أنشئ لي صوتا^(***)

يبدأ التركيب الكلامي التسلسلي بصوت بشري. لذلك
فعندما يبدأ فريقنا بتطوير نظام جديد يبدأ بالاستماع إلى عشرات من المرشحين
لتسجيل أصواتهم. وما لم تكن اللكنة الأجنبية مطلوبة، كما في حالة شخصيات
سينمائية أو على صفحة وِب، فإننا نختار مرشحنا من بين الذين لا يملكون لكنة أو
لهجة خاصة، بل يستعملون اللهجة الإنكليزية الأمريكية العامة والتي نستمع إليها
في العديد من محطّات التلفزة المعتمدة. وعندئذ يجلس القارئ المُختار في حجرة
تسجيل ويقرأ بصوت مرتفع أكثر من عشرة آلاف جملة، وهي مهمة تستغرق نحو أسبوعين.
يجري اختيار الجُمل بناء على معانيها وصلتها بالتطبيقات في الحياة العادية،
وبوجه خاص بناء على تنوع المقاطع الصوتيّة في محتواها. وهكذا نضمن الحصول على
العديد من الأمثلة على كل واحد من المقاطع الصوتية وفي سياقات مختلفة.



والنتيجة هي إذًا نحو خمس عشرة ساعة من الكلام
المسجل. ولا تُعَدّ مهمة التوثّق من اتساق محتوى هذا التسجيل مهمّة سهلة. ولمّا
كان مصير هذا التسجيل هو التقطيع ثُمّ إعادة توصيله بحسب الحاجة، يمكن إذًا
لمقطع صوتي جرى استخلاصه اليوم أن يُنضَّد إلى جانب مقطع صوتي استخلص قبل
أسبوع. لذلك يقوم مدرّب بتوجيه المتحدّثين وهو يستمع إلى الانحرافات في معدلات
كلامهم وفي نبراتهم العاطفيّة وفي طبقات أصواتهم وعلوها، وذلك بهدف مساعدتهم
على المحافظة على وتيرة كلام منتظمة قدر الإمكان. ومرّة على الأقل في كل ساعة
يستمع المتحدّثون إلى جملة جرى تسجيلها في اليوم الأوّل كمرجع، تماما مثلما
يستعمل الموسيقي أداة خاصة للحفاظ على دوزان واحد.



بعد ذلك يحوّل البرنامجُ الكلمات من النص المنطوق
إلى سلسلة من المقاطع الصوتيّة وذلك باستخدام قاموس ألفاظ وهو المرجع الذي يضمّ
المقاطع الصوتيّة التي تؤلّف كل كلمة. ويقوم البرنامج بحفظ وتذكر الملامح
الخاصّة بكل مقطع صوتي، مثل المقاطع التي سبقته والتي أتت بعده وما إذا كان هذا
المقطع يقع في بداية أو في نهاية الكلمة أو الجملة.



ما إن تتم معالجة النص حتى يُحلّل برنامجنا التسجيل
الصوتي، وذلك بهدف قياس ثلاث صفات مميزة وهي طبقة الصوت وتوقيته وعلوّه ـ التي
تسمى العَروض prosody. ومعرفة هذه الصفات لكلّ
واحد من المقاطع تساعدنا على اختيار أي مثال يجب استخدامه لتركيب عبارة معطاة.



بعد ذلك، وباستخدام تقنيات تعرّف الكلام ـ وهي برامج
إملاء تترجم الكلام إلى نص ـ يقرن البرنامج الحاسوبي كلّ مقطع صوتي مسجل بجزئه
النصي المقابل. وهكذا، مع وجود النص والصوت معا تكون برمجيتنا قادرة على تحليل
كل تسجيل كما أنها تُعيّن بدقة الحدود التي يبدأ أو ينتهي عندها كل مقطع صوتي.
إن هذه الإجرائية أساسية لأنه ما إن يتم تحديد المقاطع الصوتية وتسميتها حتّى
يتمكن البرنامج من تصنيفها بدقة ضمن قاعدة بيانات يمكن البحث فيها.



تحوي قاعدة بيانات برنامجنا
NAXPRES Synthesizer وسطيا عشرة آلاف عينة
مسجلة لكل واحد من الأربعين مقطعا صوتيّا في اللغة الإنگليزيّة. وللوهلة الأولى
يبدو أن قاعدتنا تحوي الكثير من التكرار والحشو. ولكن عند تأليف الجمل انطلاقا
من الكلمات يتغير العلو النسبي لكل مقطع صوتي وطبقته تبعا لمزاج المتحدّث، ولما
يرغب التأكيد عليه، ولنوع الجملة ـ تذكر الفرق بين جملة استفهامية وأخرى
تعجبية. وعليه يمكن للمقاطع الصوتية المستقاة من هذه الجمل أن تختلف اختلافا
كبيرا: فبعضها منطوق بعَروض مختلفة، وبعضها منطوق في سياقات مختلفة، وهكذا...



ولأن كلام الإنسان دقيق ومعقّد، لا يفهم الخبراء
إلاّ بعض المؤثرات الكثيرة التي تسهم في تكوين كلام بشري المَسمَع، ولهذا نحتاج
إلى حواسيب للمساعدة على أداء هذه المهمّة. ونستفيد من قاعدة البيانات
المتوافرة لدينا لإنشاء نموذج إحصائي يفيد في استقراء تلقائي للخواص العامّة
التي تحكم ارتفاع أو انخفاض طبقة الصوت، وتفيد في تحديد فترة كلام الفرد
وعلوّه. ثم تجري الاستفادة من هذا النموذج لاحقا عند تطبيق هذه الخواص لجعل
مَسْمَع كلام النظام أقرب إلى كلام الإنسان.



نظرة إجمالية/ جعل الآلات تنطق^(****)




كلّمني^(*****)

وهكذا، بعد أن وصفنا عناصر الأنظمة الحديثة لتركيب
الكلام، تعالوا نلق نظرة على أحدها وهو يعمل. يؤدّي نظام تركيب الكلام العائد
للشركة IBM كامل المعالجة التالية في أجزاء في
الألف من الثانية ـ أي بسرعة كافية لجعل الأشخاص يتحادثون مع الحاسوب في الزمن
الحقيقي. أولا: نعطي الحاسوب شيئا يقوله في هيئة نصّ، وليكن "Permits
cost $80/yr." أي
تكلفة الرخصة ثمانون دولارا سنويّا، يحوّل النظام هذه الرموز إلى مقاطع صوتيّة،
وهذه مهمّة أصعب مما تبدو عليه لأوّل وهلة. فالجملة تحوي علامات ترقيم
واختصارات يجب لفظها، إذًا يجب البدء بترجمة النص إلى سلسلة الكلمات التي يجب
على مركّب الكلام أن يلفظها. يستخدم النظام NAXPRES
عددا من القواعد لتجنّب وقوع أي التباس مثل وجود طرائق متعدّدة في ترجمة
الاختصارات. فمثلا يحوي النص St.Charles
St." "اختصارين متماثلين يجب أن يقرأهما النظام
قراءة صحيحة بالشكل "Saint
Charles Street" أي شارع القدّيس شارل.



وبعد تعيين سلسلة الكلمات التي تجب قراءتها، يجب أن
يكتشف النظام الأسلوب الذي يجب أن يتبعه عند القراءة. إذ تعتمد قراءة بعض
الكلمات على موقعها في الكلام. فمثلا كلمة "permits"
تُقرأ permits عندما تكون اسما، وتقرأ
permits عندما تكون فعلا. لذلك نستعمل محلّلا
نحويا⁽⁵⁾ لتحديد طبيعة كل كلمة في الجملة فنجد:



permits (noun)
cost (verb)
eighty (adjective)
dollars (noun)
per (preposition)
year noun)

عند هذه المرحلة يصبح نظام تركيب الكلام جاهزا
لتحويل الكلمات إلى مقاطع صوتيّة. وهنا يجب أن يكون النظام قادرا على معالجة
الحالات الخاصّة مثل الحروف الصامتة ـk في كلمة "knife"
أو tفي كلمة "often"على
سبيل المثال ـ وكذلك معالجة الكلمات التي تُلفظ بطرق مختلفة مثل "permits".
إنّه من النادر الوقوع على جملة لا تحوي شذوذا لفظيّا. يطبّق نظامنا قواعد
لتحويل الأحرف إلى مقاطع صوتيّة مستفيدا من معلومات التحليل النحوي. لتحصل على
فكرة عن مدى صعوبة هذه المهمّة والبراعة اللازمة لأدائها، تفكّر في جميع الطرق
الممكنة لتحويل"ough" إلى مقاطع صوتيّة، فهي (OW)
في"bough" وهي (AW
F) في "cough" وهي(OH)
في"dough" وهي (UH
F) في"rough"
وأخيرا هي (OO) في "through".



كيف يعطي الباحثون صوتا للحاسوب^(******)




وهكذا تأخذ الجملة في مثالنا، بعد أن يحولها
البرنامج إلى مقاطع صوتية، الشكل التالي:





أبحاث صناعية في مجال تحويل
النص إلي كلام ^(*******)






اختيار الأصوات^(********)

يُعدّ تحديد المقطع الصوتي المناسب لتركيب كلِّ جزء
من أجزاء الجملة تحدّيا كبيرا. فكل صوت في سلسلة أصوات يتغير تغيرا طفيفا تبعا
للأصوات التي تسبقه ولتلك التي تليه، وهذه تسمّى ظاهرة الإفصاح اللفظي المشترك
coarticulation. [لمعلومات أكثر عن هذه الظاهرة
انظر الإطار في الصفحة المقابلة]. يحتوي مثال permits…"
" على ثلاثة وعشرين مقطعا صوتيا، ولأنّنا نملك في قاعدة بياناتنا نحو عشرة آلاف
عيّنة لكل منها، فإننا نجد أنفسنا أمام معضلة اختيار اللفظ المناسب من بين000
10 23 (=9210) تركيبا مختلفا، وهو عدد بغاية الضخامة لا يمكننا النظر فيه. لذلك
يستفيد النظام من تقنية البرمجة الديناميكيّة ليبحث في قاعدة البيانات بنجاعة
وذلك بهدف تحديد التركيب الأكثر ملاءمة.



ما إن ينضِّد نظام التركيب الكلامي التسجيلات
المناسبة للمقاطع الصوتيّة واحدا إلى جانب الآخر، حتى يبدأ بمعالجة المرحلة
الأخيرة، وهي جعل الانتقال من مقطع صوتي إلى الذي يليه أملس وذلك بإزالة
الانقطاعات. فعندما تختلف طبقتا مقطعين صوتيين متتاليين اختلافا طفيفا تنتهي
الجملة بصوت مهتز وملحون. ويعالج النظام هذه المشكلة بإجراء تعديلات بسيطة على
الطبقات ليصحّح الاختلاف، فيحني طرفي طبقة كلّ مقطع صوتي قليلا إلى الأعلى أو
الأدنى ليتوافق مع المقاطع المجاورة، تماما كما يحفّ النجار قطع الخشب
المتلاصقة ليجعل الانتقال من سطح إلى الذي يجاوره أملس.



مع أننا سعداء بالتقدم الذي أحرزناه في برنامجنا
للتركيب الكلامي، إلا أننا نُبقي دائما البحث عن إمكانات تطويره نصب أعيننا.
وكثيرا ما نناقش ما يسميه بعضهم «الكأس المقدسة» في تقانة تحويل النص إلى كلام
منطوق: هل يجب أن يكون كلام الآلة غير قابل للتمييز عن كلام البشر، كما هي حال
اختبار تورينگ المعروف في الذكاء الصنعي؟ وجوابنا هو «لا، على الأغلب». لأنّه
من جهة أولى، قد لا يشعر الناس بارتياح مع فكرة أنّه بالإمكان خداعهم عندما
يتصلون بمركز خدمات إحدى الشركات. ولأنّه، من جهة أخرى، قد لا يكون الكلام
الطبيعي أفضل الخيارات في بعض الحالات، مثل إشارات تحذير سائقي الآليات أو
أصوات الألعاب، أو أصوات الأفلام المتحرّكة أو أصوات الألعاب الحاسوبية
والڤيديوية. فالهدف الأفضل لمثل هذه التقانة هو التوصل إلى كلام معبّر يشعر
الناس بالراحة لدى سماعه.



أو ربما يجب أن يكون الهدف النهائي نظاما من التعقيد
بحيث يكون قادرا على استثمار المهارات التواصلية والاجتماعية للبشر. تأمّل
المثال التالي:

المتصل: أود حجز رحلة إلى طوكيو صباح الثلاثاء.

الحاسوب: هناك رحلتان متاحتان مساء الثلاثاء.



إن قدرة البرنامج على توكيد كلمة «مساء» لإبراز
اختلافها عن كلمة «صباح»، تختزل الخوض في الكثير من الأخذ والرد. إذ يفهم
المتصل عند ذلك أنه لا توجد رحلات صباحية وأن الحاسوب يعرض خيارا آخر. في حين
قد يترك نظام غير قادر على التركيب الكلامي المعبر اعتقادا عند المتصل بأن
الحاسوب لم يفهم طلبه تماما، ويطلب إليه إعادة البحث ثانية. وللسبب نفسه، في
حالة الجواب «أنا آسف، لا تتوافر رحلات يوم الثلاثاء» يرغب المهندسون في أن
يبدو الكلام اعتذارا عن عدم وجود رحلات، أو على الأقل، أن يكون الابتهاج على
درجة أقل من تلك التي يبديها النظام في افتتاحيته «كيف أستطيع خدمتك؟»



التغيرات في لفظ المقاطع الصوتية (الفونمات)^(*********)





وحديثا، تمكن فريقنا لدى
IBMمن تطوير أنظمة أوّلية يمكن لكلامها أن يشتمل على مثل هذه التعابير.
إضافة إلى التعبير القاعدي الحيادي، يمكن لهذه التقانة أن تركّب جملا توحي
بالفرح أو التساؤل أو الاعتذار؛ ويمكن أيضا للتقانات النامية أن تؤكّد على بعض
الكلمات لإحداث وقع في النفس.



مع أن برامجنا لتركيب الكلام وأمثالها أصبحت قادرة
على إصدار كلام قريب إلى حد مدهش من الصوت البشري، إلاّ أن الكلام المعبر هو
التحدي الكبير القادم أمام هذه التقانة. فهذه البرامج لا تفهم حقيقةً معنى
الكلام الذي تركبه، لذلك يمكن لبعض الاختلافات الدقيقة في المعنى، التي يمكن
لطالب الصف الثامن أن يلحظها عند القراءة بسبب إدراكه للمعنى، أن تمر غير
ملحوظة من قبل المركب الكلامي. ومع أن مجال صوت الإنسان لا حدود له إلا أننا
نعتقد أن جزءا مهما من عمل الباحثين في تركيب الكلام قد أنجز.