هم‌هوش — خودآموز هوش مصنوعی

فصل ۳ از ۹

پیشرفت ترم
۰٪

در این فصل چه یاد می‌گیری#

دو وجهِ آخرِ جعبه‌ابزار را باز می‌کنیم: صدا و ویدیو. کاربردی‌ترینشان همین‌جا و همین امروز به‌دردت می‌خورد — تبدیلِ گفتار به متن: یک صدای ضبط‌شده (جلسه، درس، یادداشتِ صوتی) را به متنِ نوشته تبدیل می‌کنی. بعد به‌صورتِ مفهومی می‌بینی مدل‌ها چطور صدا و ویدیو می‌سازند، یاد می‌گیری برای یک ویدیو زیرنویس بسازی، و در آخر با یک مرزِ اخلاقیِ جدی روبه‌رو می‌شوی: ساختِ صدای جعلیِ یک آدمِ واقعی. آن مرز را اینجا فقط می‌گذاریم؛ تشخیص و دفاع در برابرش موضوعِ کاملِ ترم ۶ است.

یک برشِ آموزشی که یک موجِ صوتی را نشان می‌دهد که به خطوطِ متن تبدیل می‌شود، کنارش یک قابِ فیلم، و یک نشانِ کوچکِ هشدار روی یک صدای تکراریِ جعلی

آخر این فصل می‌توانی:

  • گفتار را با speech-to-text به متن تبدیل کنی و بدانی کجا به‌کار می‌آید
  • به‌صورتِ مفهومی توضیح بدهی مدل‌ها چطور صدا و ویدیو می‌سازند، و چرا این اغلب کارِ یک مدلِ متخصصِ جداست
  • برای یک ویدیو زیرنویس بسازی و بازبینی‌اش کنی
  • بگویی چرا ساختِ صدای جعلیِ یک آدمِ واقعی یک مرزِ اخلاقی است و کجا آسیب می‌زند

قبل از شروع#

  • از فصل ۶ ترم ۱: مدل‌های صدا وجود دارند، و دستیارِ چندوجهیِ امروز صدا را هم می‌فهمد.
  • از فصل ۱ همین ترم: multimodal، و اینکه ساختنِ یک وجه گاهی کارِ یک مدلِ متخصصِ جداست.
  • از فصل ۴ ترم ۲: وارسی — هر ادعای واقعی را با منبعِ اصلی تطبیق بده.

مثل همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

۱. گفتار به متن#

بیشترین ارزشِ عملیِ این فصل همین‌جاست. speech-to-text یعنی مدل به یک صدای ضبط‌شده گوش می‌دهد و آن را به متنِ نوشته تبدیل می‌کند. کاربردهایش دمِ‌دستی‌اند: از یک جلسه صورت‌جلسه دربیاور، درسِ ضبط‌شده را به جزوهٔ قابلِ‌جست‌وجو تبدیل کن، یک فکرِ سریع را به‌جای تایپ‌کردن بگو و متنش را بگیر. چون همان مدلِ چندوجهی خودش صدا را می‌فهمد، لازم نیست ابزارِ جدایی یاد بگیری.

ولی گوشِ مدل بی‌عیب نیست. اینجا یک نمونهٔ واقعی از خطایش را ببین. فرض کن این جمله را گفته‌ای: «سحر ساعت دوازده میاد دنبالم»، و مدل این را برمی‌گرداند:

سه حرف ساعت دو از ده میاد دنبالم.

نامِ «سحر» را «سه حرف» شنیده و «دوازده» را «دو از ده». این‌ها اشتباهاتِ کلاسیکِ speech-to-textاند: نام‌های خاص، عددها، و کلمه‌هایی که هم‌صدا ولی متفاوت‌اند بیشترین لغزش را دارند، و لهجه و سروصدای پس‌زمینه بدترش می‌کنند. متن روان و درست به‌نظر می‌رسد، ولی معنایش عوض شده.

✅ وارسی: متنِ پیاده‌شده را — مخصوصاً نام‌ها، عددها و تاریخ‌ها — با گوش‌دادنِ دوباره به صدا مقابله کن. هیچ‌وقت به متنِ خودکارِ یک چیزِ مهم (دُزِ دارو، یک نقلِ‌قول، یک قرارِ کاری) بدونِ گوش‌دادنِ دوباره تکیه نکن. سه قانونِ ثابت همیشه پابرجاست: «اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».

۲. ساختِ صدا و ویدیو — مفهومی#

جهتِ برعکس هم شدنی است: از متن، صدا یا ویدیو ساختن. مدل می‌تواند متنِ تو را با یک صدای طبیعی بخواند (text-to-speech)، موسیقی و افکتِ صوتی بسازد، و امروز حتی از یک جملهٔ کوتاه یک ویدیوی کوتاه بسازد. اینجا عمداً در سطحِ مفهوم می‌مانیم، نه دستورِ کار — چون این ابزارها سریع عوض می‌شوند و جزئیاتشان (طولِ ویدیو، کیفیت) هر چند ماه فرق می‌کند.

نکتهٔ مهمی که از فصلِ ۱ همین‌جا هم صادق است: فهمیدن با ساختن فرق دارد. فهمیدنِ صدا کارِ همان مدلِ چندوجهیِ واحد است؛ ولی ساختنِ یک صدا یا ویدیوی تازه اغلب کارِ یک مدلِ متخصصِ جداست (یک مدلِ text-to-speech، یک مدلِ ویدیو) که دستیار خواسته‌ات را به آن می‌رساند. همان الگوی «یک مدل برای فهمیدن، متخصصِ جدا برای ساختن» که با تصویر دیدی، اینجا هم برقرار است.

۳. زیرنویس#

حالا دو چیز را کنارِ هم بگذار: speech-to-text صدای یک ویدیو را به متن تبدیل می‌کند، و مدل همان متن را به خطوطِ زمان‌بندی‌شده می‌شکند — یعنی زیرنویس. ارزشش زیاد است: کسی که ناشنواست یا کم می‌شنود می‌تواند ویدیو را دنبال کند، آدم‌ها ویدیو را بی‌صدا (مثلاً در مترو) می‌بینند، و متنِ زیرنویس ویدیو را قابلِ‌جست‌وجو می‌کند. جریانِ کار ساده است: صدا را به متن تبدیل کن، از مدل بخواه آن را به خطوطِ کوتاهِ زمان‌بندی‌شده دربیاورد، بعد خودت بازبینی کن.

این متنِ پیاده‌شده را به خطوطِ کوتاهِ زیرنویس تبدیل کن؛ هر خط حداکثر یک جملهٔ
کوتاه باشد که راحت خوانده شود.

✅ وارسی: ویدیو را همراهِ زیرنویس ببین و خطوطی را که دیر یا زود می‌آیند یا نام‌های غلط دارند درست کن. برای کسی که به زیرنویس تکیه می‌کند، زیرنویسِ غلط از نبودِ زیرنویس بدتر است — چون اطلاعاتِ اشتباه به او می‌دهد و خودش راهی برای فهمیدنِ خطا ندارد.

قبل از ادامه، جواب بده: چرا برای ساختنِ زیرنویسِ یک ویدیوی مهم، بازبینیِ انسانی را نمی‌شود حذف کرد؟ کدام بخشِ زیرنویس بیشترین احتمالِ خطا را دارد؟

۴. مرزِ اخلاقی: صدای جعلی#

همان text-to-speech که فهرستِ خریدت را با صدایی دلنشین می‌خواند، می‌تواند طوری آموزش ببیند که صدای یک آدمِ واقعی را تقلید کند و چیزهایی «بگوید» که آن آدم هرگز نگفته. این دیگر یک ترفندِ بامزه نیست؛ یک ابزارِ قدرتمند با احتمالِ آسیبِ واقعی است: یک تماسِ جعلی با صدای یکی از اعضای خانواده برای کلاه‌برداری، یا یک اظهارنظرِ ساختگی از زبانِ یک آدمِ سرشناس.

مرز روشن است و یک کلمه دارد: رضایت. صدای خودت را بسازی و به‌کار ببری، آزادی. صدای آدمِ دیگری را بی‌اجازه‌اش بازتولید کنی، از آن مرز رد شده‌ای — چه شوخی به‌نظر برسد، چه جدی.

⚠️ مواظب باش: ساختِ صدا یا ویدیوی جعلی از یک آدمِ واقعی بدونِ اجازه‌اش می‌تواند به او آسیبِ واقعی بزند و در خیلی جاها غیرقانونی است. این فصل فقط مرز را می‌گذارد. اینکه چطور جعل را تشخیص بدهی، چرا «دیدن دیگر یعنی باور نیست»، و چطور در برابرِ بدْاطلاعات دفاع کنی، موضوعِ کاملِ ترم ۶ است.

واژه‌های تازهٔ این فصل#

کلمه تلفظ به حروف فارسی یعنی چه
speech-to-text اسپیچ‌تو‌تکست تبدیلِ گفتارِ ضبط‌شده به متنِ نوشته
text-to-speech تکست‌تو‌اسپیچ ساختنِ صدایی که یک متن را می‌خواند

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

جعبه‌ابزارِ رسانه‌ای‌ات حالا کامل است: تصویر، صدا و ویدیو. فصلِ بعد می‌رویم سراغِ پژوهش با هوش مصنوعی — خلاصه‌کردنِ متنِ بلند، پرسیدن از یک سندِ طولانی، و مهم‌تر از همه خطرِ منبعِ ساختگی و اینکه چرا همیشه باید به منبعِ اصلی برگردی.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.