جمع البيانات الصوتية العربية والتفريغ الصوتي للذكاء الاصطناعي

تقدّم Bayanat Labs (الرياض) التفريغ الصوتي للذكاء الاصطناعي وجمع البيانات الصوتية بالاستعانة بفريق يضم أكثر من 50,000 خبير توسيم، من بينهم متحدثون أصليون ولغويون ومختصون مرخّصون اجتازوا الفرز، ولديها 30,000 ساعة من الكلام العربي. والتفريغ الصوتي هنا كتابة الكلام المسجَّل نصًّا وفق قواعد موحّدة، مع الطوابع الزمنية وتمييز المتحدثين، ليصبح بيانات لتدريب أنظمة التعرف التلقائي على الكلام (ASR) وتقييمها، لا مجرد «تحويل الصوت إلى نص». ونجمع التسجيلات من متحدثين أصليين اجتازوا التحقق عبر أكثر من 25 لهجة ومتغيرًا عربيًا، ونفرّغها ونوسمها وفق دليل نتفق عليه معك، لفرق المساعدات الصوتية وأنظمة الرد الآلي وتحليلات مراكز الاتصال. البيانات مستضافة داخل المنطقة افتراضيًا، والبداية تجربة محددة النطاق تُنجز عادةً خلال أسبوعين.

ولماذا لا تكفي النماذج الجاهزة؟ على مجموعة اختبار SADA السعودية في لوحة صدارة التعرف على الكلام العربي المفتوحة (نسخة ديسمبر 2024)، سجّل أفضل نموذج مفتوح مُقيَّم معدل خطأ كلمات (WER) قدره 19.2% على الفصحى و48.2% على الخليجية، وقفز خطأ Whisper-large-v3 من 28.0% إلى 59.9%. وفي Casablanca (EMNLP 2024) تراوح خطأ النموذج نفسه دون ضبط إضافي، قبل تطبيع النص، بين 48% للأردنية و87% للموريتانية، وبلغ 62% للإماراتية.

ماذا نقدّم في جمع البيانات الصوتية وتفريغها وتوسيمها؟

التغطية: اللهجات وقنوات التسجيل والمجالات

لتكون البيانات الصوتية باللهجات العربية ممثِّلة لمستخدميك، سمِّ اللهجات بدقة، كالنجدية والحجازية ولهجة المنطقة الشرقية بدل «سعودية»، وضع داخل كل منها حصصًا للجنس والعمر والقناة. بلا حصص تنجرف البيانات نحو الأسهل تسجيلًا: 92% من متحدثي القسم الفلسطيني في Casablanca رجال، ووجدت لوحة الصدارة أن الخطأ أعلى لدى كبار السن، وأعلى قليلًا لدى النساء، حتى في أفضل النماذج.

واختر نمط الكلام حسب الهدف: المقروء (Scripted) للأوامر والأرقام، والتلقائي (Spontaneous) لمتانة ASR وهو الأعلى كلفةً في التفريغ. وسجّل على قناة الإنتاج نفسها: هاتف أو تطبيق أو التقاط بعيد (Far-field). وفي المجالات المصرفية والطبية والقانونية يراجع المصطلحات مختصون مرخّصون.

وقبل أن تطلب جمعًا جديدًا، تحقّق هل يطابق نمطك وقناتك ما هو جاهز في مجموعات بيانات الكلام العربي. لدى Bayanat Labs 30,000 ساعة من الكلام العربي، ومن مجموعاتها الجاهزة للترخيص مجموعتان سعوديتان منفصلتان بـ1,000 ساعة لكل منهما (كلام عفوي، ومحادثات بتفريغ بشري وطوابع زمنية وسمات المتحدثين)، و350 ساعة من مكالمات خدمة العملاء السعودية ثنائية الاتجاه، و500 ساعة من كلام الهواتف الذكية جُمعت في 2025–2026 ووُسم فيها المقروء والتلقائي كلٌّ على حدة، و10,000 ساعة مجتمعةً من محادثات مراكز الاتصال والتسجيلات المقروءة من نص، وهما منتجان منفصلان يُبيَّن نصيب كلٍّ منهما عند الطلب (صفحات هذه المنتجات بالإنجليزية). وإن كان هدفك تحويل النص إلى كلام أو صوتًا اصطناعيًا، فابدأ من بيانات تحويل النص إلى كلام وتسجيلات الاستوديو، لأن حقوق بيانات التعرف على الكلام لا تشمل الصوت الاصطناعي تلقائيًا، كما يفصّل القسم التالي.

التعرف على الكلام أم الاختبار المضبوط أم تحويل النص إلى كلام؟ أي بيانات صوتية عربية تناسبك

تركّز هذه الخدمة غالبًا على بيانات التعرف التلقائي على الكلام (ASR). أما بناء صوت بتقنية تحويل النص إلى كلام (Text-to-Speech – TTS) فشراء مختلف. مدوّنة التعرف تحتاج متحدثين كثيرين وقنوات حقيقية وكلامًا عفويًا بضوضائه، أما صوت TTS فيحتاج العكس: متحدثًا واحدًا أو بضعة متحدثين بأداء ثابت، وصوت استوديو نقيًا، ونصًّا مُعدًّا بعناية، وإذنًا مكتوبًا بإعادة إنتاج الصوت. وبينهما استخدام أصغر هو الاختبار المضبوط: قائمة ثابتة من النصوص القصيرة (Prompts) يقرؤها متحدثون معروفون، لترى كيف يتعامل نظامك معها. حدّد أيّ الثلاثة تشتري قبل أن تقارن الساعات.

ولمقارنة المدوّنات المفتوحة المبنية لتحويل النص إلى كلام، بساعاتها وتشكيلها وسجلات موافقتها، راجع دليل مجموعات بيانات تحويل النص العربي إلى كلام (بالإنجليزية).

ماذا تضم مجموعات Bayanat Voice Studio؟

تسجيلات النصوص القصيرة (Studio Prompt Speech؛ الصفحة بالإنجليزية) منتج مستقل يضم 2,000 نص عربي قصير بأصوات 40 متحدثًا، وساعتين من الصوت، ويُباع لاختبار الكلام في ظروف مضبوطة وبناء نماذج أولية للأصوات. هذه الأرقام الثلاثة إجماليات المنتج كله، ولا تعني أن كل متحدث سجّل كل النصوص، فاسأل عن توزيع النصوص على التسجيلات والمتحدثين. وساعتان في المجموع حجم صغير لتدريب صوت أيًّا كان توزيعهما على المتحدثين، فاستخدم المجموعة لما وُضعت له: الاختبار والنماذج الأولية، لا مدوّنةً لتدريب الأصوات.

الكلام السعودي التعبيري (Saudi Expressive Speech؛ الصفحة بالإنجليزية) سجّله مؤدون صوتيون محترفون، مع توسيم المهام وحقوق الاستخدام التجاري في الذكاء الاصطناعي. أما حجم المجموعة وعدد المتحدثين وتوزيع الأساليب فمتاحة عند الطلب ولم تُنشر. وإنشاء صوت اصطناعي وإعادة استخدام صوت المتحدث والتوزيع تحتاج كلها نطاقًا تعاقديًا صريحًا، ولا يشملها الترخيص التجاري تلقائيًا. وإن لم تناسبك أيٌّ من المجموعتين، فالتسجيل المخصص في الاستوديو يغطي أصوات متحدث واحد أو عدة متحدثين، وتغطية النطق، والمعاجم، والأساليب التعبيرية، ومواصفات صوت العلامة التجارية. التفاصيل في صفحة بيانات تحويل النص إلى كلام وتسجيلات الاستوديو.

سبعة أسئلة عن حقوق المتحدثين قبل أن تبني صوتًا

استخدمها نموذجَ استقبال (Intake Sheet) عند طلب أي بيانات استوديو أو صوت، منّا أو من غيرنا، واحرص على أن تُثبَت كل إجابة في الاتفاقية، لا في رسالة بريد إلكتروني. وتذكّر أن التسجيل الذي قد يُعرَف به صاحبه بيانات شخصية بموجب نظام حماية البيانات الشخصية السعودي، كما يوضح قسم الخصوصية أدناه. هذه ليست استشارة قانونية؛ مستشارك القانوني يقرر ما إذا كانت الشروط تناسب منتجك.

لماذا تبدأ الفرق بـ Bayanat Voice Studio عند بناء صوت عربي؟

للفرق التي تختبر صوتًا عربيًا أو تبنيه، يحسم Bayanat Voice Studio مسألة أذونات الصوت في العقد قبل التسجيل:

• ثلاثة مسارات شراء واضحة. مجموعة صغيرة من تسجيلات النصوص القصيرة (2,000 نص، و40 متحدثًا، وساعتان) للاختبار المضبوط، وكلام سعودي تعبيري (الصفحتان بالإنجليزية) بأداء مؤدين صوتيين محترفين، وإنتاج مخصص في الاستوديو حين تحتاج صوتك الخاص.
• أذونات الصوت مكتوبة في العقد. إنشاء صوت اصطناعي يحتاج شروطًا صريحة، واتفاقيات صوت العلامة التجارية تحدد المستخدمين المسموح لهم والحصرية وإعادة الاستخدام.
• حقوق منفصلة. التدريب، والاسترجاع والعرض، وإعادة التوزيع، والصوت الاصطناعي نطاقات يُسمّى كلٌّ منها على حدة، فلا تُقرأ حقوق التعرف على الكلام على أنها حقوق صوت اصطناعي.
• إنتاج عربي أصيل. تعتمد التسجيلات المخصصة على متحدثين أصليين من أكثر من 25 لهجة ومتغيرًا عربيًا، اجتازوا التحقق وفحص اللهجة، وتُراجَع النصوص والنطق ووسوم الأسلوب قبل الإنتاج.
• استمع قبل أن تتوسع. تجربة محددة النطاق مع تقرير جودة تُنجز عادةً خلال أسبوعين، فتسمع الصوت قبل تسجيل النص كاملًا.
• سيادة البيانات افتراضيًا. الاستضافة داخل المنطقة افتراضيًا، مع خيار التشغيل داخل مقرّك أو في سحابة خاصة، ونحن نقدّم البيانات فقط، فلا ننافس نموذجك.

اطلب مواصفات Voice Studio واذكر الاستخدام المقصود: اختبار، أو نموذج أولي، أو صوت تنوي إطلاقه.

قواعد التفريغ الصوتي للذكاء الاصطناعي: اللهجات والتبديل اللغوي

لا إملاء رسميًا للهجات العربية، فيصير دليل التفريغ جزءًا من نموذجك. في تحدي MGB-3 كتب أربعة مفرّغين الكلام المصري كلٌّ بطريقته، وبعد توحيد أشكال الألف والياء والهاء بقي بينهم خلاف في نحو 13% من الكلمات، وهو ضجيج في التدريب وفي قياس WER. وإرشادات CODA* لـ28 لهجة مدينية من الرباط إلى مسقط، منها الرياض وجدة، أساس جيد لمعجم المشروع. هذه أهم القرارات:

والتبديل اللغوي تحدٍّ قائم بذاته: أظهرت مجموعة Mixat للكلام الإماراتي المختلط بالإنجليزية تعثّر النماذج الحالية فيه.

كيف يسير مشروع البيانات الصوتية؟

1. تحديد النطاق. نحدد معًا اللهجات وحصص المتحدثين والقناة والمجال وصيغة الموافقة ومواصفات التسجيل والتسليم.
2. الدليل والمجموعة المرجعية. نكتب دليل التفريغ ومعجم اللهجة، ويفرّغ لغويون أصليون مقاطع مرجعية (Gold Set) ويحكّمونها، ولا يلمس مفرّغ بياناتك قبل اجتياز فحص اللهجة والتدريب عليها.
3. التجربة. شريحة ثابتة تُنجز كاملة، مع تقرير جودة حسب اللهجة.
4. ضبط الجودة والتحكيم. استماع ثانٍ وفحوص مرجعية وتحكيم يغذّي إعادة العمل وتحديث الدليل.
5. التوسع والتسليم. دفعات من الصوت والنصوص والطوابع الزمنية وبيانات المتحدثين، بسجل تدقيق لكل مهمة. هذه منهجيتنا: التحقق ← التدريب ← الإنتاج ← ضبط الجودة ← التسليم.

كيف نضبط جودة التفريغ الصوتي؟

نفحص الصوت أولًا بحثًا عن التشبّع (Clipping) والصمت والقناة أو المتحدث الخطأ، ويؤكد مستمع أصلي لهجة كل متحدث. تدخل مقاطع مرجعية في قائمة كل مفرّغ وتُقاس بمعدل WER بعد التطبيع، وتُفرَّغ نسبة من المقاطع مرتين باستقلال ليُقاس الاتفاق بين المفرّغين (Inter-Annotator Agreement) لا ليُفترض. الخلافات تذهب إلى التحكيم وإعادة العمل، والمتكرر منها يدخل المعجم. ويعرض تقرير الجودة المنهجية ونتائجها على بياناتك أنت، لا أرقام دقة عامة.

متى يكفي التفريغ الآلي ومتى تحتاج مفرّغين بشريين؟

بمعدلات الخطأ السابقة يصير «التصحيح» إعادة كتابة، فاختبر أي نموذج على عيّنة مرجعية أولًا.

ووسم اللهجة يبقى بشريًا: في LabelBench لم تتجاوز دقة النموذج اللغوي الصغير Qwen 2.5 3B ‏22.4% في تمييز خمس مناطق لهجية من النص، أي أعلى بقليل من التخمين العشوائي (20%)، وصنّف 75% من الأمثلة الخليجية على أنها مصرية. ومقياس «التغطية الآلية الآمنة» (Safe Automation Coverage) يحدد القاعدة: لا يخرج من المراجعة البشرية إلا ما يثبت إحصائيًا بقاؤه فوق حد الجودة الذي تحدده.

الخصوصية والموافقة وإقامة البيانات الصوتية

بحسب المادة الأولى من نظام حماية البيانات الشخصية السعودي، يُعدّ التسجيل الذي قد يؤدي إلى معرفة صاحبه بيانات شخصية، وتُعدّ البيانات الحيوية المستخدمة لتحديد الهوية بيانات حساسة بشروط أشد. لذا نتفق على صيغة الموافقة والغرض قبل التسجيل، ونوسم البيانات الشخصية في المكالمات أو نحجبها. الاستضافة داخل المنطقة افتراضيًا، أو داخل مقرّك (On-prem) أو في سحابة خاصة، بأدنى صلاحيات لازمة وسجلات تدقيق، وجميع المساهمين ملتزمون باتفاقيات عدم إفصاح (NDA). راجع قائمة تحقق PDPL وإقامة البيانات (بالإنجليزية) وصفحة «شركة توسيم بيانات في السعودية».

حالات الاستخدام حسب القطاع

• الاتصالات والقطاع الحكومي: الرد الصوتي التفاعلي (IVR) والمساعدات الصوتية، مختبرة لكل لهجة.
• المصارف والتمويل: تفريغ المكالمات مع تمييز المتحدثين ووسم البيانات الشخصية والنية.
• الصحة والقانون: الإملاء الطبي والجلسات والمقابلات، بمراجعة أطباء ومحامين مرخّصين.
• الإعلام والتجزئة: الترجمة النصية المصاحبة والبحث والتسوق بالصوت.

فريق داخلي أم منصة جماعية أم مزوّد متخصص؟

يضع الجدول ما تقدّمه Bayanat Labs بوصفها مزوّدًا متخصصًا بجانب الفريق الداخلي والمنصة الجماعية.

ما الذي يميّز Bayanat Labs في بيانات التعرف على الكلام؟

• مخزون قبل الجمع. 30,000 ساعة من الكلام العربي، فقد تبدأ من مجموعة جاهزة للترخيص وتطلب عينة حيث تتوفر، ثم تجمع ما ينقصك فقط.
• فريق يتسع لمشروعك. أكثر من 50,000 خبير توسيم، من بينهم متحدثون أصليون ولغويون ومختصون مرخّصون، ولا يلمس مفرّغ بياناتك قبل اجتياز فحص اللهجة والتدريب عليها.
• جودة مقيسة على بياناتك. مقاطع مرجعية، واتفاق مقيس بين المفرّغين، وتحكيم وإعادة عمل، وتقرير جودة حسب اللهجة.
• بيانات فقط. لا ننافس نموذجك، والاستضافة داخل المنطقة افتراضيًا، مع خيار التشغيل داخل مقرّك أو في سحابة خاصة.

ابدأ بتجربة محددة النطاق

اختر لهجة أو اثنتين وقناة واحدة. للتجربة نطاق ثابت يشمل الجمع أو التفريغ وضبط الجودة بمجموعة مرجعية وتقرير جودة حسب اللهجة، وتُنجز عادةً خلال أسبوعين، ثم تتوسع بنموذج مُدار أو فريق مدمج أو تعاقد مؤسسي. والفريق نفسه يتولى توسيم البيانات العربية وبيانات RLHF. للخلفية اقرأ دليل توسيم البيانات العربية أو تصفّح مقالاتنا بالعربية، أو تواصل معنا.

تبحث عن عمل في التفريغ الصوتي؟ تجد فرص العمل المرنة عن بعد في شبكة المواهب ودليل وظائف توسيم البيانات.