تحويل الكلام إلى نص (Speech-to-Text)

ستصادف ثلاث تسميات لقدرة واحدة: تحويل الكلام إلى نص، وASR (التعرف الآلي على الكلام)، وأحياناً التعرف على الصوت، الذي يعني بدقة تحديد هوية المتكلم لا ما قاله. مزوّدو السحابة يبيعون عادة واجهات 'speech-to-text'؛ والأوراق البحثية والمعايير تقول ASR؛ والنماذج الأساسية والمقياس، معدل خطأ الكلمات (WER)، مشتركة. أما الاتجاه المعاكس، تحويل النص إلى كلام (TTS)، فهو الصوت الذي يتحدث به الوكيل.

لماذا يهم التقييم أكثر من التسمية: الوكيل الصوتي خط إنتاج. الصوت يذهب إلى STT، والنص إلى النموذج اللغوي، والرد إلى TTS. إذا سمع STT 'بكرة الساعة أربعة' على أنها 'بكرة الساعة أربعة عشر'، فأفضل نموذج لغوي في العالم سيحجز الموعد الخطأ. والعربية تزيد الأمر صعوبة لأن معظم بيانات التدريب فصحى بينما المتصلون يتحدثون النجدية أو الحجازية أو الإماراتية أو المصرية، ويخلطون كلمات إنجليزية، عبر خط هاتفي مضغوط مع ضوضاء خلفية.

ماذا تسأل المزوّد: ما معدل خطأ الكلمات على لهجتي، على صوت هاتفي، مقاساً على مكالمات حقيقية لا على معيار نظيف؟ هل تدعمون التفريغ المتدفق (streaming) ليرد الوكيل بينما المتصل لم ينهِ جملته بعد (هذا يحدد زمن الاستجابة والمقاطعة)؟ كيف تُعالَج الأرقام والتواريخ والتبديل بين العربية والإنجليزية؟ تقيّم Nano AI محركات STT لكل عميل على تسجيلات من خطوطه الفعلية قبل اختيار أحدها، وتعيد فحص معدل الخطأ ضمن المراقبة المستمرة، لأن المحركات تتغير والمتصلين أيضاً.