماذجها المخصصة: معدل خطأ كلمات بين 5% و10% يعني جودة جيدة جاهزة للاستخدام، ونحو 20% مقبول مع الحاجة إلى تحسين، و30% فأكثر ضعيف. هذه حدود وضعها مزود لخدمته، وليست معيارًا عالميًا، لكنها تساعدك على تفسير أرقامك. وتلفت الوثائق إلى أن نوع الخطأ مهم أيضًا: كثرة الحذف تشير غالبًا إلى صوت ضعيف، وكثرة الإضافات إلى ضوضاء أو تداخل أصوات، وكثرة الاستبدال إلى مصطلحات لم يتعرف إليها النموذج.

الدرس الأهم: الأخطاء ليست متساوية

في مثالنا، «سعر» بدل «السعر» و«للعميل» بدل «إلى العميل» لا تغيران المعنى تقريبًا. أما «الخميس» بدل «الأحد» فقد تجعل الفريق يفوّت موعدًا مع عميل. المقياسان يعاملان الخطأين معاملة متقاربة، لذلك تحتاج إلى خطوة إضافية: تصنيف الأخطاء الحرجة يدويًا.

أخطاء الأسماء والأرقام والتواريخ والنفي («لا» و«ما» و«مش») هي الأخطر عادة. سقوط «مش» من جملة مصرية يقلب المعنى كاملًا، مع أنه في الحساب مجرد حذف واحد.

ابنِ مجموعة اختبار تشبه تسجيلاتك

النتيجة لا تساوي أكثر من العينة التي اختبرت عليها. ابنِ مجموعة صغيرة لكنها ممثلة، من 10 إلى 20 مقطعًا، طول كل منها بين دقيقة وثلاث دقائق، واكتب لها نصوصًا مرجعية بشرية.

قواعد كتابة النص المرجعي

قبل أن تحسب أي رقم، اتفق مع نفسك على قواعد ثابتة، وإلا ستقيس اختلاف أسلوب الكتابة لا أخطاء الأداة:

• اكتب اللهجة كما قيلت، ولا تحولها إلى فصحى.
• قرر كيف تكتب الأرقام: أرقام غربية أم عربية هندية أم كلمات، وطبق القرار على المرجع والناتج معًا.
• احذف التشكيل من المرجع والناتج قبل المقارنة، إلا إذا كان التشكيل جزءًا مما تقيسه.
• وحّد أشكال الهمزات والتاء المربوطة والألف المقصورة قبل الحساب، أو احسب الرقمين معًا قبل التوحيد وبعده.
• اكتب المصطلحات الإنجليزية بحروفها اللاتينية إذا كان هذا ما تريده في نصوصك النهائية.

أنواع الأدوات وأثرها على الخصوصية

أدوات التفريغ تقع في ثلاث عائلات رئيسة، والفرق الأهم بينها ليس الدقة بل أين يذهب الصوت. ناقشنا هذا الفرق بصورة عامة في مقارنة الذكاء الاصطناعي السحابي والمحلي، وهنا تطبيقه على الصوت تحديدًا.

مثال على المزود السحابي: لهجات حسب الدولة

بعض المزودين يتيحون اختيار رمز لغة لكل دولة عربية. بحسب صفحة دعم اللغات في خدمة Azure Speech حتى أكتوبر 2026 (آخر تحديث للصفحة في 9 سبتمبر 2026)، تدعم الخدمة تحويل الكلام إلى نص في 18 رمزًا عربيًا، منها ar-EG لمصر وar-SA للسعودية وar-AE للإمارات وar-MA للمغرب وar-TN لتونس وar-DZ للجزائر وar-JO للأردن وar-LB للبنان.

وجود رمز لدولة لا يعني تلقائيًا أن الأداء باللهجة المحلية ممتاز؛ هذا بالضبط ما تكشفه مجموعة الاختبار. أما الخصوصية، فتذكر صفحة الخصوصية والأمان الخاصة بالخدمة (آخر تحديث في 26 أغسطس 2026) أن الصوت في التفريغ الفوري لا يُخزن ويُعالج في الذاكرة فقط، وأن التفريغ الدفعي يتيح لك تحديد مكان التخزين وحذف النصوص أو ضبط حذفها تلقائيًا. هذه الإجابات هي ما يجب أن تبحث عنه في وثائق أي مزود.

مثال على النموذج المفتوح: Whisper

نموذج Whisper من OpenAI دُرّب بحسب ورقته البحثية على 680 ألف ساعة من البيانات متعددة اللغات والمهام، وتتضمن قائمة لغاته في الكود المصدري العربية برمز ar. الكود والأوزان منشوران بترخيص MIT، ويأتي بأحجام تبدأ من tiny (39 مليون معامل) وتصل إلى large (1550 مليون معامل)، إضافة إلى نسخة turbo الأسرع.

الميزة الأوضح هنا للخصوصية: يمكن تشغيله على جهازك فلا يغادر الصوت مكتبك. لكن لاحظ أن اختيار اللغة فيه هو «العربية» عمومًا، دون رمز منفصل لكل لهجة، وأن الأحجام الصغيرة أسرع لكنها عادة أقل دقة. جرّب الحجم الذي يحتمله جهازك على مجموعة الاختبار نفسها قبل أي قرار.

خطوات التقييم في يوم عمل واحد

1. اجمع 10 إلى 20 مقطعًا وفق جدول المكونات، بموافقة أصحاب الأصوات.
2. اكتب النص المرجعي لكل مقطع، واطلب من زميل مراجعة عينة منها.
3. مرر المقاطع نفسها على كل أداة مرشحة، وسجل الإعدادات واللغة المختارة وتاريخ التجربة.
4. وحّد النصوص وفق قواعدك، ثم احسب معدل خطأ الكلمات والحروف بأداة مثل مكتبة jiwer في Python أو أداة sclite التي توصي بها وثائق Microsoft.
5. افصل النتائج حسب نوع المقطع: الفصحى وحدها، وكل لهجة وحدها، والضوضاء وحدها.
6. صنّف يدويًا الأخطاء الحرجة: أسماء وأرقام وتواريخ ونفي ونسبة كلام لغير قائله.
7. قس الوقت الذي يحتاجه شخص يعرف الموضوع لتصحيح عشر دقائق من كل أداة.
8. قارن الكلفة الفعلية لحجم استخدامك، مستفيدًا من أسئلة المقارنة بين الأدوات المجانية والمدفوعة.

البند السابع غالبًا هو الأكثر واقعية. أداة بمعدل خطأ أعلى قليلًا لكنها تفصل المتحدثين وتعرض توقيت كل جملة قد توفر وقت مراجعة أكثر من أداة أنظف ظاهريًا بلا توقيت.

قائمة الخصوصية قبل رفع أي تسجيل

التسجيل الصوتي يحمل أكثر مما يظهر في النص: بصمة الصوت، وأسماء ذُكرت عرضًا، وأصوات خلفية. لذلك راجع هذه القائمة قبل الاختبار وبعده، إلى جانب قائمة الخصوصية العامة قبل رفع الملفات:

• هل وافق كل المتحدثين على التسجيل، وعلى معالجته بأداة خارجية تحديدًا؟
• هل الاجتماع حساس، كتقييم أداء موظف أو استشارة قانونية أو حالة صحية؟ إن كان كذلك فاستبعده من الأدوات السحابية العامة.
• هل تعرف أين يُخزن الصوت والنص، وفي أي دولة؟
• هل تعرف مدة الاحتفاظ، وهل يمكنك الحذف بنفسك؟
• هل تنص شروط الأداة على استخدام التسجيلات في تدريب النماذج، وهل يمكن إيقاف ذلك؟
• من داخل مؤسستك يستطيع الوصول إلى التسجيلات والنصوص؟
• هل تخضع مؤسستك لقانون حماية بيانات محلي أو سياسة داخلية تقيّد نقل البيانات خارج الدولة؟
• هل استخدمت في مجموعة الاختبار تسجيلات تملكها ولا تحتوي بيانات عملاء حقيقيين؟

ما الخطوة التالية؟

ابدأ صغيرًا: خمسة مقاطع فقط، فصحى ولهجتك الأساسية ومقطع بضوضاء ومقطع بأسماء وأرقام ومقطع فيه إنجليزية. اكتب مرجعها، واختبر أداتين، واحسب الرقمين، وصنّف الأخطاء الحرجة.

بعد ذلك فقط وسّع العينة للأداة الأقرب. وتذكر أن النتيجة صالحة للإصدار والإعدادات التي اختبرتها؛ إذا غيّر المزود نموذجه أو غيّرت أنت نوع الميكروفون، فأعد تشغيل المجموعة نفسها. سيستغرق ذلك ساعة، وسيوفر عليك قرارًا مبنيًا على رقم لا يخصك.