تحويل الصوت إلى نص: طرق مجانية ونصائح للدقة | UltKit

لا يسمع محرك التفريغ الكلمات كما تسمعها أنت. فهو يقطّع الموجة الصوتية إلى إطارات متداخلة طول كل منها نحو 25 ملي ثانية، ويحوّل كل مقطع إلى مخطط طيفي، وهو خريطة توضح أي الترددات مرتفعة في تلك اللحظة. وينظر النموذج الصوتي إلى هذه الخريطة ويقدّر أصوات الكلام الموجودة: فحيح حرف s، وانفجار حرف t، وأشكال الحروف المتحركة التي تفرّق بين ship وsheep. وهذا وحده ينتج سلسلة من الأصوات المحتملة، لا نصًا مقروءًا.

ويصحح النموذج اللغوي جزءًا كبيرًا من ذلك. فهو يعرف تتابعات الكلمات المحتملة في الجمل الحقيقية، فحين تحتمل الأصوات recognize speech أو wreck a nice beach يرجّح السياق إحداهما. وكانت الأنظمة القديمة تفصل بين الجزأين وتدرّبهما على مواد محدودة مقروءة بعناية، ولهذا تعثرت برامج الإملاء في العقد الأول من الألفية الثانية عشرة بعد الألفين... أي في عام 2010 وما بعده مع اللهجات والكلام العفوي.

في سبتمبر 2022 أطلقت OpenAI نموذج Whisper، وهو نموذج مفتوح دُرّب على نحو 680,000 ساعة من الصوت متعدد اللغات جُمعت من الويب. وهو يدمج الجزأين الصوتي واللغوي في شبكة واحدة تقرأ نوافذ مدتها 30 ثانية وتكتب النص بعلامات الترقيم مباشرة. وقد جعلت نماذج هذه العائلة الكلام باللهجات والمفردات المختلطة والتسجيلات الواقعية المشوشة أكثر قابلية للاستخدام بكثير، وتعتمد معظم خدمات التفريغ المجانية اليوم، ومنها أدوات المتصفح، على شيء مشابه. لكنها تخمّن مع ذلك، وحين يكون الصوت غير واضح تخمّن بطلاقة، فيصعب اكتشاف أخطائها.

تُقاس الدقة عادةً بمعدل خطأ الكلمات: نسبة الكلمات التي استُبدلت أو سقطت أو أُضيفت مقارنةً بنص كتبه إنسان بعناية. ومعدل خطأ 5% يعني خطأً واحدًا كل عشرين كلمة، وهو يبدو قليلًا إلى أن تلاحظ أن الأخطاء تتركز في الكلمات المهمة، كاسم عائلة أو رمز منتج أو رقم في نقاش الميزانية.

العوامل التالية مرتبة تقريبًا بحسب شدة ضررها. لاحظ أن معظمها يتحدد عند التسجيل لا عند التفريغ. فتقريب الهاتف من منتصف الطاولة إلى مسافة ذراع من المتحدث يفيد غالبًا أكثر من أي إعداد يمكنك تغييره لاحقًا.

يمكن رفع معظم التسجيلات كما هي. ويفيد التحضير في ثلاث حالات: أن يكون الملف طويلًا جدًا أو كبيرًا جدًا، أو أن يكون الكلام مدفونًا تحت صمت أو موسيقى، أو أن يكون المستوى منخفضًا حتى تضطر إلى رفع الصوت إلى أقصاه لتسمعه. والصمت الطويل في البداية أكثر من وقت ضائع، لأن الكشف التلقائي يحدد اللغة من أول 30 ثانية وقد يخمّن من ضوضاء الغرفة أو مقدمة موسيقية. ويتفادى ذلك قصّ التسجيل إلى الجزء المتضمن للكلام، أو ضبط البدء عند لتجاوزه.

نادرًا ما تلزم عملية تحويل الصيغة. فالمذكرات الصوتية في iPhone بصيغة M4A (صوت AAC)، وتنتج مسجلات Android ملفات M4A أو AAC أو 3GP، وغالبًا ما تنتج مسجلات المكالمات AMR؛ ويمكن رفعها كلها مباشرة. وتحويل ملف مضغوط إلى WAV لا يستعيد التفاصيل التي فُقدت عند تسجيله، كما توضح المقارنة في دليلنا إلى MP3 وWAV وFLAC وAAC، فلا تحوّل إلا إذا رفضت الأداة الصيغة. وللتسجيل الذي يمتد ساعات، قسّمه عند فواصل طبيعية كاستراحة أو تغيّر الموضوع، ليبقى كل جزء ضمن حد الرفع ويسهل تدقيقه.

اختر الإخراج بحسب ما سيحدث بعد ذلك. إن كنت ستقرأ النص أو تقتبس منه أو تبحث فيه فالنص العادي أو Word مناسب؛ فـ Word يحافظ على الفقرات والطوابع الزمنية وتمييز المتحدثين مرتبة للتحرير، وPDF لإرسال نسخة ثابتة لا ينبغي أن يغيّرها أحد. وإن كانت الكلمات ستظهر على الشاشة فوق فيديو فتحتاج إلى ملف ترجمة: يقسّم SRT وVTT الكلام إلى مقاطع قصيرة لكل منها وقت بداية ونهاية، ويحدد طول السطر ما يتسع على الشاشة. وأربعة وأربعون... أي 42 حرفًا في السطر هو المعيار الشائع في البث.

يحمل SRT وVTT المعلومات نفسها مع فروق صغيرة. فـ SRT، من برنامج SubRip القديم، يرقّم كل مقطع ويكتب الأوقات بفاصلة (00:01:15,000). أما WebVTT فهو صيغة W3C لفيديو HTML5؛ يبدأ برأس WEBVTT ويستعمل نقطة في الأوقات ويتيح التنسيق وتحديد الموضع. ويقبل كلتيهما YouTube وVimeo وPremiere Pro وDaVinci Resolve. أما JSON بتوقيت كل كلمة فهو للمطورين الذين يبنون بحثًا أو تمييزًا بأسلوب الكاريوكي أو تخطيطًا خاصًا للترجمة.

قبل رفع أي شيء، تحقق مما تفعله أجهزتك أصلًا. فقد أضافت Apple النصوص المفرَّغة إلى تطبيق Voice Memos في iOS 18، فيمكن لتسجيل على iPhone حديث أن يعرض نصه داخل التطبيق. ويفرّغ تطبيق Recorder من Google على هواتف Pixel الكلام أثناء التسجيل منذ 2019، بالكامل على الجهاز، ويميّز بين المتحدثين. وفي Microsoft 365 يتضمن Word للويب أمر تفريغ إلى نص بجانب Dictate يقبل ملفات MP3 وM4A وWAV وMP4 المرفوعة ضمن رصيد شهري من دقائق الرفع. أما الكتابة الصوتية في Google Docs (ضمن Tools في Chrome) فتستمع إلى ميكروفون مباشر فقط ولا تقرأ ملفًا موجودًا.

ومنصات الاجتماعات مصدر آخر. فيمكن لـ Zoom وMicrosoft Teams وGoogle Meet إنتاج نص للمكالمة إذا فُعّل التفريغ وسمحت به باقتك أو مؤسستك، وتنضم مساعدات مثل Otter.ai إلى الاجتماعات لتدوين الملاحظات. وهي مريحة للمكالمات التي تستضيفها، لكن كلًا منها يعمل داخل تطبيقه فقط، ويتطلب موافقة الجميع على التسجيل، ويصدّر بصيغه الخاصة. أما الملف الموجود لديك أصلًا، كمقابلة قديمة أو تسجيل محاضرة أو ملاحظة صوتية أرسلها لك أحدهم، فغالبًا ما يكون مفرِّغ الملفات أبسط طريق.

تغطي أداة المتصفح ما تتركه الخيارات المدمجة: أي ملف من أي جهاز، ومخرجات الترجمة، واللغات التي لا يدعمها هاتفك. في محول الصوت إلى نص أضف الملف، واترك اللغة المنطوقة على الكشف التلقائي أو اختر اللغة بنفسك، ثم اختر الإخراج، وفعّل الطوابع الزمنية أو تمييز المتحدثين إن احتجت إليهما. وللمذكرات الصوتية من iPhone صفحتها الخاصة M4A إلى نص، ولملفات البودكاست والمسجلات MP3 إلى نص؛ وكلتاهما تعمل بالمحرك نفسه. ويمكن أن يصل حجم كل ملف إلى 95 MB، أي نحو ساعة ونصف من MP3 بمعدل 128 kbps. وللأطول من ذلك استعمل البدء عند والانتهاء عند للتفريغ على أجزاء، أو اقصص التسجيل أولًا.

ضع توقعات واقعية. فالمتحدث الواحد على ميكروفون جيد في غرفة هادئة يخرج غالبًا بدقة 90–95% أو أفضل، وهي كثيرًا ما تكفي للنشر بعد تحرير خفيف. أما هاتف على طاولة في مطعم مزدحم، أو مكالمة جماعية متقطعة، أو ندوة يقاطع فيها الناس بعضهم، فقد تنخفض الدقة كثيرًا مع غياب جمل كاملة. وتمييز المتحدثين موثوق حين تختلف الأصوات بوضوح ويتناوب الناس الكلام، وهو يخلط بين صوتين متشابهين أكثر مما تتوقع.

دقّق والصوت مفتوح، لا من النص وحده، لأن النماذج الحديثة تكتب جملًا سليمة نحويًا حتى حين تكون خاطئة. تحقق من كل اسم علم، فالنموذج لا يعرف أن زميلك يكتبه Caitlin أو Katelyn. وتحقق من كل رقم: فـ fifteen وfifty والتواريخ والأسعار والنسب المئوية يسهل سماعها خطأ. وانتبه إلى الكلمات المتشابهة في النطق مثل their/there وaffect/effect وcomplement/compliment، وإلى الحشو الواثق حيث كان الصوت غير واضح. وتسرّع الطوابع الزمنية ذلك، إذ يمكنك الانتقال إلى اللحظة التي قيل فيها السطر المشكوك فيه.

غالبًا ما يحمل التسجيل الصوتي معلومات شخصية أكثر مما يحمله المستند: أصوات وأسماء وتفاصيل صحية وأرقام رواتب. قبل الرفع، اعرف أين يذهب الملف وكم يبقى. في UltKit تُعالَج الملفات المرفوعة على الخادم وتُحذف تلقائيًا بعد 30 دقيقة من المعالجة، ولا يوجد حساب، فلا يرتبط أي شيء باسمك. يعمل Pixel Recorder دون اتصال بالإنترنت، فلا يغادر الصوت الهاتف أبدًا. وفي كل ما تغطيه اتفاقية سرية أو سرية طبية أو قانونية، راجع سياسة مؤسستك أولًا، فبعضها يشترط خدمات معتمدة ومتعاقدًا معها.

دعم اللغات واسع لكنه غير متساوٍ. يغطي المفرّغ 33 لغة، منها الإنجليزية والإسبانية والفرنسية والألمانية والبرتغالية والعربية والهندية واليابانية والكورية والصينية والأوكرانية، وتأتي أفضل النتائج في اللغات التي تتوفر لها أكبر كمية من بيانات التدريب. يختار الكشف التلقائي لغة واحدة لكل ملف. وإذا انتقل اجتماع بين لغتين، فرّغ كل مقطع على حدة مع ضبط اللغة يدويًا. يُكتب النص دائمًا باللغة التي جرى التحدث بها؛ أما الترجمة فخطوة منفصلة تجريها لاحقًا على النص.

ترجع معظم حالات فشل التفريغ إلى بضعة أسباب، وغالبًا ما يكمن الحل في الملف أو في إعداد واحد لا في تجربة خدمة أخرى. إذا كان الصوت نفسه رديئًا لدرجة أنك لا تستطيع متابعته بارتياح، فستواجه الآلة الصعوبة نفسها، وقد يكون تفريغ يدوي قصير للمقاطع المهمة أسرع من تصحيح تفريغ تلقائي طويل.