تحويل عشر دقائق من الحديث إلى نص في ثانيتين تقريبًا — عرض مغرٍ. لكن قبل التصفيق، نودّ أن نرى ما الذي كُتب فعلًا.
قدّمت Tether، الشركة المُصدرة للعملة المستقرة USDT، نموذج التعرّف على الكلام QVAC TranscribePsy. يستطيع المطوّرون دمجه في تطبيقاتهم ومعالجة التسجيلات على الجهاز مباشرة، من دون إرسالها إلى خادم طرف آخر.
هذا، في الجوهر، ما أطلقته الشركة. أما البيان الصحفي فأرفق به روبوتات بشرية الهيئة ونظارات ذكية وحديثًا عن مستقبل الحياة الخاصة. الاحتفاظ بمحادثاتك على جهازك ميزة مفيدة. لكنها وحدها لا تخبرنا إن كان البرنامج سيكتب اسم عائلتك كما ينبغي.
فهمنا السرعة. وماذا عن الدقة؟
السؤال الأساسي بسيط: كم ستحتاج إلى التصحيح يدويًا بعد ذلك؟ في أي مكالمة عادية، يبتلع الناس بعض الكلمات، ويقاطع بعضهم بعضًا، ويذكرون أسماء عائلات نادرة ومصطلحات متخصصة. وقد يكون مبلغ واحد كُتب خطأ أهم من عشر فواصل سقطت من النص.
لدى Tether نتائج لاختبارات الدقة. في اختبارات الشركة، بلغ معدل الخطأ في التعرّف على الكلمات للنموذج الذي يدعم 25 لغة 8.02% على Open ASR و21.56% على Common Voice. جاءت النسبتان من مجموعتين مختلفتين من التسجيلات، ولذلك لا تصح مقارنتهما مباشرة.
سيكون من غير المنصف تجاهل هذه النتائج. لكنها لا توضح بعد مقدار التصحيح الذي ستحتاج إليه بعد مكالمتك من مطبخ صاخب. لم نختبر النموذج بأنفسنا. وإذا استغرقت التصحيحات وقتًا أطول مما وفّرته سرعة التفريغ، فلن يكون الرقم القياسي في السرعة عزاءً كبيرًا.
ما الذي لم يدخل في رقم 1.65 ثانية القياسي؟
تقول Tether إن النموذج يحوّل عشر دقائق من الصوت إلى نص في 1.65 ثانية على iPhone 17 Pro Max. لكن الوصف التقني يتضمن قيدًا: هذا الرقم لا يشمل بدء التشغيل وتهيئة النموذج، وهي عملية تستغرق 12.7 ثانية إضافية.
لا يلزم انتظار هذه الثواني الـ12.7 قبل كل تسجيل. فالـ1.65 ثانية المعلنة هي مدة المعالجة بعد أن يصبح النموذج جاهزًا للعمل. واسم iPhone هنا ليس للزينة أيضًا: النتيجة سُجّلت على هاتف بعينه، لا على أي جهاز تخرجه من جيبك.
التعرّف على الكلام أثناء الحديث نفسه لم يصل بعد
وسط الحديث عن التفاعل الآني، تصبح قراءة التوضيحات الرسمية أكثر إثارة للاهتمام: هذه النسخة تعالج التسجيل أو المقطع الكلامي بعد انتهائه. أما التعرّف الذي يظهر فيه النص أثناء الكلام نفسه، فما زال قيد التطوير.
وهناك قيد يتعلق باللغات أيضًا: النسخ الجاهزة للهواتف تدعم ثماني لغات. أما نسخة اللغات الـ25، التي تشمل الروسية، فهي مخصصة للحواسيب والخوادم. لذلك لا يعني وجود الروسية فيها أنها متاحة في النسخة الجاهزة للهاتف.
والآن، لنجرب حديثًا عاديًا
هناك بالفعل ما يستحق التجربة: النماذج متاحة للتنزيل، والتسجيلات تُعالَج على الجهاز، ونتائج الاختبارات منشورة، وبطاقة النموذج تنص على ترخيص Apache 2.0. لقد مُنح المطوّرون أداة حقيقية. وهذه نقطة تُحسب للشركة.
الآن نريد رؤية تفريغ لمحادثة عادية فيها ضوضاء ومقاطعات: ما الذي كُتب بصورة صحيحة، وأين ظهرت الأخطاء، وكم استغرق تصحيحها؟ وإلى جانبه، نتيجة برنامج آخر على التسجيل نفسه. عندها سيتضح مقدار العمل الذي توفّره الأداة فعلًا. أما الروبوتات، فبوسعها الانتظار قليلًا.