باحثون يحسنون نماذج الكلام متعددة اللغات عبر تعليمها التمييز بين اللغات

غالبًا ما تجد نماذج الذكاء الاصطناعي التي تدعم لغات متعددة صعوبة في مضاهاة أداء النماذج المدربة على لغة واحدة. نشر باحثو Apple ورقة بحثية توضح أن تدريب النماذج على التمييز النشط بين اللغات يساعد في تقليص هذه الفجوة في الأداء.

عادة ما يتم تدريب نماذج مثل HuBERT على كميات هائلة من البيانات الصوتية. وعندما تتعلم هذه النماذج لغات متعددة في آن واحد، فإنها قد تفقد بعض الدقة. قدم الباحثون طريقتين لإجبار النموذج على الانتباه لهوية اللغة: مصنف لغوي إضافي وأهداف محددة لكل لغة.

في اختبار مضبوط باستخدام الفرنسية والإنجليزية، أظهر هذا النهج تحسينات واضحة. تحسنت قدرة النموذج على تمييز الأصوات من نسبة خطأ 11.6% إلى 10.4%. كما شهد الأداء اللغوي والنبرات تحسينات ملموسة مقارنة بالنموذج الثنائي اللغة القياسي.

فكر في الأمر كما لو كنت تتعلم التمييز بين لهجتين؛ التركيز على الاختلافات بدلاً من مجرد الاستماع إلى الصوت العام يساعدك على فهم كل منهما بشكل أفضل. كما أن التوقيت مهم، حيث أشار الباحثون إلى أن إدخال خطوات التمييز هذه في وقت مبكر من عملية التدريب أدى إلى أفضل النتائج.

يوضح هذا البحث أن النماذج متعددة اللغات لا تضطر للتضحية بالجودة من أجل التنوع. تبين أن تعليم النموذج ما يجعل اللغة فريدة لا يقل أهمية عن تزويده بكميات ضخمة من البيانات.

ومع ذلك، تعتمد هذه التحسينات على تدخلات تدريبية محددة. لم يختبر الباحثون هذا النهج على عدد هائل من اللغات في آن واحد، وأشاروا إلى أن التدخلات المتكررة والمتأخرة كانت أقل فعالية وتسببت في قيام النموذج بعزل معرفته بشكل غير ضروري.