حول تقنية التعرف على الكلام من Google

تم تسليط الضوء على تقنية التعرف على الكلام من Google بواسطة BTW Media لأن الأدلة المنشورة تربطها بالبنية التحتية للإنترنت والحوكمة والتبعيات التشغيلية أو رؤية السوق.

• خدمة التعرف على الكلام من Google هي خدمة تقدمها Google تتيح للمستخدمين تحويل الكلام إلى نص.
• تعمل تقنية التعرف على الكلام من Google من خلال مزيج من خوارزميات التعلم العميق وكميات كبيرة من البيانات.
• تتيح للمستخدمين التفاعل مع الأجهزة والتطبيقات باستخدام صوتهم، بدلاً من طرق الإدخال التقليدية مثل الكتابة على لوحة المفاتيح.

يسمح الجمع بين تقنيات التعلم العميق وبنى الشبكات العصبية المتطورة والبيانات واسعة النطاق والتحسين المستمر من خلال ملاحظات المستخدمين لنظام التعرف على الكلام من Google بتحقيق مستويات عالية من الدقة عبر مجموعة واسعة من اللغات واللهجات.

يتم دمج التعرف على الكلام من Google في مختلف المنتجات والخدمات التي تقدمها Google، مثل Google Assistant وGoogle Translate وGoogle Search وغيرها.

ما هي تقنية التعرف على الكلام من Google؟

التعرف على الكلام من Google هو بمثابة مترجم رقمي لصوتك. فهو يستمع إلى ما تقوله ويترجمه إلى نص مكتوب. يسمح لك ذلك بالتفاعل مع أجهزتك، والبحث على الويب، وإرسال الرسائل، وغير ذلك الكثير، ببساطة عن طريق التحدث بصوت عالٍ. إنه كأن يكون لديك مساعد شخصي يفهم وينسخ كل ما تقوله، مما يسهل التواصل والتنقل في العالم الرقمي دون الحاجة إلى الكتابة.

Google Assistant

يعتمد المساعد الافتراضي من Google، المتاح على الهواتف الذكية ومكبرات الصوت الذكية والأجهزة الأخرى، بشكل كبير على التعرف على الكلام لفهم أوامر المستخدمين واستفساراتهم والرد عليها.

Google Search

يمكن للمستخدمين إجراء عمليات بحث صوتي على محرك بحث Google، مما يسمح لهم بالعثور على المعلومات بسرعة عن طريق نطق استفساراتهم بدلاً من كتابتها.

Google Translate

يدعم خدمة الترجمة من Google التعرف على الكلام، مما يسمح للمستخدمين بنطق جملة بلغة وترجمتها إلى لغة أخرى في الوقت الفعلي.

Google Voice: تتيح هذه الخدمة للمستخدمين إجراء مكالمات هاتفية وإرسال رسائل نصية قصيرة والقيام بمهام أخرى باستخدام صوتهم.

اقرأ أيضًا:يضيف Google نموذج الذكاء الاصطناعي Gemini Nano إلى Chrome لأجهزة الكمبيوتر المكتبية

كيف يعمل ذلك؟

فيما يلي شرح مبسط للعملية.

الإدخال الصوتي

تبدأ العملية عندما يتحدث المستخدم في ميكروفون، والذي يلتقط الإشارة الصوتية.

المعالجة المسبقة

قد يخضع الإشارة الصوتية لخطوات معالجة مسبقة مثل تقليل الضوضاء والتطبيع لتحسين جودة الإدخال.

استخراج الميزات

ثم يتم تحويل الإشارة الصوتية إلى مخطط طيفي، وهو تمثيل مرئي للترددات الموجودة في الصوت بمرور الوقت. من هذا المخطط الطيفي، يتم استخراج ميزات مثل معاملات ميل الترددية (MFCC). تلتقط MFCC جوانب مهمة من الإشارة الصوتية المتعلقة بالكلام البشري.

الشبكة العصبية

يتم إدخال هذه الميزات المستخرجة إلى شبكة عصبية عميقة (DNN) أو شبكة عصبية متكررة (RNN)، عادةً نوع من نماذج التعلم العميق يعرف باسم شبكة الذاكرة طويلة المدى (LSTM) أو بنية المحول (Transformer). تم تدريب هذه الشبكة على كميات كبيرة من البيانات الصوتية المصنفة، مع ربط ميزات الإدخال الصوتي بالنصوص المقابلة.

اقرأ أيضًا:يسعى Google Gemini لضمان توليد صور الذكاء الاصطناعي بشكل عادل

فك التشفير

تنتج الشبكة العصبية تسلسلاً من الفونيمات أو الوحدات اللغوية بناءً على ميزات الإدخال الصوتي. يتم بعد ذلك تعيين هذه الفونيمات إلى كلمات وجمل باستخدام نماذج اللغة التي تأخذ في الاعتبار احتمالات تسلسلات الكلمات المختلفة.

نماذج اللغة

تستخدم أنظمة التعرف على الكلام من Google أيضًا نماذج اللغة لتحسين الدقة. تأخذ هذه النماذج في الاعتبار سياق الكلام للتنبؤ بتسلسل الكلمات الأكثر احتمالاً.

حلقة التغذية الراجعة

يتعلم نظام Google ويتحسن باستمرار بمرور الوقت من خلال تفاعلات المستخدمين. عندما يصحح المستخدمون أخطاء النسخ أو يختارون اقتراحات بديلة، يتم استخدام هذه الملاحظات لتحسين النماذج وزيادة الدقة في التفاعلات المستقبلية.