الذكاء الاصطناعي يتعلم قراءة الشفاه دون صوت.. دقة لافتة تفتح آفاقاً جديدة للتواصل
تاريخ النشر:
قد يكون من الصعب فهم حديث شخص يقف أمامك في مكان مزدحم تعلو فيه الموسيقى والأصوات، ما يدفعك إلى محاولة قراءة حركة شفتيه والاستعانة بتعبيرات وجهه ولغة جسده لاستنتاج ما يقوله. لكن ماذا لو أصبح الذكاء الاصطناعي قادراً على أداء هذه المهمة بدقة لافتة، بمجرد مشاهدة حركة الشفاه، ومن دون الحاجة إلى أي صوت؟ هذا الاحتمال أصبح أقرب إلى الواقع بفضل نظام ذكاء اصطناعي جديد طوره باحثون في المعهد الكوري المتقدم للعلوم والتكنولوجيا (KAIST)، ويحمل اسم DLLM-VSR، ويستطيع تحليل حركات الشفاه وتحويلها إلى نص مكتوب، عبر أسلوب متطور يساعده على تمييز الكلمات التي يصعب التفريق بينها اعتماداً على الصورة وحدها.
ووفقاً للإعلان الرسمي الصادر عن المعهد، حقق النظام معدل خطأ في التعرف على الكلمات بلغ 19.4% في أحد المعايير القياسية لاختبار تقنيات قراءة الشفاه، مسجلاً رقماً قياسياً جديداً بين الأنظمة التي دُربت باستخدام مجموعة البيانات المصنفة نفسها، بحسب تقرير نشره موقع "digitaltrends" واطلعت عليه "العربية Business".
كيف يتعلم الذكاء الاصطناعي قراءة الشفاه؟ تُعد قراءة الشفاه عملية معقدة بصورة أكبر مما قد يبدو، حتى بالنسبة إلى أنظمة الذكاء الاصطناعي. فبعض الأصوات، مثل الحروف الإنجليزية P وB وM، تنتج حركات متقاربة للغاية للشفاه، ما يجعل التمييز بينها صعباً من دون الاستماع إلى الصوت. وتعتمد أنظمة التعرف التقليدية على الكلام عادةً على معالجة الكلمات بالتتابع، من اليسار إلى اليمين. لكن هذه الطريقة تواجه مشكلة أساسية، إذ يمكن أن يؤدي الخطأ في التعرف على كلمة مبكرة من الجملة إلى التأثير في تفسير الكلمات التالية، وبالتالي زيادة احتمالات الخطأ في النص بالكامل. وللتغلب على هذه المشكلة، طور الباحثون نهجاً مختلفاً يعتمد على نموذج لغوي كبير قائم على تقنية الانتشار (Diffusion Large Language Model)، ويُعرف اختصاراً باسم DLLM. وبدلاً من إجبار النظام على تفسير الكلمات واحدة تلو الأخرى بالترتيب، يبدأ بتحديد الأجزاء التي يثق في قراءتها بدرجة أكبر، ثم يستخدم الكلمات التي تعرف عليها باعتبارها سياقاً يساعده على استكمال الأجزاء الناقصة تدريجياً. ويأخذ النظام في الحسبان المعلومات الواردة في الأجزاء السابقة واللاحقة من الجملة، ما يمنحه فرصة أفضل لاستنتاج الكلمات غير الواضحة من حركة الشفاه وحدها. كما يقدّر النظام عدة أطوال محتملة للجملة استناداً إلى مدة مقطع الفيديو، وينشئ نصوصاً مختلفة لكل احتمال، ثم يختار النتيجة التي يراها الأكثر ترجيحاً. وذكر الباحثون في ورقتهم العلمية أن النظام حقق معدل خطأ بلغ 19.4% عند اختباره على معيار LRS3، بالاعتماد على 433 ساعة من مقاطع الفيديو المصنفة. ويُقصد بمعدل الخطأ هنا نسبة الكلمات التي جرى التعرف عليها بصورة غير صحيحة، أو الكلمات التي لم يتمكن النظام من رصدها، أو الكلمات الإضافية التي أدرجها في النص، وليس نسبة المحادثات الكاملة التي نجح في فهمها. تقنية قد تحدث تحولاً في إتاحة التواصل لذوي الإعاقة السمعية لا تقتصر الاستخدامات المحتملة لهذه التقنية على فهم المحادثات في المطاعم والأماكن المزدحمة، إذ يرى الباحثون أنها قد تكون مفيدة في البيئات الصناعية التي تجعل فيها أصوات الآلات والمعدات التواصل الصوتي أمراً صعباً. كما يمكن توظيفها في تطوير أجهزة مساعدة لذوي الصمم وضعف السمع، بحيث تحول حركات الشفاه إلى نصوص مكتوبة، ما يتيح لهم فهم المحادثات بصورة أكثر سهولة. ورغم النتائج الواعدة، فإن التقنية لا تزال غير جاهزة للاستخدام اليومي على نطاق واسع. إذ يختلف أداؤها باختلاف مجموعات البيانات المستخدمة في الاختبار، كما يعمل الباحثون على تقليل متطلباتها الحاسوبية، حتى تتمكن مستقبلاً من العمل في الوقت الفعلي على الأجهزة القابلة للارتداء والروبوتات، دون الحاجة إلى اتصال بالإنترنت. مخاوف تتعلق بالخصوصية إلى جانب الفوائد في المقابل، تثير هذه التقنية تساؤلات مهمة تتعلق بالخصوصية، نظراً إلى قدرتها المحتملة على تحليل المحادثات واستنتاج محتواها من تسجيلات الفيديو الصامتة، حتى في غياب أي تسجيل صوتي. ومع ذلك، يقدم هذا البحث تصوراً لافتاً عن الإمكانات التي يمكن أن يضيفها الذكاء الاصطناعي إلى وسائل التواصل، خصوصاً في ما يتعلق بإزالة الحواجز التي تحول دون فهم المحادثات في بعض الظروف. وقد يصبح فهم ما يقوله شخص في مكان شديد الضوضاء أمراً ممكناً في المستقبل، حتى إذا تعذر سماع صوته تماماً.