في عصر الذكاء الاصطناعي، تكتسب الأنظمة الصوتية أهمية متزايدة، ولكن كيف يمكن تقييم أدائها بشكل دقيق؟ يقدم الباحثون معياراً جديداً يحمل اسم RW-Voice-EQ Bench، والذي يمثل خطوة ثورية نحو تقييم الأنظمة الصوتية بطريقة شاملة.

تقوم المعايير التقليدية بتقييم القدرات المعزولة، مثل وضوح الكلام (Speech Intelligibility) ومعدل الخطأ في الكلمات (Word Error Rate) وجودة الحوار المبني على النصوص (Text-based Dialogue Quality)، ولكنها نادراً ما تختبر ما إذا كانت الأنظمة تدرك المعلومات الصوتية التي تميز اللغة المنطوقة عن تمثيلها النصي.

يشتمل RW-Voice-EQ Bench على تقييمات عبر مجالات متعددة، منها تحويل النص إلى كلام (Text-to-Speech - TTS)، وتحويل الكلام إلى كلام (Speech-to-Speech - STS)، وفهم الكلام (Speech Understanding - SU)، والتعرف التلقائي على الكلام (Automatic Speech Recognition - ASR).

أجدت التقييمات التي أُجريت أن الأداء يعتمد بشدة على الأبعاد المختلفة. فعلى سبيل المثال، في مجال TTS، تشمل أبعاد التقييم العقلانية والتعبير واستقرار الهوية والموثوقية، وهي في أغلب الأحيان مستقلة عن بعضها.

أما بالنسبة لـ STS، فقد أظهرت النتائج أن الوصول إلى الصوت لا يضمن استخدام التأثيرات الصوتية، مما يعني أن بعض الأنظمة تظل مدفوعة بالنصوص في المقام الأول. وبالشأن SU، تبين أن النماذج تؤدي بشكل غير متسق عبر المهام الباراللغوية.

فيما يخص ASR، فإن اللهجات الحقيقية، والعاطفة، والضوضاء، وظروف المحادثة تكشف عن إخفاقات لا تؤخذ بعين الاعتبار في المعايير التقليدية التي تتعلق بالنطق النظيف.

تشدد هذه النتائج على أهمية تقييم الذكاء الاصطناعي الصوتي من خلال مجموعة من القدرات الصوتية والتعبيرية والتفاعلية، بدلاً من الاعتماد على نتيجة إجمالية واحدة فقط.