مطوّر يبني في 9 أيام مع Claude Code أداة لتفريغ المكالمات محليًا على ماك

تعمل خدمات تفريغ المكالمات السحابية عادةً بالطريقة نفسها: يدخل بوت إلى المكالمة، وتُرسل التسجيلات إلى خوادم خارجية. وهذا مزعج لكثير من الفرق، خصوصًا إذا تضمّنت المحادثة شيفرة العملاء أو الأسعار أو شؤون الموظفين. والبديل واضح: تنفيذ كل شيء محليًا. لكن، كما يُظهر تحليل حديث نُشر على موقع Habr، ثمة مجموعة من الفخاخ غير الواضحة بين «استخدام Whisper» و«الحصول على أداة تعمل فعلًا».

ما الذي بناه المؤلف

كتب المطوّر، الذي يدير نحو ستة مشاريع ويقضي وقته في المكالمات، تطبيقًا لنظام macOS خلال تسعة أيام بمساعدة Claude Code. يسجّل التطبيق المكالمة على مسارين (على الأرجح ميكروفونه الخاص منفصلًا عن صوت المحاورين)، ويفرّغها نصيًا ويوزّعها بحسب الأصوات. وكل ذلك يجري على جهاز ماك نفسه: لا بوت في المكالمة ولا خوادم خارجية. الشيفرة المصدرية مفتوحة، لذا يمكن دراستها واتخاذها أساسًا.

إن مجرد إمكانية بناء أداة كهذه في تسعة أيام بمساعدة مساعد ذكاء اصطناعي أمر دالّ. لكن الأهم أن المؤلف لم يضع في مقاله أرقام نجاح، بل قائمة بالعقبات. وهذا أنفع جزء لكل من يعمل على شيء مشابه.

العقبات المذكورة في الإعلان

بحسب الوصف، هناك عدة مشكلات، وهي من طبقات مختلفة من المنظومة.

التقاط الصوت. قد يعيد ScreenCaptureKit صمتًا رقميًا بدلًا من الصوت الحقيقي، ولا يُسمع صوت FaceTime حينها. هذه أخطاء في المنصة لا في النموذج، ومن غير المرجح أن تُذكر في التوثيق.

الصدى بدون سماعات. إذا كان صوت المحاور يصدر من مكبّرات الصوت، فإنه يدخل إلى الميكروفون. فيتحول المساران إلى نسختين من المحادثة نفسها. يكتب المؤلف أن الإزاحة بينهما تتغير 69 مرة خلال مكالمة واحدة، أي أن تأخيرًا ثابتًا بسيطًا لا يزيل الصدى.

هلوسات Whisper. عند الصمت يُخرج النموذج عبارة «Thank you»، وفي النهاية يتراكم منها نحو ألف. هذا سلوك معروف لنماذج هذه العائلة: عليها أن تكتب شيئًا، فتكتب العبارة الأكثر تكرارًا في بيانات التدريب. ويُعالَج ذلك على مستوى خط المعالجة: يجب اكتشاف الكلام قبل التعرّف عليه وعدم تمرير المقاطع الفارغة إلى النموذج.

فصل المتحدثين (Diarization). يشير المؤلف إلى أن الفصل بحسب الأصوات يقسّم الأشخاص أحيانًا بحسب نمط الكلام لا بحسب الشخص. فمثلًا قد تُنسب العبارات الهادئة والانفعالية إلى متحدثين مختلفين.

الذاكرة. في مرحلة ما شغل التطبيق 17 غيغابايت على ماك بذاكرة 16 غيغابايت. أي أن النظام انتقل إلى التبديل (swap)، وهذا غير مقبول لتطبيق حيّ يعمل بالتوازي مع مكالمة. فالنماذج المحلية تلتهم بسهولة كل ما هو متاح، ويجب حساب الذاكرة مسبقًا.

وفي المقال أيضًا مقارنة بين النماذج على الكلام الروسي. وبالنسبة للفرق الناطقة بالروسية، هذا ربما أهم قسم عملي، لأن المقاييس العامة تتناول الإنجليزية في الغالب.

ما يمكن استخلاصه

أولًا: إذا كنت تبني تفريغًا محليًا، فلا تثق بالصوت الداخل. تحقّق من أن المسارات ليست فارغة، وأضف مرشّح صمت قبل تشغيل التعرّف.

ثانيًا: الأفضل معالجة الصدى والإزاحات بين المسارين ديناميكيًا، أو التوصية بالسماعات ببساطة. وفي المنتجات الموجّهة للمستخدم يكون الخيار الثاني غالبًا أرخص.

ثالثًا: خصّص ميزانية للذاكرة. فعلى 16 غيغابايت يتنافس النموذج وفصل المتحدثين والمكالمة نفسها على مورد واحد.

رابعًا: اختبر النماذج بلغتك وعلى تسجيلاتك أنت، لا بحسب لوحات الترتيب.

القيود

لا تتوفر في الإعلان سوى الخلاصات دون أرقام عن الجودة والسرعة. وأيّ نموذج تفوّق في الروسية وكيف حُلّت المشكلات بالضبط، لا يظهر إلا في المقال الكامل وفي المستودع. والتطبيق، بحسب الوصف، مصمَّم لنظام macOS، ولا يورد المؤلف مقاييس الدقة في المقتطف التمهيدي. ومع ذلك، فالمادة جديرة بالقراءة بوصفها قائمة تحقق بالعقبات قبل البدء بنسختك الخاصة.