الإثنين ,16 نوفمبر, 2026 م
الرئيسية أخبار متنوعة علماء يعلّمون الذكاء الاصطناعي قراءة الشفاه بصمت

علماء يعلّمون الذكاء الاصطناعي قراءة الشفاه بصمت

9

البلقاء اليوم - علماء يعلّمون الذكاء الاصطناعي قراءة الشفاه بصمت
عند محاولة إجراء محادثة في مكان مزدحم تعلو فيه أصوات الموسيقى إلى درجة يصعب معها سماع الشخص المقابل، يصبح الاعتماد على قراءة الشفاه ولغة الجسد وفهم الإشارات وسيلة لمحاولة معرفة ما يقوله الآخرون.
لكن تقنيات الذكاء الاصطناعي بدأت تتقدم في هذا المجال، إذ أصبح بإمكان بعض الأنظمة تحليل حركة الشفاه واستنتاج الكلمات المنطوقة دون الحاجة إلى تسجيل أي صوت، في تطور يشبه تقنية الذكاء الاصطناعي القادرة على قراءة حركة عضلات الرقبة وتحويل الكلام الصامت إلى صوت مسموع، والتي جرى استعراضها في وقت سابق من العام الجاري.
وطور باحثون في المعهد الكوري المتقدم للعلوم والتكنولوجيا (KAIST) نظام ذكاء اصطناعي يحمل اسم DLLM-VSR، يستطيع قراءة حركات الشفاه وتحويلها إلى نصوص مكتوبة، بالاعتماد على طريقة متقدمة لفك رموز الكلمات التي يصعب التمييز بينها بصرياً.
ووفقاً للإعلان الرسمي الصادر عن المعهد، حقق النظام معدل خطأ في التعرف على الكلمات بلغ 19.4% فقط في أحد الاختبارات القياسية المعتمدة لقراءة الشفاه، مسجلاً رقماً قياسياً جديداً مقارنة بالأساليب الأخرى التي دُربت باستخدام مجموعة البيانات المصنفة نفسها.
كيف يستطيع الذكاء الاصطناعي قراءة الشفاه؟ تُعد قراءة الشفاه مهمة معقدة حتى بالنسبة لأنظمة الذكاء الاصطناعي، نظراً إلى التشابه الكبير بين حركات الفم عند نطق بعض الأصوات. فعلى سبيل المثال، تنتج أصوات مثل P وB وM حركات متقاربة للغاية للشفاه، ما يجعل تحديد الكلمات المنطوقة بدقة أمراً صعباً في غياب الصوت.
وتعتمد أنظمة التعرف على الكلام التقليدية باستخدام الذكاء الاصطناعي عادةً على معالجة الكلمات بصورة متسلسلة من بداية الجملة إلى نهايتها.
وتكمن مشكلة هذه الطريقة في أن أي توقع خاطئ في بداية الجملة قد يؤثر في تفسير الكلمات اللاحقة، ما يؤدي إلى تراكم الأخطاء في النص الناتج.
ولمعالجة هذه المشكلة، طور الباحثون نهجاً مختلفاً يعتمد على نموذج لغوي كبير قائم على الانتشار (Diffusion Large Language Model - DLLM).
وبدلاً من إلزام النظام بتفسير الكلمات وفق ترتيب ظهورها، يبدأ النموذج بتحديد أجزاء الجملة التي يتمتع بأعلى درجة من الثقة في فهمها، ثم يستخدم هذه الكلمات باعتبارها سياقاً يساعده على استنتاج الأجزاء غير الواضحة تدريجياً.
ويأخذ النظام في الحسبان المعلومات الواردة في بداية الجملة ونهايتها، ما يساعده على تحسين دقة التوقعات وتقليل الأخطاء الناتجة عن تفسير الكلمات بشكل منفصل.
كما يقدّر النظام عدة احتمالات لطول الجملة استناداً إلى مدة مقطع الفيديو، وينشئ نصوصاً محتملة لكل منها، قبل اختيار النتيجة الأكثر منطقية.
ووفقاً للورقة البحثية التي نشرها الفريق، حقق النظام معدل خطأ في الكلمات بلغ 19.4% في اختبار LRS3، بعد تدريبه باستخدام 433 ساعة من مقاطع الفيديو المصنفة.
ويقيس هذا المعدل الكلمات التي يتعرف عليها النظام بصورة خاطئة، إضافة إلى الكلمات المحذوفة أو الزائدة في النص الناتج، ولا يمثل نسبة المحادثات الكاملة التي تمكن النظام من فهمها بشكل صحيح.
تقنية قد تغير مستقبل التواصل لا تقتصر التطبيقات المحتملة لهذه التقنية على فهم المحادثات في المطاعم والأماكن المزدحمة، بل يمكن أن تمتد إلى مجالات صناعية ومهنية مختلفة. ويتطلع الباحثون إلى استخدام النظام في البيئات الصناعية التي تصدر فيها الآلات ضوضاء مرتفعة تجعل التواصل الصوتي بين العاملين أمراً صعباً.
كما يمكن الاستفادة منه في تطوير أدوات مساعدة للأشخاص الصم وضعاف السمع، من خلال تحويل حركة الشفاه إلى نصوص مكتوبة تسهم في تسهيل التواصل.
ومع ذلك، لم تصل التقنية بعد إلى مرحلة الجاهزية للاستخدام اليومي على نطاق واسع، إذ لا يزال أداؤها يختلف باختلاف مجموعات البيانات المستخدمة في الاختبارات.
ويعمل الباحثون حالياً على تقليل متطلبات المعالجة الحاسوبية للنظام، بهدف تمكينه مستقبلاً من العمل في الوقت الفعلي على الأجهزة القابلة للارتداء والروبوتات، دون الحاجة إلى الاتصال بالإنترنت.
وفي مقابل الفوائد المحتملة، تثير هذه التقنية مخاوف مشروعة تتعلق بالخصوصية، خصوصاً مع إمكانية استخدامها لفهم المحادثات من خلال تسجيلات فيديو صامتة، دون الحاجة إلى التقاط الأصوات.
ورغم هذه التحديات، تقدم الدراسة تصوراً جديداً للدور الذي يمكن أن يؤديه الذكاء الاصطناعي في تسهيل التواصل بين الأفراد، وقد تمهد مستقبلاً لتطوير أنظمة قادرة على فهم الكلام في البيئات شديدة الضوضاء دون الاعتماد على السمع.




التعليقات حالياً متوقفة من الموقع

البلقاء اليوم بالارقام

اسرار المدينة

شخصيات المحافظة

مقالات

هموم وقضايا