معمارية خط الدبلجة بالذكاء الاصطناعي: دروس من الإنتاج
كيف يعمل خط الدبلجة بالذكاء الاصطناعي في الإنتاج: أربع مراحل للنماذج، ومزالق اللغة الفارسية، والتحويل بين المزوّدين الذي حلّ محل الصمت بعد انقطاع.
يربط خط الدبلجة بالذكاء الاصطناعي أربع مراحل قائمة على النماذج في سلسلة واحدة: تحويل الكلام إلى نص مع اكتشاف المتحدثين، وترجمة تلائم التوقيت الأصلي، وصوت مميَّز لكل متحدث، ومواءمة التوقيت مع المزج النهائي. النماذج هي الجزء الذي يمكنك استئجاره. أما استمرار تسليم الدبلجات فيتوقف على المنصة المحيطة بها: بوابة لكل مزوّد ذكاء اصطناعي مع تحويل تلقائي إلى بديل، وطوابير انتظار دائمة، وعمل يُستأنف بعد الانهيار، وسعر يُعرض قبل تشغيل المهمة، واسترداد للمبلغ حين تفشل. في Booq، حيث أشغل منصب المدير التقني (CTO)، تسبّب انقطاع لدى أحد مزوّدي الكلام ذات مرة في دبلجات حلّ فيها الصمت مكان الجمل المفقودة. واليوم ينتقل الكلام عند التعطل عبر سلسلة من المزوّدين: صوت مختلف قليلًا خير من الصمت.
كيف يعمل خط الدبلجة بالذكاء الاصطناعي: أربع مراحل
تصف الأبحاث في الدبلجة الآلية سلسلة مشابهة. فقد انطلق Federico وزملاؤه (٢٠٢٠) من خط لترجمة الكلام إلى كلام (speech-to-speech translation)، وأضافوا إليه ما تحتاج إليه الدبلجة:
ترجمة آلية تُنتج مخرجات بالطول المفضَّل.
المواءمة العروضية (prosodic alignment): مطابقة عبارات الترجمة ووقفاتها مع مقاطع الكلام الأصلي.
تحويل النص إلى كلام (TTS) مع ضبط دقيق لمدة كل عبارة منطوقة.
إخراج صوتي يضيف الضوضاء الخلفية والصدى المستخرَجَين من الصوت الأصلي.
وخط الدبلجة الذي يعالج فيديو يظهر فيه عدة أشخاص عليه أيضًا أن يعرف من يتكلم.
افتح مخطط السلسلة بالحجم الكامل
تصف أقسام المراحل التالية الأبحاث وفضاء التصميم: ما الذي يجب أن تحله كل مرحلة، وأين تنكسر. وهي لا تصف الآليات الداخلية لأي منتج، بما في ذلك Booq. وحيثما ظهر Booq فيها، فما ذُكر هو ما تقوله دراسة حالته لا غير، أما قسم النطق الفارسي فيستند إلى بحثي أنا في تحويل النص إلى كلام. وأقسام المنصة من تجربة مباشرة.
المرحلة الأولى: تحويل الكلام إلى نص واكتشاف المتحدثين
كل مرحلة لاحقة ترث النص المفرَّغ. فالكلمة التي يختلقها نظام التعرّف تُترجَم وتُنطَق وتُوقَّت بالثقة نفسها التي تُعامَل بها كلمة قالها المتحدث فعلًا. وبالنسبة إلى الفارسية، فإن أنفع دليل منشور على مواضع إخفاق التعرّف التلقائي على الكلام (ASR) هو PSRB، وهو معيار قياس (benchmark) نُشر عام ٢٠٢٥.
أين يخفق التعرّف على الكلام الفارسي؟
يقيّم PSRB عشرة أنظمة ASR، تجارية ومفتوحة المصدر. وخلاصته أن النماذج تؤدي عمومًا أداءً جيدًا على الفارسية القياسية، لكنها تتعثر مع اللهجات المحلية وكلام الأطفال وتحديات لغوية بعينها. وتبدو التفاصيل كأنها وصف للصوت الذي يريد الناس دبلجته:
اللهجات. من بين ١٢ لهجة جرى تقييمها، كانت دقة التعرّف في أدنى مستوياتها مع اللهجتين المشهدية واليزدية.
الأطفال. جاء التعرّف على المتحدثين من الأطفال هو الأسوأ.
تعدد المتحدثين. ارتكبت جميع النماذج أخطاء في الصوت متعدد المتحدثين أكثر مما ارتكبته في الصوت أحادي المتحدث. ويسمّي المؤلفون تداخل الكلام التحدي الرئيسي في هذا النوع من الصوت، مع أن المعيار أبقى التداخل عند حده الأدنى، كما أسقطت بعض النماذج أحيانًا متحدثًا بأكمله من النص المفرَّغ.
نوع المحتوى. سجّلت الكتب الصوتية أدنى معدلات الخطأ. أما البرامج الحوارية والرسوم المتحركة والأفلام، حيث يشيع الحوار العفوي وتداخل الكلام والضوضاء الخلفية، فجاءت نتائجها أسوأ بفارق كبير.
مستوى اللغة. الكلام في هذا المعيار غير رسمي بنسبة ٧١٫٣٪.
وتسمّي الورقة أيضًا أنواعًا من الأخطاء خاصة بالكتابة الفارسية والكلام الفارسي:
حدود الكلمات. تُكتب صيغة الجمع درختها («الأشجار») بمحرف عدم الوصل صفري العرض (ZWNJ). وتظهر الأخطاء حين يُحذف هذا المحرف أو يُستبدل به غيره: درختها أو درخت ها.
انقلاب مستوى الرسمية. قد تعود العبارة غير الرسمية میخوام برم («أريد أن أذهب») بصيغتها الرسمية میخواهم بروم، أو العكس.
هاء الكسرة (He-Kasreh). قد تُكتب الحركة القصيرة /e/، التي تدل على الملكية أو الربط، حرفَ هاء (ه): فقد تُفرَّغ کتاب او («كتابه») على هيئة کتابه او. وهذه هي الإضافة وقد كُتبت، وهي الصوت غير المكتوب نفسه الذي تعود إليه المرحلة الثالثة.
إعادة الصياغة. قد تصبح خوش میگذره («إنه ممتع») حال میده («يمنح شعورًا جيدًا»). يبقى المعنى، ولا تبقى الكلمات.
الهلوسة. نص سلس ومتماسك لا يستند إلى الصوت أصلًا.
يعامل معدل خطأ الكلمات (WER) في صيغته البسيطة كل استبدال على أنه كلمة خاطئة بالكامل، فقد تكلّف زلةٌ في ZWNJ ما تكلّفه كلمة مختلفة، أو أكثر: فإن صار المحرف مسافةً، انقسمت الكلمة الواحدة إلى كلمتين، وهو ما يُحسب استبدالًا وإدراجًا معًا. ويقترح PSRB صيغة موزونة بالاستبدال هي SW-WER: لكل استبدال يُحسب معدل خطأ الحروف، ثم يُضرب في عدد الكلمات في تلك المحاذاة، فتكلّف زلة المسافات أقل مما تكلّفه كلمة مختلفة. والاسترجاع على النص الفارسي عليه أن يطبِّع المحارف نفسها، كما يشرح مقال البحث الهجين في RAG للغة الفارسية.
والنتيجة التصميمية كما أقرؤها: الصوت الذي يريد الناس دبلجته هو بالضبط حيث يكون التعرّف في أضعف حالاته، والجملة المهلوَسة أو المعاد صياغتها لا تبقى في النص المفرَّغ، بل تصير جملة مدبلجة بثقة. وهذه هي الحجة لوضع نقطة مراجعة قبل الإخراج. ويتيح Booq الوضعين معًا: تشغيل آلي بلا تدخل، أو التوقف لمراجعة الترجمة النصية وتحريرها قبل إخراج أي شيء.
تمييز المتحدثين (speaker diarization): من تكلّم ومتى
يعرّف Park وزملاؤه تمييز المتحدثين بأنه مهمة تحديد «من تكلّم ومتى». وفي الدبلجة، هو ما يقرر أي صوت تناله كل جملة. وقد قيّم تحدي DIHARD الثالث لتمييز المتحدثين الأنظمةَ عبر ١١ مجالًا متنوعًا، وخلص إلى أن المشكلة في كثير منها، ومنها فيديو الويب، «لا تزال بعيدة عن الحل».
والفحص الذي كنت لأضعه بعد تمييز المتحدثين في أي خط دبلجة بسيط: هل لكل متحدث مكتشَف جمل، وهل لكل جملة متحدث؟ فبعض الأنظمة في PSRB أسقطت متحدثًا بأكمله من النص المفرَّغ، والمتحدث الساقط يصير مسارًا صوتيًا مفقودًا.
المرحلة الثانية: ترجمة تلائم التوقيت الأصلي
تضيف الدبلجة قيدًا على الترجمة: يجب أن تُنطق الجملة الجديدة في زمن يقارب ما استغرقته الجملة الأصلية. فإن ترجمتَ بحرية، اضطر الصوت الاصطناعي إلى الاستعجال، أو تداخلت الجملة مع التي تليها.
التزامن الزمني (isochrony): الطول والمدة مشكلة واحدة
الاسم البحثي لهذا هو التزامن الزمني (isochrony). ويصفه Chronopoulou وزملاؤه (٢٠٢٣) بأنه كلام جديد متوافق زمنيًا مع الفيديو الأصلي، «بما في ذلك حركات الفم والوقفات وإيماءات اليد». وهم يدرّبون نموذجًا يحسّن الترجمة ومدة نطقها معًا، ويُبلغون عن كلام يطابق توقيت الكلام الأصلي أفضل مما حققته الأعمال السابقة، ببنية أبسط.
أما الأعمال الأسبق فضبطت الطول في النص. إذ تضرب Isometric MT (Lakew وزملاؤه، ICASSP ٢٠٢٢) مثالًا لهدف الطول: ترجمة يقع طولها ضمن ±١٠٪ من طول النص المصدر بعدد الحروف. وهي تصرّح بالثمن: ضبط طول المخرجات يكلّف جودة الترجمة، والتخفيف المعتاد هو توليد عدة ترجمات مرشحة (فرضيات N-best) ثم إعادة ترتيبها. ونسبة ±١٠٪ مثال من ورقة واحدة، لا قاعدة في الصناعة، وعدد الحروف ليس إلا مؤشرًا تقريبيًا على الزمن الذي يستغرقه نطق الجملة.
وحين يختل إيقاع الكلام، تُسمع النتيجة. فصفحة مساعدة YouTube الخاصة بالدبلجة التلقائية تُدرج سرعة الكلام ضمن الأسباب التي قد تجعل الفيديو غير مؤهل: فالكلام الأصلي السريع جدًا «سينتج عنه دبلجة مسرَّعة لا يمكن الاستماع إليها».
ما مدى الصرامة المطلوبة في توقيت الدبلجة؟
أشد صرامة حين يظهر المتحدث على الشاشة منها حين يكون خارجها، وأقل إطلاقًا مما تتعامل معه الأبحاث في الغالب، إذا حكمنا بالممارسة الاحترافية. فقد درس Brannon وVirkar وThompson (TACL ٢٠٢٣) كيف يدبلج البشر، اعتمادًا على ٣١٩٫٥٧ ساعة من الفيديو من ٥٤ عملًا من إنتاج احترافي. وتتحدى نتائجهم عدة افتراضات شائعة في الأدبيات حول الدبلجة البشرية والآلية على السواء. ويحتجّون بأن طبيعية الصوت وجودة الترجمة أهم من قيدَي تساوي الطول (طول الحروف) ومزامنة الشفاه اللذين يُشدَّد عليهما عادة، ويدعون إلى نظرة أكثر تحفظًا إلى مدى أهمية قيود التوقيت.
ويهم أيضًا ما إذا كان المتحدث ظاهرًا على الشاشة. فقد أخذ Virkar وزملاؤه (٢٠٢٢) نموذج المواءمة العروضية الذي كانوا قد بنوه من قبل للدبلجة على الشاشة، ووسّعوه ليشمل الدبلجة خارج الشاشة (off-screen)، التي «تتطلب قيود تزامن أقل صرامة» من دبلجة متحدث يظهر فمه. لذا فميزانية التوقيت قرار يُتخذ لكل مشهد، لا إعداد عام واحد.
أما عن Booq، فالمنشور هو أن التوقيت يُواءَم مع الأصل. وهذا كل ما تقوله دراسة الحالة عن التوقيت، وكل ما أدّعيه هنا.
المرحلة الثالثة: صوت مميَّز لكل متحدث
في Booq، يحصل كل متحدث مكتشَف على صوت مميَّز. وأي دبلجة متعددة المتحدثين تحتاج من أصواتها إلى خاصيتين: ألا يتشابه صوتا متحدثَين، وأن يحتفظ المتحدث الواحد بالصوت نفسه من أول جملة إلى آخرها. تذكّر الخاصية الثانية؛ فتحليل ما بعد الحادثة أدناه يروي كيف خسرت.
بيانات الكلام الفارسي المفتوحة شحيحة. ويكتب مؤلفو ParsVoice أن الفارسية «لا تزال ممثَّلة تمثيلًا ناقصًا إلى حد كبير في موارد الكلام والنص المفتوحة». وتضم مدوّنتهم مجموعة فرعية جاهزة ل TTS مدتها ٢٬٢٠٠ ساعة، وهي أكبر بأكثر من ٢٥ مرة من أكبر مجموعة بيانات TTS فارسية مفتوحة كانت متاحة من قبل. البيانات قيد واحد. أما القيد الآخر فيسبق وجود أي صوت: تحديد كيف يُنطق النص.
نطق الفارسية: الحركات القصيرة والإضافة والكلمات المتجانسة كتابةً
بين يونيو ٢٠٢١ وسبتمبر ٢٠٢٢ عملت على بحث في تحويل النص إلى كلام بالفارسية، بتكليف وإشراف من MCI (همراه أول)، أكبر مشغّل للهاتف المحمول في إيران، وبإدارة مؤسسة النخب الوطنية ضمن برنامجها الذي يحمل اسم الشهيد أحمدي روشن. وكان الجزء الصعب لغويًا. ففي ذلك الخط، يمر النص المكتوب أولًا بتحويل الحروف إلى وحدات صوتية (G2P)، وهو الذي يقرر كيف يُنطق النص. ثم يُنتج نموذجٌ لتحويل النص إلى كلام ومُرمِّزٌ صوتي (vocoder) الكلامَ؛ والمُرمِّز الصوتي هو المكوّن الذي يحوّل المخرجات الصوتية للنموذج إلى موجة صوتية. والكتابة الفارسية تجعل الخطوة الأولى ملتبسة من ثلاث جهات:
الحركات القصيرة لا تُكتب، فلا يحدد النص وحده النطق.
تركيب الإضافة (ezāfe) لا يُكتب هو الآخر، ويجب استنتاجه.
الكلمات المتجانسة كتابةً (homographs) تشترك كلمات مختلفة منها في تهجئة واحدة، ولا يمكن التمييز بينها دون سياق.
والأبحاث المنشورة تقول الشيء نفسه. فمؤلفا GE2PE (Findings of EMNLP ٢٠٢٤) يصفان الإضافة بأنها صوت /e/ يربط الأسماء بالصفات والأسماء الوصفية، ويضربان مثالًا على التجانس الكتابي: /kerm/ و/kerem/ و/karam/ متطابقة في صورتها المكتوبة، کرم. ويخلصان إلى أن G2P الفارسي يحتاج إلى مدخلات على مستوى العبارة أو الجملة لتحقيق نتائج مقبولة. ويضيف Doostmohammadi وزملاؤه (٢٠٢٠) أن الإضافة تُترك دون علامة في الكتابة الفارسية في كل الحالات تقريبًا، مما يسبب أخطاء في قراءة الجمل المعقدة وفي معالجة اللغة. والمشروع موثَّق في دراسة حالة تحويل النص إلى كلام بالفارسية.
والنتيجة التصميمية هنا استنتاج مني، لا نتيجة توصلت إليها تلك الأوراق: لا تُغذِّ TTS الفارسي بالمقاطع التي يُقطَّع إليها مسار الترجمة النصية. فقد يشطر فاصلُ الترجمة النصية سلسلةَ إضافة، أو يفصل كلمة متجانسة كتابةً عن الكلمات التي تزيل التباسها. فإذا انقسمت ketāb-e dust-e man («كتاب صديقي») على ترجمتين نصيتين وانتهى المقطع الأول عند ketāb، لم يبقَ في ذلك المقطع ما يدل على أن ketāb تأخذ كسرة الإضافة /e/. ولِّد الكلام من جمل كاملة، ثم لائم الصوت مع الخط الزمني.
المرحلة الرابعة: مواءمة التوقيت والمزج النهائي
تحوّل المرحلة الأخيرة المقاطع الصوتية إلى شريط صوت ينتمي إلى الفيديو. ففي خط Federico، يضيف الإخراج الصوتي الضوضاء الخلفية والصدى المستخرَجَين من الصوت الأصلي، ليستقر الصوت الجديد في المشهد السمعي نفسه الذي تعرضه الصورة.
في Booq، يمكن أن يتضمن الناتج النهائي ترجمة نصية منسَّقة مدمجة في الصورة للفيديو العمودي والعريض، مع إبقاء الصوت الأصلي أو الموسيقى الخلفية خافتة تحت الدبلجة. والترجمة النصية المدمجة جزء من الصورة، لذا يجب تحديد تخطيطها لكل نسبة أبعاد قبل الإخراج؛ فلا يستطيع أي مشغّل إصلاحها لاحقًا.
ثمة سؤالان تصميميان يخصان هذه المرحلة. الأول: ما العمل مع جملة لا يزال صوتها المولَّد أطول من اللازم بعد الترجمة؟ تقدّم الأبحاث والممارسة ثلاث روافع، والاختيار بينها قرار تصميمي لا نتيجة بحثية:
تقصير الجملة عند الترجمة. هنا تعمل Isometric MT والنماذج التي تحسّن الترجمة والمدة معًا.
ضبط مدة كل عبارة منطوقة في TTS. وهو ما يفعله خط Federico.
تسريع الصوت، في حدود. هذه الرافعة تأتي من الممارسة لا من الأبحاث، ولا تنجح إلا إلى حد معين: تحذّر صفحة مساعدة YouTube من أن الدبلجة المسرَّعة قد تصير غير قابلة للاستماع.
والسؤال الثاني هو ماذا يسمع المستمع حيث تكون الجملة مفقودة. وقد تبيّن أن هذا سؤال معماري، لا سؤال صوتي.
المنصة المحيطة بالنماذج
كل ما سبق أبحاث يمكنك قراءتها ونماذج يمكنك استئجارها. في Booq، تعتمد كل قدرة على مزوّدي ذكاء اصطناعي خارجيين، وكل منهم قد يتعطل أو يتغير على نحو مستقل. وبصفتي المدير التقني، حددتُ معمارية Booq وقدتُها من أول إيداع (commit) حتى بيئة الإنتاج؛ ودراسة حالة Booq تصف المنصة. وكل درس في تحليل ما بعد الحادثة فيها يقع حول النماذج، لا داخلها.
افتح مخطط المنصة بالحجم الكامل
بوابة لكل مزوّد ذكاء اصطناعي
Booq مجموعة من الخدمات المستقلة خلف تطبيق ويب واحد، مع بوابة منفصلة لكل مزوّد ذكاء اصطناعي. وهذا القرار وحده هو ما يتيح تبديل نموذج، أو تدوير مفتاح، أو تجاوز مزوّد متعطل تلقائيًا، دون المساس ببقية المنتج. وتُغيَّر النماذج ومفاتيح المزوّدين من لوحة الإدارة، دون إعادة نشر. وتقرن دراسة الحالة كل بوابة بالتحويل التلقائي إلى بديل، ويبيّن تحليل ما بعد الحادثة أدناه لماذا احتاج الكلام إلى ذلك.
طوابير الأولوية الدائمة ونقاط الاستئناف
دبلجة فيديو طويل لا مكان لها داخل طلب ويب. في Booq، تنتظر المعالجة الثقيلة بدلًا من ذلك في طوابير أولوية دائمة بحدود لكل خدمة. وهذه الحدود لكل خدمة هي ما يمنع خدمة واحدة مزدحمة من تجويع الخدمات الأخرى.
تحفظ الترجمات نقاط استئناف (checkpoints)، وتكمل من حيث توقفت بعد الانهيار. ومن دون نقاط الاستئناف، يعني انهيارٌ قرب نهاية نص مفرَّغ طويل تكرارَ كل استدعاء للمزوّد جرى قبله، ودفعَ ثمن كل واحد من تلك الاستدعاءات مرة أخرى.
رفع قابل للاستئناف على اتصالات متذبذبة
تصل ملفات الفيديو الكبيرة إلى Booq عبر اتصالات متذبذبة، وعمليات الرفع، بما فيها الملفات التي يبلغ حجمها عدة غيغابايتات، تُستأنف على الشبكة الضعيفة بدلًا من أن تبدأ من جديد.
والآلية العامة في طور التوحيد القياسي. فوثيقة Resumable Uploads for HTTP مسودة إنترنت (Internet-Draft) نشطة في مجموعة عمل HTTP لدى IETF، ولم تصبح RFC بعد: إذا استطاع الخادم أن يبيّن مقدار البيانات التي عالجها قبل الانقطاع، استأنف العميل من تلك النقطة بدلًا من إرسال كل شيء من جديد. إنها عمل لا يزال قيد الإنجاز، وليست وصفًا لتنفيذ Booq.
السعر قبل المهمة، والاسترداد عند الفشل
الفوترة جزء من خط الدبلجة. فكل مهمة في Booq تعرض سعرها، أو تقديرها المبدئي، قبل تشغيلها. والمحفظة مدفوعة مسبقًا بالتومان مع عرض ضريبة القيمة المضافة مقدَّمًا، وتُقيَّد كل معاملة في سجل دائم، ويُسترد مبلغ المهمة الفاشلة تلقائيًا. والاستردادات محمية من الصرف مرتين.
وهذه الخاصية الأخيرة تستحق أشد الاختبارات صرامة: فإعادة المحاولة بعد انتهاء المهلة (timeout) هي بالضبط اللحظة التي يصرف فيها استردادٌ مصمَّم بسذاجة المبلغَ مرتين.
مفاتيح تشغيل، لا إصدارات جديدة
تُشغَّل أقسام المنتج في Booq أو تُوقَف دون إصدار جديد. وفي تصنيف Pete Hodgson لمفاتيح الميزات (feature toggles)، يقترب هذا من مفتاح التشغيل (ops toggle): وهو مفتاح يتيح للمشغّلين تعطيل ميزة أو خفض مستواها بسرعة في بيئة الإنتاج.
والوصول مفصول بالروح نفسها. فلكلٍّ من العملاء والمسؤولين وموظفي الدعم تطبيق منشور على حدة، وتسجيل الدخول في أحدها لا يصلح في غيره، وتتطلب لوحات التحكم عاملًا ثانيًا للمصادقة مع صلاحيات قائمة على الأدوار.
تحليل ما بعد الحادثة: حين خسر ثبات الصوت أمام الصمت
ثُبِّت الكلام في Booq في البداية على مزوّد واحد عن قصد، لأن مزوّدًا مختلفًا يعني صوتًا مختلفًا. ففي الدبلجة بدا الثبات هو الخاصية التي تجب حمايتها. ثم تعرّض ذلك المزوّد لانقطاع، فجُمعت دبلجات فيها صمت مكان الجمل المفقودة.
واليوم ينتقل الكلام عند التعطل عبر سلسلة من المزوّدين، وفق مبدأ أن صوتًا مختلفًا قليلًا خير من الصمت.
تصميم سلسلة المزوّدين البدلاء عن قصد
لم يكن الخيار الأول إهمالًا؛ فقد حمى خاصية حقيقية. وتلخّص دراسة الحالة تغييرات الاتجاه التي أفضى إليها تشغيل المنصة في بيئة الإنتاج: كل واحد منها «تخلّى عن افتراض مريح لصالح خيار افتراضي أكثر أمانًا». والدرس هو أن تقرر أي فشل تقبله قبل أن يقرر الانقطاع عنك. فحين يتعطل مزوّد الكلام المفضَّل، يمكن لخط الدبلجة أن يترك فجوة، أو أن يُفشل المهمة ويرد مبلغها، أو أن يستخدم صوتًا آخر. والفجوة وحدها تسلّم المستمع دبلجة تتخللها ثغرات.
ويتبع ذلك قرار ثانٍ، وما يلي تحليلي أنا، لا وصف ل Booq: ما مقدار ما يستبدله البديل. فإذا انتقلت الجملة المفقودة وحدها إلى مزوّد آخر، تغيّر صوت ذلك المتحدث في منتصف المشهد. وإذا انتقل مسار المتحدث كله، بقيت الدبلجة متسقة، لكن يُعاد إنجاز قدر أكبر من العمل.
ويصف كتاب SRE من Google فكرة قريبة للخدمات المثقلة بالحمل، هي التدهور المنضبط (graceful degradation): إنجاز عمل أقل عبر خفض جودة الاستجابات. والجزء الذي ينطبق هنا هو تحذيره من أن «مسار الشيفرة الذي لا تستخدمه أبدًا هو المسار الذي (غالبًا) لا يعمل»، ونصيحته بتشغيل الوضع المتدهور بانتظام. وما أضيفه أنا إلى أي سلسلة بدائل للكلام، بوصفه توصية لا وصفًا ل Booq، هو تشغيل مهام اختبار مجدولة على مقاطع داخلية عبر كل مزوّد في السلسلة، ليُعرف أن البديل يعمل قبل أن يحتاج إليه انقطاع.
الفشل الصحيح يتوقف على المنتج. فالمساعد في هذا الموقع يفعل العكس: حين لا يجد في الموقع ما تستند إليه الإجابة عن سؤال ما، يردّ برفض بنص ثابت بدلًا من التخمين، وإذا لم يعدّ السؤال متعلقًا بي، فلا يُستدعى النموذج اللغوي أصلًا. ففي الإجابة عن الأسئلة، الصمت هو الفشل الآمن، لأن الإجابة الخاطئة الواثقة أسوأ من غياب الإجابة. والتصميم مشروح في حواجز الحماية من هلوسة RAG، وصفحة RAG مقابل بلا استرجاع في المختبر مبنية على القاعدة نفسها. أما في الدبلجة، فالصمت هو الفشل بعينه. وأي فشل مقبول قرار يخص المنتج، لا النموذج.
الإشراف على المحتوى دون إبقاء المستخدم منتظرًا
كان فحص المحتوى في Booq يجري داخل عملية إنشاء المشروع، فكان المستخدمون ينتظرون بين اكتمال الرفع وظهور صفحة مشروعهم. أما الآن فيجري في الخلفية. تُفحص الصور والفيديو والصوت والنص، مع مسار للتظلّم، وتُحتجز النتيجة المكتملة عند حالة «مراجعة المحتوى جارية» حتى تكتمل المراجعة. ولا تُعرض المخرجات على أنها جاهزة ما دامت مراجعتها جارية.
وينطبق هذا النمط على أي فحص بطيء في خط معالجة الوسائط: أخرِجه من مسار الطلب، واجعل الحالة الوسيطة صريحة.
بوابات الإصدار ونسخ احتياطية قرأها أحد
انتقل النشر إلى بيئة الإنتاج في Booq من النشر التلقائي إلى موافقة يدوية لا تُتاح إلا بعد اجتياز فحوص بيئة التجهيز (staging). فكل إصدار يمر بالبناء والاختبارات والنشر إلى بيئة التجهيز واختبار الدخان (smoke test) قبل أن يوافق عليه شخص للإنتاج، ويمكن تشغيل التراجع الطارئ إلى الإصدار السابق يدويًا. وتعمل المنصة على عنقود حاويات معرَّف بوصفه شيفرة.
وصارت النسخ الاحتياطية تُؤخذ كل ساعة، وقُرئت أحدثها من أولها إلى آخرها، لأن نسخة احتياطية لم يقرأها أحد قط ليست نسخة احتياطية. ويقولها كتاب SRE من Google بصراحة أكبر: «لا أحد يريد حقًا أن يأخذ نسخًا احتياطية؛ ما يريده الناس حقًا هو الاستعادة». ويضع كذلك معيارًا أعلى: لا تعرف أنك قادر على استعادة حالتك الأخيرة إلا إذا فعلت ذلك فعلًا، لذا ينبغي أتمتة اختبارات الاستعادة حيثما أمكن وتشغيلها باستمرار. فقراءة نسخة احتياطية من أولها إلى آخرها هي الحد الأدنى، لا خط النهاية.
بناء أم شراء: قائمة تحقق لأي خط دبلجة بالذكاء الاصطناعي
الفشل والبديل
حين يتعطل مزوّد الكلام في منتصف المهمة، ماذا يتلقى المستمع: صمتًا، أم صوتًا مختلفًا، أم مهمة فاشلة واستردادًا للمبلغ؟ قرِّر قبل أن يقرر الانقطاع.
حين يعمل البديل فعلًا، هل يستبدل جملة واحدة أم مسار المتحدث كله؟
هل يُشغَّل مسار البديل عن قصد، بمهام اختبار مجدولة، أم أثناء الانقطاعات فقط؟
المنصة والفوترة
هل كل مزوّد ذكاء اصطناعي خلف بوابته الخاصة، بحيث لا يحتاج تغيير النموذج أو تدوير المفتاح أو تجاوز المزوّد إلى إصدار جديد؟
هل يجري العمل الثقيل من طوابير دائمة بحدود لكل خدمة، خارج طلب الويب؟
هل يمكن لترجمة طويلة أن تُستأنف من نقطة استئناف، ولرفع كبير أن يُستأنف بعد انقطاع الاتصال؟
هل يُعرض السعر أو التقدير قبل تشغيل المهمة، وهل يستحيل أن يُصرف الاسترداد مرتين؟
هل الإشراف على المحتوى خارج مسار الطلب، مع حالة «قيد المراجعة» صريحة؟
التعرّف والتوقيت والأصوات
هل اختُبر التعرّف على صوتك أنت: اللهجات، والأطفال، والكلام غير الرسمي، وتعدد المتحدثين، وصوت الأفلام والبرامج الحوارية، لا الكتب الصوتية وحدها؟
هل يعامل حسابك ل WER زلة مسافة في ZWNJ على أنها كلمة خاطئة بالكامل؟ طبِّع النص أولًا، أو استخدم مقياسًا موزونًا مثل SW-WER.
بعد تمييز المتحدثين، هل لكل متحدث مكتشَف جمل وصوت؟
هل توجد نقطة لمراجعة الترجمة النصية وتحريرها قبل الإخراج؟
ما مدى الصرامة المطلوبة في التوقيت لهذا المحتوى: وجوه على الشاشة، أم سرد من خارجها؟
هل يتلقى TTS الفارسي جملًا كاملة، لا مقاطع ترجمة نصية تقطع سلسلة الإضافة؟
الإصدار والتعافي
هل يوافق شخص على النشر إلى الإنتاج بعد فحوص بيئة التجهيز واختبار الدخان، وهل يمكنك التراجع يدويًا؟
هل قرأ أحد نسخة احتياطية من أولها إلى آخرها؟
الأسئلة الشائعة
كيف تعمل الدبلجة بالذكاء الاصطناعي؟
يحوّل خط الدبلجة بالذكاء الاصطناعي الكلام الأصلي إلى نص ويكتشف من يتكلم، ويترجم كل جملة بحيث يمكن نطقها في زمن يقارب الزمن الأصلي، ويمنح كل متحدث صوتًا اصطناعيًا مميَّزًا، ثم يواءم التوقيت ويمزج الكلام الجديد مع الخلفية الصوتية الأصلية. وفي بيئة الإنتاج، تعمل هذه المراحل داخل منصة من الطوابير وبوابات المزوّدين مع البدائل، ومن الأفضل أن تتضمن نقطة مراجعة قبل الإخراج.
هل يمكن دبلجة فيديو إنجليزي إلى الفارسية بالذكاء الاصطناعي؟
تقنيًا، نعم: فالسلسلة واحدة لأي زوج من اللغات. لكن الدبلجة إلى الفارسية تضيف مشكلة خاصة باللغة في مرحلة الصوت، لأن الكتابة الفارسية لا تُظهر الحركات القصيرة ولا الإضافة، فيجب استنتاج النطق من السياق. والتغطية في الخدمات الشائعة متفاوتة: حتى سبتمبر ٢٠٢٦، كانت صفحة مساعدة YouTube للدبلجة التلقائية تُدرج الفارسية لغةً مصدرًا تُدبلج إلى الإنجليزية، ولا تُدرج مقاطع الفيديو الإنجليزية على أنها قابلة للدبلجة إلى الفارسية.
هل تطابق الدبلجة بالذكاء الاصطناعي حركات الشفاه؟
ليس بالضرورة، وليست بحاجة إلى ذلك دائمًا. فأبحاث التزامن الزمني تضع هذا الهدف: كلام جديد متوافق زمنيًا مع الفيديو الأصلي، بما في ذلك حركات الفم والوقفات والإيماءات. أما مدى دقة المطابقة فخيار تصميمي. فالدبلجة خارج الشاشة تحتاج إلى تزامن أقل صرامة من دبلجة متحدث يظهر فمه، ودراسة واسعة للدبلجة البشرية الاحترافية تحتجّ بأن طبيعية الصوت وجودة الترجمة أهم من قيود مزامنة الشفاه التي يُشدَّد عليها عادة.
لماذا تحتوي الدبلجة بالذكاء الاصطناعي أحيانًا على صمت أو صوت مختلف؟
أحد الأسباب تعطّل مزوّد الكلام في منتصف المهمة. فخط الدبلجة المثبَّت على مزوّد واحد يحافظ على ثبات الأصوات، لكنه قد يترك فجوات أثناء الانقطاع؛ أما الخط الذي يملك سلسلة بدائل فيملأ الجملة بصوت مختلف قليلًا. وقد انتقل Booq من التصميم الأول إلى الثاني بعد انقطاع أنتج دبلجات فيها صمت مكان الجمل المفقودة. وقد يبدأ الصمت أيضًا في مرحلة أسبق، حين يُسقط التعرّف على الكلام متحدثًا فلا يبقى شيء للترجمة.
كيف يُقيَّم التعرّف على الكلام الفارسي؟
على صوتك أنت، لا على الكلام المقروء النظيف وحده. أدرِج اللهجات المحلية وأصوات الأطفال وتعدد المتحدثين وصوت الأفلام أو البرامج الحوارية، وكلها ظروف وجد فيها PSRB أخطاء أكثر، إضافة إلى الكلام غير الرسمي. طبِّع ZWNJ والصيغتين العربية والفارسية لحرفَي الياء والكاف قبل حساب النتيجة، أو استخدم مقياسًا موزونًا بالاستبدال مثل SW-WER، واقرأ الأخطاء نفسها لا معدلها فقط: فرقم واحد لا يفرّق بين زلة في المسافات وجملة سلسة لم يقلها المتحدث قط.
إذا كنت تدرس بناء نظام للكلام أو الدبلجة، فخدمة الذكاء الاصطناعي للكلام تغطي TTS وASR وخطوط الدبلجة، بما في ذلك الحالات الفارسية الصعبة.
المصادر
Booq: ترجمة الفيديو ودبلجته بالذكاء الاصطناعي بالفارسية أولًا، دراسة حالة في هذا الموقع
بحث تحويل النص إلى كلام بالفارسية لصالح MCI، دراسة حالة في هذا الموقع
Sedghiyeh وآخرون، PSRB: A Comprehensive Benchmark for Evaluating Persian ASR Systems، arXiv، ٢٠٢٥ (النص الكامل)
Federico وآخرون، From Speech-to-Speech Translation to Automatic Dubbing، arXiv، ٢٠٢٠
Chronopoulou وآخرون، Jointly Optimizing Translations and Speech Timing to Improve Isochrony in Automatic Dubbing، arXiv، ٢٠٢٣
Lakew وآخرون، Isometric MT: Neural Machine Translation for Automatic Dubbing، ICASSP ٢٠٢٢
Virkar وآخرون، Prosodic Alignment for off-screen automatic dubbing، arXiv، ٢٠٢٢
Brannon وVirkar وThompson، Dubbing in Practice: A Large Scale Study of Human Localization With Insights for Automatic Dubbing، TACL، ٢٠٢٣
مساعدة YouTube، Use automatic dubbing، رُوجعت في سبتمبر ٢٠٢٦
Park وآخرون، A Review of Speaker Diarization: Recent Advances with Deep Learning، Computer Speech & Language، ٢٠٢٢
Ryant وآخرون، The Third DIHARD Diarization Challenge، arXiv، ٢٠٢٠
Rahmati وSameti، GE2PE: Persian End-to-End Grapheme-to-Phoneme Conversion، Findings of EMNLP ٢٠٢٤
Doostmohammadi وآخرون، Persian Ezafe Recognition Using Transformers and Its Role in Part-Of-Speech Tagging، arXiv، ٢٠٢٠
Ranjbar Kalahroodi وFaili وShakery، ParsVoice: A Large-Scale Multi-Speaker Persian Speech Corpus for Text-to-Speech Synthesis، EMNLP ٢٠٢٦ (مقبولة؛ arXiv الإصدار الرابع، سبتمبر ٢٠٢٦)
Google، Site Reliability Engineering: Addressing Cascading Failures
Google، Site Reliability Engineering: Data Integrity: What You Read Is What You Wrote
مجموعة عمل HTTP في IETF، Resumable Uploads for HTTP، مسودة إنترنت (Internet-Draft)
Pete Hodgson، Feature Toggles (aka Feature Flags)، martinfowler.com، ٢٠١٦، منقّح ٢٠١٧