قد يكون من الصعب جدا فهم حديث شخص يقف أمامك في مكان مزدحم تعلو فيه الموسيقى والأصوات الصاخبة؛ ما يدفعك إلى محاولة قراءة حركة شفتيه، والاستعانة بتعبيرات وجهه ولغة جسده لاستنتاج ما يقوله. لكن، ماذا لو أصبح الذكاء الاصطناعي قادراً على أداء هذه المهمة المعقدة بدقة لافتة ومجرد مشاهدة حركة الشفاه، ودون الحاجة إلى أي صوت إطلاقاً؟
هذا الاحتمال لم يعد خيالاً علمياً، بل أصبح أقرب إلى الواقع بفضل نظام ذكاء اصطناعي مبتكر طوره باحثون في المعهد الكوري المتقدم للعلوم والتكنولوجيا (KAIST). يحمل النظام اسم DLLM-VSR، وهو قادر على تحليل حركات الشفاه وتحويلها إلى نص مكتوب بدقة عالية، معتمداً على أسلوب متطور يمكنه من تمييز الكلمات المتشابهة بصرياً والتي يصعب التفريق بينها بالعين وحدها.
ووفقاً للإعلان الرسمي الصادر عن المعهد، حقق النظام معدل خطأ منخفضاً بلغ 19.4% في أحد المعايير القياسية لاختبار تقنيات قراءة الشفاه، مسجلاً بذلك رقماً قياسياً جديداً بين الأنظمة التي دُربت باستخدام نفس مجموعة البيانات المصنفة، بحسب تقرير نشره موقع “Digital Trends”.
كيف يتعلم الذكاء الاصطناعي قراءة الشفاه؟
تُعد عملية قراءة الشفاه بالغة التعقيد، حتى بالنسبة لأحدث أنظمة الذكاء الاصطناعي؛ فبعض الحروف والأصوات (مثل الحروف الإنجليزية P وB وM) تنتج حركات شفاه متطابقة تقريباً، مما يجعل التمييز بينها أمراً شاقاً دون سماع الصوت.
عادةً ما تعتمد أنظمة التعرف التقليدية على الكلام على معالجة الكلمات بالتتابع (من اليسار إلى اليمين). غير أن هذه الطريقة تواجه عقبة أساسية، وهي أن أي خطأ في التعرف على كلمة في بداية الجملة ينعكس سلباً على تفسير الكلمات اللاحقة، مما يضاعف من نسبة الخطأ في النص الإجمالي.
ولمواجهة هذا التحدي، تبنى الباحثون نهجاً مبتكراً يعتمد على نموذج لغوي كبير قائم على تقنية الانتشار يُعرف اختصاراً بـ DLLM.
وفي اختبارات معيار LRS3 (التي اعتمدت على 433 ساعة من مقاطع الفيديو المصنفة)، سجل النظام معدل خطأ بلغ 19.4%. ويجدر الإشارة هنا إلى أن “معدل الخطأ” يشمل نسبة الكلمات التي رُصدت بشكل غير صحيح، أو الكلمات التي أخفق النظام في رصدها، أو الكلمات الإضافية التي أُدرجت خطأً، وليس نسبة المحادثات بأكملها.





