شفاه تتكلم بلا صوت.. ذكاء اصطناعي يفك أسرار الكلمات الصامتة


في عالم تضيع فيه الكلمات وسط ضجيج الحياة، قد تصبح حركة الشفاه نافذة جديدة لفهم ما لا تستطيع الأذن التقاطه. فبينما اعتاد الإنسان الاعتماد على الصوت لفك شفرات الحديث، نجح باحثون في كوريا الجنوبية في تطوير تقنية ذكاء اصطناعي تقرأ حركات الفم وتحوّلها إلى كلمات مكتوبة، لتمنح الصم وضعاف السمع وسيلة جديدة لمتابعة الأحاديث، وتفتح الباب أمام التواصل في أكثر البيئات صخباً.

وأعلن باحثون من المعهد الكوري المتقدم للعلوم والتكنولوجيا (KAIST) تطوير التقنية التي تعزز دقة التعرف البصري على الكلام (Visual Speech Recognition)، وهي عملية تعتمد على تحليل حركات الشفاه واستخلاص الكلمات دون الحاجة إلى سماع الصوت. ونُشرت نتائج الدراسة، الجمعة، على منصة «arXiv» للأبحاث الأولية.

كلمات من الصمت

لا تكتفي التقنية الجديدة بقراءة الشفاه بالطريقة التقليدية، بل تتبع أسلوباً أكثر ذكاءً في فك رموز الحديث؛ إذ تبدأ بالبحث عن الكلمات التي تبدو حركاتها واضحة، ثم تستخدمها لاستنتاج الكلمات الأخرى التي يصعب تمييزها، مستفيدة من سياق الجملة بأكملها، بدلاً من تحليلها كلمة بعد أخرى.

ويعالج هذا النهج واحدة من أعقد مشكلات قراءة الشفاه، وهي تشابه حركات الفم عند نطق بعض الأصوات. ففي اللغة الإنجليزية، على سبيل المثال، تتقارب الحركات المصاحبة للأصوات (/p/ و/b/ و/m/)، ما يجعل التمييز بينها بصرياً أمراً بالغ الصعوبة.

ذكاء السياق

في الأنظمة التقليدية، قد يقود الخطأ في قراءة كلمة واحدة ببداية الجملة إلى تفسير خاطئ للكلمات التالية، فتضيع دلالة الحديث تدريجياً. أما الابتكار الكوري، فيستعين بالكلمات الواضحة أينما ظهرت داخل الجملة، سواء سبقت الكلمة الغامضة أم جاءت بعدها، ليعيد بناء المعنى اعتماداً على الصورة الكاملة للكلام.

ولتحقيق ذلك، استعان الباحثون بنموذج لغوي كبير يستطيع استكمال الكلمات والأجزاء الناقصة تدريجياً، مستفيداً من السياق المحيط بها، بدلاً من الالتزام بتوليد الجملة وفق ترتيب ثابت.

تدريب متقدم

مرّ تدريب النموذج بمرحلتين؛ ركزت الأولى على تعليمه الربط بين حركات الشفاه الظاهرة في مقاطع الفيديو والكلمات المقابلة لها، فيما استهدفت الثانية تمكينه من تقدير أطوال الجمل. وعند تحليل أي مقطع، ينشئ النظام احتمالات متعددة لجمل بأطوال مختلفة، ثم يقارن بينها وفقاً لملاءمة الطول ومستوى ثقته في الكلمات التي تعرف عليها.

واختبر الباحثون كفاءة التقنية باستخدام قاعدة بيانات تضم 433 ساعة من مقاطع الفيديو المصحوبة بنصوص الكلام الظاهر فيها، محققين معدل خطأ في الكلمات بلغ 19.4%، وهو الأدنى بين الطرق البحثية التي اعتمدت على مجموعة البيانات نفسها وحدها في التدريب باستخدام بيانات مصنفة.

ويعكس هذا المعدل نسبة الكلمات التي يخطئ النظام في التعرف عليها، أو يحذفها، أو يضيفها مقارنة بالنص الصحيح، ما يعني أن انخفاضه يشير إلى تحسن قدرة التقنية على فك شفرة الحديث الصامت.

آفاق المستقبل

ولا تتوقف آفاق الابتكار عند مساعدة الصم وضعاف السمع، بل تمتد إلى المصانع والمواقع الصناعية التي تبتلع فيها أصوات الآلات والمعدات كلمات العاملين، إذ يمكن للتقنية تحويل حركات شفاههم إلى نصوص مكتوبة، بما يسهل التواصل في البيئات شديدة الضوضاء.

ويطمح الباحثون إلى تقليص حجم النموذج والقدرات الحاسوبية اللازمة لتشغيله، تمهيداً لدمجه في الأجهزة القابلة للارتداء والروبوتات، مع إتاحة تشغيله في الوقت الفعلي دون اتصال بالإنترنت، لتصبح الشفاه وسيلة تواصل ذكية تنقل الكلمات من عالم الصمت إلى فضاء الفهم.