صوت مُصنَّع يقرأ رواية في 1 ساعة و58 دقيقة، والعطل كان في الشيفرة المحيطة بالنموذج
روى كاتب سلسلة مقالات على Habr ما الذي تعطّل حين قرأ صوت مُصنَّع كتابًا كاملًا: رواية «Merdiven» («السلّم») لشاميل أليادين، 16 فصلًا و15 444 كلمة، بمدة تشغيل 1 ساعة و58 دقيقة. ظل الصوت ثابتًا طوال الساعتين. أما المشكلات فظهرت في الشيفرة المحيطة بالنموذج: تقطيع النص إلى جمل، ودمج العبارات القصيرة، وقصّ أصوات التنفس، واستخراج النص من الملف، ووسم الزمن. لم تلتقط مجموعة الاختبار المؤلفة من 14 عبارة أيًّا من هذه المشكلات. وفي إحدى الحالات عجزت المجموعة عن التمييز بين تعديل مفيد وآخر ضارّ. • الكتاب: 15 444 كلمة، 16 فصلًا، 1 ساعة و58 دقيقة. • النموذج صمد على المسافة الطويلة، والذي تعطّل هو الشيفرة المحيطة به. • مجموعة الاختبار القصيرة لا ترى مشكلات النص الطويل.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
قرأ صوت مُصنَّع رواية كاملة: 16 فصلًا و15 444 كلمة، بمدة تشغيل 1 ساعة و58 دقيقة. وبحسب كاتب سلسلة المقالات على Habr، ظل الصوت ثابتًا طوال الساعتين. ولم تقع معظم الأعطال في النموذج نفسه، بل في الشيفرة المحيطة به. أما مجموعة الاختبار المؤلفة من 14 عبارة، التي استُخدمت للمقارنة بين إصدارات النموذج، فلم تُظهر أيًّا من هذه الأعطال.
كان النص المختار للتجربة رواية «Merdiven» («السلّم») لشاميل أليادين. وهذه هي المقالة الثالثة في السلسلة: ضمّت الأولى جدولًا بنتائج قراءة الكتاب، ووعد الكاتب في الثانية بتخصيص مقالة لشرح ما تعطّل على المسافة الطويلة. ولا يكشف الكاتب أسماء النماذج ولا مصادر البيانات ولا السكربتات الداخلية ولا معاملات التدريب وفك الترميز. ويقتصر النص على المقاييس ومنهجية الفحص والأخطاء التي وقع فيها.
أين وقع العطل فعلًا
يحدد الكاتب خمس مناطق إشكالية. وجميعها تتعلق بالشيفرة المحيطة بالنموذج، أي بما يجري قبل توليد الصوت وبعده:
- تقطيع النص إلى جمل؛
- دمج العبارات القصيرة؛
- قصّ أصوات التنفس؛
- استخراج النص من ملف الكتاب؛
- وسم الزمن.
هذه القائمة مألوفة للمهندسين الذين عملوا على تقنيات تحويل النص إلى كلام (TTS). فالنموذج يتلقى مقطعًا نصيًّا مرتبًا ويُخرج مقطعًا صوتيًّا مرتبًا. لكن إذا قُطّع النص دون مراعاة المعنى، أو دُمجت جملة قصيرة («— لا.») مع الجملة المجاورة الخطأ، أو قُصّ نَفَس في منتصف مقطع لفظي، فسيسمع المستمع العيب حتى لو لم تتغير مقاييس النموذج نفسه. أما خطأ استخراج النص من ملف الكتاب فيقع قبل التوليد الصوتي أصلًا: النموذج يقرأ بأمانة ما قُدّم إليه.
لماذا لم تلتقط 14 عبارة شيئًا
الاستنتاج الثاني للكاتب أكثر إثارة للاهتمام، على ما يبدو، من الأول. فقد استُخدمت مجموعة الاختبار المؤلفة من 14 عبارة للمقارنة بين إصدارات النموذج، وبدا أنها تؤدي هذه المهمة. لكنها لم ترَ مشكلات المسافة الطويلة. وهذا مفهوم: فالعبارة المنفردة لا تحتوي على وصلات بين الجمل، ولا تتطلب تقطيع فصل، ولا تختبر كيف يتراكم وسم الزمن على مدى ساعتين من الصوت.
وثمة حالة أكثر إزعاجًا. ففي إحدى الوقائع عجزت المجموعة عن التمييز بين تعديل جيد وآخر ضارّ. وهذه إشارة مقلقة لأي فريق يتخذ قراراته بناءً على مثل هذه الاختبارات: فالمقياس الذي لا يفرّق بين التحسّن والتراجع يتحول إلى ضجيج.
وتساعد الأرقام على تقدير الحجم. فـ15 444 كلمة في 118 دقيقة تعني نحو 131 كلمة في الدقيقة، ويبلغ متوسط الفصل الواحد نحو 965 كلمة و7 دقائق من الصوت. وعلى مسافة كهذه تزيد الوصلات بين المقاطع كثيرًا عنها في أي مجموعة قصيرة، وكل وصلة نقطة عطل محتملة.
ما الذي يجب فحصه في خط المعالجة لديك
تفرض المادة استنتاجات عملية لا تتوقف على نموذج بعينه.
- أبقِ إلى جانب المجموعة القصيرة تشغيلًا طويلًا واحدًا على الأقل: فصلًا أو كتابًا كاملًا. المجموعة القصيرة تصلح للمقارنة بين إصدارات النموذج، لكنها لا تصلح لاعتماد خط المعالجة بأكمله.
- اختبر الشيفرة المحيطة بمعزل عن النموذج: التقطيع، والدمج، وقصّ فترات الصمت، واستخراج النص، ووسم الزمن. كل حلقة تحتاج إلى فحوصها الخاصة.
- ابدأ تحليل العيوب بالنص الذي يُرسَل إلى التوليد. فإذا كان الخطأ فيه، فلا معنى للوم النموذج.
- افحص الاختبار نفسه: إذا كان لا يميز بين التعديل المفيد والضارّ، فمن المبكر اتخاذ قرارات بناءً على نتائجه.
يعد الكاتب بعرض منهجية الفحص بمزيد من التفصيل في المقالة نفسها، وستكون هي القيمة الأساسية للمادة. أما الآن فيتضح من الإعلان أمر بسيط: حين يبقى الصوت ثابتًا ساعتين متواصلتين، تتحدد جودة خط المعالجة بمدى إحكام تجميع الوصلات.
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول أين وقع العطل فعلًا؟
يحدد الكاتب خمس مناطق إشكالية. وجميعها تتعلق بالشيفرة المحيطة بالنموذج، أي بما يجري قبل توليد الصوت وبعده: تقطيع النص إلى جمل؛ دمج العبارات القصيرة؛ قصّ أصوات التنفس؛ استخراج النص من ملف الكتاب؛ وسم الزمن. هذه القائمة مألوفة للمهندسين الذين عملوا على تقنيات تحويل النص إلى كلام (TTS). فالنموذج يتلقى مقطعًا نصيًّا مرتبًا ويُخرج مقطعًا صوتيًّا مرتبًا. لكن إذا قُطّع النص دون مراعاة المعنى، أو دُمجت جملة قصيرة («— لا.») مع الجملة المجاورة الخطأ، أو قُصّ نَفَس في منتصف مقطع لفظي، فسيسمع المستمع العيب حتى لو لم تتغير مقاييس النموذج نفسه. أما خطأ استخراج النص من ملف الكتاب فيقع قبل
ما أبرز التفاصيل حول لماذا لم تلتقط 14 عبارة شيئًا؟
الاستنتاج الثاني للكاتب أكثر إثارة للاهتمام، على ما يبدو، من الأول. فقد استُخدمت مجموعة الاختبار المؤلفة من 14 عبارة للمقارنة بين إصدارات النموذج، وبدا أنها تؤدي هذه المهمة. لكنها لم ترَ مشكلات المسافة الطويلة. وهذا مفهوم: فالعبارة المنفردة لا تحتوي على وصلات بين الجمل، ولا تتطلب تقطيع فصل، ولا تختبر كيف يتراكم وسم الزمن على مدى ساعتين من الصوت. وثمة حالة أكثر إزعاجًا. ففي إحدى الوقائع عجزت المجموعة عن التمييز بين تعديل جيد وآخر ضارّ. وهذه إشارة مقلقة لأي فريق يتخذ قراراته بناءً على مثل هذه الاختبارات: فالمقياس الذي لا يفرّق بين التحسّن والتراجع يتحول إلى ضجيج. وتساعد الأرق
ما أبرز التفاصيل حول ما الذي يجب فحصه في خط المعالجة لديك؟
تفرض المادة استنتاجات عملية لا تتوقف على نموذج بعينه. أبقِ إلى جانب المجموعة القصيرة تشغيلًا طويلًا واحدًا على الأقل: فصلًا أو كتابًا كاملًا. المجموعة القصيرة تصلح للمقارنة بين إصدارات النموذج، لكنها لا تصلح لاعتماد خط المعالجة بأكمله. اختبر الشيفرة المحيطة بمعزل عن النموذج: التقطيع، والدمج، وقصّ فترات الصمت، واستخراج النص، ووسم الزمن. كل حلقة تحتاج إلى فحوصها الخاصة. ابدأ تحليل العيوب بالنص الذي يُرسَل إلى التوليد. فإذا كان الخطأ فيه، فلا معنى للوم النموذج. افحص الاختبار نفسه: إذا كان لا يميز بين التعديل المفيد والضارّ، فمن المبكر اتخاذ قرارات بناءً على نتائجه. يعد الكاتب
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
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.