في الوقت الذي تشهد فيه تقنية التعرف على الكلام (ASR) تقدمًا ملحوظًا، يظل السؤال مطروحًا: هل فعلاً يؤدي تحسين جودة الصوت إلى تحسين الدقة في النسخ؟ دراسة جديدة تسلط الضوء على هذا السؤال الشائك، حيث تم تقييم أداء نموذج SAM-Audio كخطوة مسبقة لمعالجة الصوت لصالح نموذج Whisper من OpenAI في مهمة النسخ بدون بيانات تدريب سابقة.

خضعت الدراسة لتقييم خمس نسخ من Whisper على مجموعات بيانات صوتية مختلطة باللغتين البنغالية والإنجليزية. أظهرت النتائج أن سماع الصوت المُعزز بواسطة SAM-Audio تمكن من زيادة متوسط نسبة الإشارة إلى الضجيج (PSNR) من 32.28 ديسيبل إلى 35.99 ديسيبل، محققًا تحسنًا ملحوظًا في 71.84% من العينات.

ومع ذلك، كان المفاجئ هو أن معدلات الخطأ في النسخ (WER) ومعدلات الأخطاء في الحروف (CER) شهدت زيادة ملحوظة في جميع تكوينات النماذج المُعتمدة. على سبيل المثال، ارتفعت معدلات WER لنموذج Whisper large-v3 من 65.83% إلى 77.35% على مجموعة البيانات البنغالية، بينما زادت معدلات CER من 24.13% إلى 34.74%.

في حين أن الضوضاء يمكن أن تؤثر سلبًا على دقة الأنظمة، تُظهر هذه النتائج كيف أن تحسين الصوت ليس ضمانًا لتحسين الأداء. تتباين شدة التأثير وفقًا لنماذج Whisper المستخدمة، مما يثير تساؤلات حول اعتمادنا على التحسين الصوتي في تحسين دقة الذكاء الاصطناعي.

هل تعتقد أن تحسين جودة الصوت يجب أن يكون أولوية في تطوير أنظمة التعرف على الصوت؟ شاركنا آرائك في التعليقات!