SAMPA: نظام قائم على Whisper لتحديد حدود الكلام في اللغة البرتغالية
طوّر باحثون نظام SAMPA، وهو تكييف لنموذج Whisper large-v3 مع الكلام البرتغالي. يحدد النظام تلقائيًا الحدود العروضية بين الوحدات الكلامية، وقد دُرّب على تسجيلات من مجموعة بيانات NURC-SP. وحقق النظام نتائج جيدة: F1=0.731 في الاختبار الرئيسي، وF1=0.796 على مجموعة بيانات MuPe-Diversidades.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.CL؛ بتحرير Hamidun News
طوّر باحثون نظام SAMPA القائم على نموذج Whisper لتحديد الحدود العروضية (نقاط الفصل بين الوحدات الكلامية) تلقائيًا في الكلام البرتغالي البرازيلي. وسجّل النظام في الاختبار القياسي دقة F1=0.731، وبلغ F1=0.796 عند الاختبار العابر لمجموعات البيانات على MuPe-Diversidades.
كيف يعمل SAMPA
يعتمد النظام على Whisper large-v3، وهو نموذج متعدد اللغات من OpenAI لتحويل الكلام إلى نص. وقد أعاد المؤلفون تدريب النموذج على تسجيلات برتغالية من مجموعة بيانات NURC-SP (أرشيف للكلام الشفهي في البرتغالية البرازيلية)، وعلّموه إدراج علامات خاصة في مواضع الحدود العروضية. ودُرّب النظام على تسجيلات لمتحدثين مختلفين وأنماط كلام متنوعة وظروف تسجيل متباينة، ما ساعده على التعامل مع أمثلة جديدة.
أبرز تفاصيل المنهج:
- النموذج الأساسي: Whisper large-v3 من OpenAI
- إعادة التدريب: مجموعة بيانات NURC-SP بتسجيلات موسومة يدويًا
- الدقة في الاختبار الرئيسي: F1=0.731
- الدقة على مجموعة البيانات المستقلة MuPe-Diversidades: F1=0.796
- يستخدم النموذج إشارات صرفية-نحوية ودلالية وعروضية
لماذا يهم هذا اللغة البرتغالية
تحظى معالجة العروض الصوتية في اللغة الإنجليزية بتطور جيد بفضل وفرة البيانات الموسومة وسنوات من البحث. أما البرتغالية فاعتمدت تاريخيًا في الأساس على القواعد وعلى أساليب تعلّم الآلة التقليدية، وهي أقل دقة ومرونة من المقاربات القائمة على الشبكات العصبية.
ويبيّن SAMPA أنه يمكن تكييف نموذج كبير جاهز مع لغة أخرى بفاعلية، باستخدام مجموعة صغيرة نسبيًا من التسجيلات الموسومة. وهذا يفتح الطريق أمام حلول مماثلة للغات أخرى غير الإنجليزية؛ فالروسية والإسبانية والصينية وغيرها قد تحصل على أنظمة مشابهة عبر تكييف Whisper.
ماذا يعني ذلك
يُعدّ التحديد الصحيح للحدود العروضية مهمًا للمعالجة العملية للكلام البرتغالي: فالتركيب الصوتي الطبيعي يبدو أكثر إقناعًا حين تُوضع الوقفات والتنغيمات في مواضعها الصحيحة؛ ويصبح الوسم التلقائي للنصوص ممكنًا دون تحرير يدوي؛ ويتسارع تحليل الوثائق الشفهية وأرشيفات الكلام.
ويُظهر البحث أن مبدأ نقل التعلّم (transfer learning) يعمل بكفاءة؛ فبدلًا من تدريب نموذج من الصفر، كيّف المؤلفون نموذج Whisper الجاهز، وهو أسرع بكثير ويتطلب بيانات أقل. وقد يصبح ذلك نموذجًا يُحتذى به في تطوير معالجة الكلام للغات والمناطق الأخرى.
- 28 أكتوبر 2026Keystone تُخرج اسم النموذج من الشيفرة: بوابة LLM مفتوحة المصدر تضيف 0.64 مللي ثانية فقط
- 28 أكتوبر 2026Wired تختبر 6 وكلاء ذكاء اصطناعي خلال يوم: Dots في الصدارة وGemini Spark يفشل في طلب الغداء
- 28 أكتوبر 2026Anthropic تحوّل Claude Code إلى منصة: Claude Mods تقلب طبقة تشغيل الوكيل رأساً على عقب
- 28 أكتوبر 2026Liquid AI تطلق LFM2.5-24B-A2B: وكيل ذكي بمعاملات نشطة لا تتجاوز 2B
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف يعمل SAMPA؟
يعتمد النظام على Whisper large-v3، وهو نموذج متعدد اللغات من OpenAI لتحويل الكلام إلى نص. وقد أعاد المؤلفون تدريب النموذج على تسجيلات برتغالية من مجموعة بيانات NURC-SP (أرشيف للكلام الشفهي في البرتغالية البرازيلية)، وعلّموه إدراج علامات خاصة في مواضع الحدود العروضية. ودُرّب النظام على تسجيلات لمتحدثين مختلفين وأنماط كلام متنوعة وظروف تسجيل متباينة، ما ساعده على التعامل مع أمثلة جديدة. أبرز تفاصيل المنهج: النموذج الأساسي: Whisper large-v3 من OpenAI إعادة التدريب: مجموعة بيانات NURC-SP بتسجيلات موسومة يدويًا الدقة في الاختبار الرئيسي: F1=0.731 الدقة على مجموعة البيانات المستق
ما أبرز التفاصيل حول لماذا يهم هذا اللغة البرتغالية؟
تحظى معالجة العروض الصوتية في اللغة الإنجليزية بتطور جيد بفضل وفرة البيانات الموسومة وسنوات من البحث. أما البرتغالية فاعتمدت تاريخيًا في الأساس على القواعد وعلى أساليب تعلّم الآلة التقليدية، وهي أقل دقة ومرونة من المقاربات القائمة على الشبكات العصبية. ويبيّن SAMPA أنه يمكن تكييف نموذج كبير جاهز مع لغة أخرى بفاعلية، باستخدام مجموعة صغيرة نسبيًا من التسجيلات الموسومة. وهذا يفتح الطريق أمام حلول مماثلة للغات أخرى غير الإنجليزية؛ فالروسية والإسبانية والصينية وغيرها قد تحصل على أنظمة مشابهة عبر تكييف Whisper.
ما أبرز التفاصيل حول ماذا يعني ذلك؟
يُعدّ التحديد الصحيح للحدود العروضية مهمًا للمعالجة العملية للكلام البرتغالي: فالتركيب الصوتي الطبيعي يبدو أكثر إقناعًا حين تُوضع الوقفات والتنغيمات في مواضعها الصحيحة؛ ويصبح الوسم التلقائي للنصوص ممكنًا دون تحرير يدوي؛ ويتسارع تحليل الوثائق الشفهية وأرشيفات الكلام. ويُظهر البحث أن مبدأ نقل التعلّم (transfer learning) يعمل بكفاءة؛ فبدلًا من تدريب نموذج من الصفر، كيّف المؤلفون نموذج Whisper الجاهز، وهو أسرع بكثير ويتطلب بيانات أقل. وقد يصبح ذلك نموذجًا يُحتذى به في تطوير معالجة الكلام للغات والمناطق الأخرى.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.