كيف علّمنا الآلة أن تسمع الخطأ

لماذا يخطئ التعرّف المعتاد على الكلام

صُمّمت أنظمة تحويل الكلام إلى نص لتكون متسامحة: إذا تمتم المتحدث، كتبت الجملة الصحيحة الأرجح. وهذا بالضبط ما يجب ألا يفعله مدقّق التلاوة. فإذا ترك القارئ كلمة أو نطق حركة خاطئة، «يسمع» النموذج المتسامح الآية صحيحة دون أن يشعر أحد، ويختفي الخطأ.

لذلك قلبنا المسألة. حين يتلو أحدهم، نعرف مسبقاً الآية التي يتلوها، فلا نحتاج من النموذج أن يخمّن الكلمات. نحتاج منه أن يكتب الأصوات التي نُطقت فعلاً، ثم نقارنها بالأصوات المتوقعة. ويبحث المدقّق عن أربعة أنواع من الأخطاء:

• ترك كلمة،
• حرف خاطئ أو ناقص، ومن ذلك ترك الشدّة (أي تضعيف الحرف)،
• حركة قصيرة خاطئة،
• إسقاط حركة آخر الكلمة في موضع لم يقف فيه القارئ.

ولا يقلّ أهمية ما يجب ألا يعدّه خطأً. فقد يقف القارئ على أي كلمة اضطراراً، كأن ينقطع نفَسه، والوقف يغيّر طريقة نطق آخر الكلمة: فتسكن الحركة الأخيرة، وتُقرأ التاء المربوطة هاءً. وبعض المدود يجوز فيها أكثر من مقدار؛ فالمدّ العارض للسكون مثلاً يجوز مدّه 2 أو 4 أو 6 حركات. والرجوع لإعادة كلمة وتصحيحها أمر طبيعي، وليس خطأً في التلاوة. أما ما يُقال قبل الآية، كالاستعاذة («أعوذ بالله من الشيطان الرجيم»)، فلا يدخل في التدقيق.

والتجويد (إعطاء كل حرف حقّه من المخارج والصفات) علم قائم بذاته، وهو خارج نطاق هذه النسخة. والمدقّق أداة للتدرّب تساند المعلّم المؤهَّل؛ فهو يرصد الأخطاء المحتملة في التلاوة، ولا يحلّ محلّ المعلّم.

ما هي تقنية CTC، ولماذا اخترناها

أما معظم أنظمة تحويل الكلام إلى نص اليوم فمبنية بطريقة مختلفة، من مُرمِّز (encoder) ومُفكِّك (decoder). الأول يستمع، والثاني يكتب النص وحدةً بعد وحدة، ويتنبأ بكل وحدة من الصوت ومن النص الذي كتبه قبلها. ولذلك يتعلّم المُفكِّك نموذجاً لغوياً داخلياً (Variani et al., 2020; Meng et al., 2021)، وهذا سبب إتقان هذه الأنظمة للإملاء الصوتي. لكنه في تدقيق التلاوة يقف في طريقك:

• يفضّل النص السلس الأرجح على ما قيل فعلاً. فالآية التي رآها النموذج مرات كثيرة تخرج غالباً صحيحة، حتى لو قُرئت خطأً.
• قد يكرّر نصاً أو يحذفه أو يختلقه، وهو عيب معروف في نماذج المُرمِّز والمُفكِّك مع التسجيلات الطويلة التي فيها وقفات، والوقفات أمر طبيعي في التلاوة.
• لا يعطي توقيتاً موثوقاً لكل صوت. فهذه النماذج لا تحدّد بطبيعتها متى نُطق كل صوت، فلا يمكنك أن تقيس كم استمر المدّ أو الشدّة.
• يقيّم الناتج كاملاً، لا الأصوات منفردة. ولتسأل: «هل يطابق هذا الصوتُ الكلمةَ الصحيحة أكثر، أم الخطأ؟» تحتاج إلى تقييم لأي تسلسل أصوات تختاره.

ونموذج CTC يخلو من هذه المشكلات بحكم تصميمه. فلا يوجد فيه مُفكِّك، فلا شيء يكتب نصاً ولا شيء يصحّح تلقائياً. والناتج يتبع الصوت بترتيبه. ولأي تسلسل أصوات نعطيه له، تحسب خوارزمية التقدّم (forward algorithm) بدقة مدى احتمال هذا التسلسل في نظر النموذج بالنظر إلى الصوت. وعلى هذه الخاصية الأخيرة يقوم بقية هذا المقال: إذ نستطيع أن نقيّم القراءة الصحيحة والقراءة الخاطئة أمام الصوت نفسه ونقارن بينهما.

نستخدم مُرمِّزاً للكلام مدرَّباً مسبقاً بالتعلّم الذاتي (أي نموذجاً تعلّم أولاً تمثيلات عامة للكلام من تسجيلات غير موسومة؛ انظر Mohamed et al., 2022)، وفوقه طبقة CTC تعمل على أبجدية صوتية خاصة بالتلاوة. والنموذج الصغير الذي يعمل على الهاتف مبني بالطريقة نفسها: مُرمِّز وفوقه طبقة CTC، بلا مُفكِّك.

وتقنية CTC هي أيضاً ما يجعل التجويد في المتناول لاحقاً. فالأبجدية التي نكتب بها الأصوات يظهر فيها التجويد: الشدّة حرف مضاعف، والمدّ يُكتب مرة عن كل حركة يُمدّ بمقدارها، وللغنّة وصدى القلقلة رموز خاصة بهما. ومع احتمال لكل مقطع من الصوت، يصبح كل ذلك شيئاً نقيسه بدلاً من أن نخمّنه. لكن الأبحاث تنبّه إلى أمر: نواتج CTC «حادّة»، أغلبها فراغ مع قمة حادة واحدة لكل صوت (Zeyer et al., 2021)، فالتوقيت المأخوذ منها مباشرة تقريبي. لذلك نقيس في الشدّة مقدار الاحتمال الذي يحصل عليه الصوت المضاعف وعدد المقاطع التي يمتد عليها، بدلاً من الاعتماد على قمة واحدة. ونموذج السماع لدينا يرصد اليوم صفات الحروف مثل التفخيم والترقيق، ويستخدمها نموذج الحكم بالفعل. وتدقيق التجويد هو الخطوة التالية، ولن نطلق أي حكم منه إلا بعد التحقق منه وحده.

معظم التنبيهات الخاطئة كانت منّا، لا من النموذج

استخدمت نسختنا الأولى نموذج كلام مدرّباً مسبقاً كما هو. وعلى تلاوة صحيحة لقرّاء محترفين، عدّ 12% من الكلمات خاطئة. قد يبدو هذا نموذجاً سيئاً، لكنه لم يكن كذلك.

كانت المشكلة في المقارنة. فقد كنا نقارن كل آية بقراءة متوقعة واحدة. وبعد أن قبلنا كل وجه صحيح لنطق العبارة (الوقف أو الوصل عند كل كلمة، وكل مقدار جائز لكل مدّ في رواية حفص)، انخفضت التنبيهات الخاطئة إلى 2.4% بعد معالجة الوقف، ثم إلى 1.1% بعد معالجة مقادير المدّ، دون أي تدريب. قبل أن تلوم النموذج، تأكد أنك تطرح عليه السؤال الصحيح.

مشكلة الهاتف

حين شغّلنا تلاوات لقرّاء محترفين أمام ميكروفون هاتف، عُدّت 46.7% من الكلمات خاطئة. فقسنا السبب. في تسجيلات الهاتف، لم تتجاوز نسبة طاقة الصوت فوق 1 كيلوهرتز ما بين 1.5% و5%، مقابل نحو 21% في تسجيلات الاستوديو.

وهذا مهم لأن التمييز بين عدد من الحروف العربية يعتمد على إشارات يُضعفها صوت الهاتف. فالحروف المفخّمة ط، ص، ض تتميّز أساساً بانخفاض التردد الرنيني الثاني (second formant)، في حدود 1 إلى 2.5 كيلوهرتز تقريباً، في الحركة التي تليها (Jongman et al., 2011). والصاد والسين كلاهما من حروف الصفير، ويقع معظم صفيرهما فوق 3 إلى 4 كيلوهرتز. وتختلف العين عن الهمزة أساساً بتغيّرات في الترددات الرنينية المنخفضة للحركة وفي نوعية الصوت. وحين تكبت القناة هذه النطاقات، يغيب عن التسجيل جزء من المعلومات التي يحتاجها المدقّق.

وخفّضت ثلاثة تغييرات التنبيهات الخاطئة إلى 15.8% قبل أي إعادة تدريب:

• أن نطلب من الهاتف مصدر الميكروفون المخصّص للتعرّف على الكلام. يشترط أندرويد أن يكون تقليل الضوضاء والتحكم التلقائي في مستوى الصوت متوقفين افتراضياً في هذا المصدر (Android Compatibility Definition، البند 5.4.2). أما الاستجابة المستوية فمجرد توصية، وفي النطاق من 100 هرتز إلى 4 كيلوهرتز فقط، فتبقى القناة مختلفة من هاتف إلى آخر.
• أن نقيس «صفاء» كل تسجيل، أي نسبة الطاقة فوق 1 كيلوهرتز.
• أن نعدّ ما لا تُظهره القناة غير واضح، لا خاطئاً. ففي الصوت المكتوم، تظهر أنواع الاختلاف التي تقع حتى من القرّاء المحترفين على أنها غير واضحة. على النظام أن يعرف متى لا يستطيع الحكم.

قياس الثقة، لا الاختلاف وحده

قد يختلف تسلسلان من الأصوات لأسباب كثيرة لا ضرر فيها. لذلك نسأل عند كل اختلاف: إلى أي حدّ يطابق الصوتُ الخطأَ أكثر من القراءة الصحيحة؟ ونستخدم لذلك احتمال كل منهما في نموذج CTC:

score = log P(mistaken sounds | audio) - log P(expected sounds | audio)

الدرجة الموجبة تعني أن الصوت يرجّح الخطأ، والدرجة الكبيرة تعني أنه يرجّحه بقوة. وهذه صيغة CTC لفكرة معروفة في تقييم النطق، هي درجة جودة النطق (Witt & Young, 2000)، وتبني أبحاث حديثة المقارنة نفسها باستبدال أصوات أو حذفها من التسلسل المتوقع (Cao et al.; Parikh et al., 2025). وهي دقيقة في حدود النموذج، لكنها ليست احتمالاً معايَراً لوقوع الخطأ، ولذلك تحتاج إلى اختبار.

ولاختبارها استخدمنا أخطاءً مصطنعة: نُبقي تلاوة القارئ الصحيحة كما هي، ونغيّر الأصوات المتوقعة، كأن نجعل العين همزة. عندها لا يطابق الصوت المتوقَّع في ذلك الموضع، فيجب أن يرصده المدقّق. وبهذا نحصل على آلاف الأخطاء الموسومة دون تكلفة. ومع قياس الثقة، انخفضت التنبيهات الخاطئة إلى أقل من 1% (0.85%)، وبقي المدقّق يكتشف ما بين 93% و99% من الأخطاء المصطنعة بحسب نوعها.

الأخطاء المصطنعة مفيدة، لكنها تجمّل الصورة. فنحن نكتشف اليوم 97.4% من الأخطاء المصطنعة، و80.9% من الأخطاء الحقيقية في تسجيلات هاتف مستبعدة من التدريب. والأخطاء الحقيقية هي ما يقع فيه الناس، ولذلك فهي الرقم الذي نعمل على تحسينه.

ضبط «الأذن»

بعد ذلك أجرينا ضبطاً دقيقاً (fine-tuning) لنموذج الكلام على التلاوة. ونتابع نسبة الخطأ في الأصوات (PER): أي نسبة الأصوات المتوقعة التي تخرج مستبدلة أو محذوفة أو مضافة. وخرجنا من ذلك بثلاثة دروس.

• افحص التوصيلات أولاً. بدأ أول ضبط دقيق أجريناه من نسبة PER بلغت 36%، بينما توقعنا نحو 2%. والسبب افتراض خاطئ في التوقيت: النموذج يُخرج نتائجه بنصف المعدّل الذي افترضناه، فكانت توقيتات الأصوات التي قصصنا بها تسجيلات التدريب خاطئة. واكتشفنا ذلك حين أدخلنا عشر ثوانٍ من الصمت وعددنا المخرجات.
• ثم نجح الأمر. بعد تصحيح التوقيت، انخفضت نسبة PER على تسجيلات مستبعدة من التدريب من 3.2% إلى 0.75% للقرّاء المحترفين، ومن 17.0% إلى 7.3% للمتعلّمين.
• احذر من البيانات الصحيحة وحدها. في تجربة لاحقة أضفنا تلاوات صحيحة لمتعلّمين، معظمها لسورة قصيرة واحدة. فانخفضت نسبة PER على تلاوات المتعلّمين الصحيحة من 8.6% إلى 0.31%، وبدا ذلك ممتازاً. لكنه لم يكتشف في تلك السورة إلا 9.7% من أخطاء الحركات بدلاً من 96.8%. فقد تعلّم النموذج كيف ينبغي أن تُقرأ السورة، وصار يسمع ذلك أياً كان ما قيل. ولم نُطلق تلك النسخة. وحين ندرّب على الأخطاء، يكون الوسم هو ما قيل فعلاً، لا ما كان ينبغي أن يُقال.

فصل السماع عن الحكم

علّمتنا تلك التجربة أن انخفاض نسبة الخطأ لا يعني اكتشاف أخطاء أكثر. فقسمنا النظام إلى جزأين: نموذج يسمع، ونموذج صغير منفصل من أشجار القرار المعزّزة بالتدرّج (gradient-boosted decision trees) يحكم على كل كلمة من خلال نحو 25 قياساً (الاختلافات التي وُجدت، ودرجات الثقة، والتوقيت، وصفاء التسجيل، وموضع الكلمة، وغيرها).

وقاعدة واحدة جعلت نموذج الحكم جديراً بالثقة: لا تتحوّل الكلمة إلى الأحمر إلا إذا وُجد خطأ حقيقي، أو رجّح فحص موجّه (نشرحه أدناه) وجود خطأ. وقبل هذه القاعدة، كانت 90% من الكلمات الحمراء في تلاوات صحيحة لمتعلّمين بلا خطأ فعلي وراءها. فقد تعلّم نموذج الحكم طريقاً مختصراً لا يصحّ مع الأصوات الحقيقية.

ولأن الحكم منفصل، أصبحت درجة الصرامة إعداداً يُختار لا إعادة تدريب. فأوضاع «سهل» و«عادي» و«صارم» تتيح للمعلّم أن يختار. وحين أطلقناها، على تسجيلات هاتف مستبعدة من التدريب، اكتشف الوضع السهل 52% من الأخطاء مع تلوين 1.0% من الكلمات الصحيحة بالأحمر، والعادي 68% مع 2.6%، والصارم 76% مع 3.9%.

الإصغاء لما «يصحّحه» النموذج

حتى النموذج المضبوط بدقة يميل إلى ما يتوقعه. لذلك نُجري لكل كلمة أيضاً فحوصاً موجّهة: نبني أخطاءها المحتملة (حركة قصيرة أخرى، أو إسقاط حركة آخر الكلمة، أو ترك الشدّة، أو حرفاً يكثر الخلط بينه وبين غيره، أو مدّاً مقصوراً)، ونقيّم كلاً منها أمام الصوت بنسبة الأرجحية نفسها. وبهذا نكشف أخطاء يخفيها النص الأول الذي يكتبه النموذج.

ولم تصمد كل الأفكار. فعدّ الحروف المستبدلة في صوت الهاتف المكتوم، وقاعدة صارمة للمدود التي تُقصَّر، كلاهما لوّن تلاوات القرّاء المحترفين بالأحمر: إذ ارتفعت معهما التنبيهات الخاطئة على تلاواتهم المشغّلة أمام هاتف إلى أكثر من الضعف (من 4.35% إلى 9.78%). فتخلّينا عن كليهما. فالهاتف قد يُظهر الحرف المفخّم كأنه نظيره المرقّق في قراءة صحيحة، ولذلك لا نجرّب هذه الاستبدالات على الصوت المكتوم.

لكن بعض القياسات أثبتت جدواها. فقياس قوة سماع كل شدّة وعدد المقاطع التي تمتد عليها، ومدى تفخيم كل حرف أو ترقيقه، وتقديم ذلك إلى نموذج الحكم، رفع اكتشاف الشدّات المتروكة من 5% إلى 26% على تسجيلات هاتف مستبعدة من التدريب، مع انخفاض تلوين الكلمات الصحيحة بالأحمر (من 2.7% إلى 2.1%). أما قاعدة بسيطة تعتمد على أدلة الشدّة نفسها فأدّت إلى العكس: رفعت التنبيهات الخاطئة على كلمات المتعلّمين الصحيحة إلى أكثر من الضعف (من 7.4% إلى 17.7%)، لأن المتعلّمين ينطقون الشدّة قصيرة وبشكل غير منتظم. نموذج الحكم يوازن بين الأدلة؛ والقاعدة لا تستطيع ذلك.

وأخيراً، أضفنا إلى تدريب نموذج السماع تسجيلات هاتف حقيقية سجّلها فريقنا (في كل منها خطأ واحد متعمّد أو لا خطأ). وعلى تسجيلات للفريق نفسه مستبعدة من التدريب، ارتفع اكتشاف الأخطاء من 69% إلى 82%، وانخفضت نسبة الكلمات الصحيحة الملوّنة بالأحمر من 2.4% إلى 1.6%. وعند النسبة نفسها من التنبيهات الخاطئة، وهي 1.5%، اكتشفت النسخة الجديدة 82% مقابل 68%. ولأن هذه التسجيلات من الأشخاص والهواتف أنفسهم، فقد يكون جزء من هذا التحسّن تكيّفاً معهم؛ وسيُظهر قرّاء جدد إلى أي حدّ يستمر.

سرعة تجعله فورياً

لا فائدة من المدقّق إن لم يواكب القارئ. جرّبنا وسائل التسريع المعتادة، والتزمنا بقاعدة صارمة: يجب أن يعطي المسار المباشر إجابات مطابقة بتاً ببت، أو أن يجتاز بطاقة النتائج الكاملة من جديد.

• نموذج «تلميذ» مُقطَّر أصغر كان أسرع بمقدار 1.37 مرة، لكنه اكتشف أخطاء حقيقية أقل في تسجيلات هاتف مستبعدة من التدريب (75.0% مقابل 80.9%).
• النسخ التي تعمل بأعداد صحيحة من 8 بت وبفاصلة عائمة من 8 بت كانت أبطأ من نسخة 16 بت على أجهزتنا.
• مُترجِم للرسم الحسابي (graph compiler) كان أسرع بمقدار 1.2 إلى 1.3 مرة، لكنه غيّر الأصوات المسموعة في 3 من 231 تسجيل اختبار؛ ولم يتمكن مُترجِم آخر من تحويل النموذج.
• معالجة التسجيلات معاً على دفعات غيّرت نسبة صغيرة من نواتج المقاطع، وقلبت بعض الأحكام في تسجيلات المتعلّمين. أما تشغيل عدة نسخ مستقلة من النموذج، تعالج كل منها تسجيلاً واحداً في كل مرة، فيُبقي كل إجابة مطابقة تماماً.

ما نجح هو تقسيم العمل بحسب الإلحاح. تستطيع تقنية CTC أن تعمل على الصوت المتدفق، لكن النموذج المدرّب على تسجيلات كاملة يفقد شيئاً من دقته حين لا يرى إلا مقاطع قصيرة: ففي اختباراتنا، ارتفعت نسبة PER على تسجيلات هاتف مستبعدة من التدريب من 3.4% إلى ما يصل إلى 6.7% (انظر Zhang et al., 2020، عن سبب الحاجة إلى تدريب يراعي المقاطع). لذلك لا نستخدم المعالجة المتدفقة الخفيفة إلا لمتابعة القارئ وإظهار الكلمة باللون الكهرماني («قد تكون خاطئة») بعد نحو ثلاث ثوانٍ من وصول القارئ إليها (وهي القيمة الوسيطة). وحين يتوقف القارئ، تعيد معالجة كاملة سماع العبارة كلها وتصدر الحكم النهائي، فلا تختفي كلمة حمراء أبداً. وانخفض وقت النموذج من 0.29 إلى 0.08 ثانية لكل ثانية من القراءة، أي أقل بمقدار 3.6 مرات، مع نتائج مطابقة تماماً للكلمات على قراءات مسجّلة. ويستغرق تدقيق آية واحدة أقل من عُشر ثانية.

وعلى الهاتف نفسه، يتابع نموذج صغير الصفحة ويكتشف الكلمات المتروكة، حتى دون اتصال بالإنترنت. كان نهجنا الأول يحكم على الترك في نوافذ زمنية قصيرة ثابتة، فلم يكتشف إلا 41% من حالات الترك الحقيقية في قراءات الاختبار. والطريقة نفسها مع النموذج الكبير على الخادم اكتشفت 46%، أي أن الحدّ كان في الطريقة لا في النموذج. ثم رفعنا النسبة إلى 90% بنص مكتوب متواصل نطابقه مع الصفحة، مع تحديد نحو 1% من الكلمات المقروءة خطأً. وبعدها خفّض فحصٌ يتأكد من أنه لم يُسمع شيء يُذكر بين الكلمتين المجاورتين للكلمة العلاماتِ الخاطئة على قراءات مستبعدة من التدريب من 12 إلى 7.

كيف نقيس

نختبر النظام على قرّاء وآيات لم يرها أثناء التدريب، بأربعة أنواع من الفحوص:

• تلاوة صحيحة لقرّاء محترفين، من الاستوديو وعبر ميكروفون هاتف محاكى (كم مرة يعدّ كلمة صحيحة خطأً)؛
• أخطاء مصطنعة (عدد كبير من الأمثلة الموسومة بتكلفة قليلة)؛
• تسجيلات هاتف من فريقنا، في كل منها خطأ واحد متعمّد أو لا خطأ، مستبعدة من التدريب؛
• أخطاء حقيقية يقع فيها المتعلّمون (الرقم الأهم).

وقاعدتان تُبقياننا صادقين. نقارن النسخ عند النسبة نفسها من التنبيهات الخاطئة، وهي الطريقة المعتمدة لمقارنة أنظمة الكشف (Martin et al., 1997)، لأن المدقّق الذي يلوّن كلمات أكثر بالأحمر «سيكتشف» دائماً أكثر. ولا نطلق أي نسخة ما لم تتفوّق في بطاقة النتائج الكاملة على النسخة العاملة حالياً، مع خطة جاهزة للرجوع. وعدد من «التحسينات» المذكورة في هذا المقال لم يجتز هذا الاختبار، فلم يُطلق.

أين وصلنا

نتائج اليوم في اختبارات على بيانات مستبعدة من التدريب:

أخطاء المتعلّمين الحقيقية أصعب من الأخطاء المصطنعة، وعليها نركّز الآن: تضييق الفجوة بين الأخطاء المصطنعة والحقيقية، والتفخيم والترقيق عبر ميكروفونات الهواتف، والشدّات المتروكة. وسننشر أرقام المتعلّمين حين تبلغ الهدف الذي وضعناه لأنفسنا.

وتقييم النطق بنماذج CTC مجال بحثي نشط، ومن ذلك معايير اختبار عامة صدرت مؤخراً لتلاوة القرآن. وعملنا يبني على هذه الأبحاث؛ وتركيزنا كان على أن يعمل ذلك مباشرةً، على الهواتف العادية، مع إبقاء السماع منفصلاً عن الحكم.

عشرة دروس تنفع خارج مجال التلاوة أيضاً

1. احصر الاختلافات الجائزة قبل أن تلوم النموذج. انخفضت تنبيهاتنا الخاطئة من 12% إلى 1.1% دون تدريب.
2. درّب على ما قيل فعلاً، لا على ما كان ينبغي أن يُقال.
3. قِس الأخطاء المكتشفة، لا نسبة الخطأ وحدها. فتحسّن نسبة الخطأ قد يعني اكتشاف أخطاء أقل.
4. الأخطاء المصطنعة رخيصة ومفيدة، لكنها تبالغ في تقدير الأداء الحقيقي.
5. قِس قناة التسجيل. فبعض الإشارات غائبة فعلاً عن صوت الهاتف.
6. افصل السماع عن الحكم، لتصبح الصرامة إعداداً لا إعادة تدريب.
7. قارن الخيارات عند النسبة نفسها من التنبيهات الخاطئة، وإلا فأنت لا تقارن شيئاً.
8. اختبر أقصى ما تبلغه الطريقة بأفضل نماذجك قبل أن تلوم نموذجاً أصغر.
9. اصرف الحوسبة المكلفة فقط حيث يصدر الحكم.
10. اربط كل إصدار ببطاقة نتائج كاملة، مع خطة جاهزة للرجوع.

الخطوة التالية

نعمل على تحويل المدقّق إلى واجهة API لتطبيقات القرآن ومنصات التعليم، لتضيف تدقيق التلاوة كلمةً كلمة دون أن تبني تقنيات الكلام بنفسها. إذا كنت تدير تطبيقاً لتعليم القرآن، أو برنامجاً لتحفيظ القرآن، أو مدرسة إسلامية، وتريد الوصول المبكر، تواصل معنا.

المراجع

1. Graves, A., Fernández, S., Gomez, F. and Schmidhuber, J. (2006). Connectionist temporal classification: labelling unsegmented sequence data with recurrent neural networks. ICML 2006. https://www.cs.toronto.edu/~graves/icml_2006.pdf
2. Zeyer, A., Schlüter, R. and Ney, H. (2021). Why does CTC result in peaky behavior? https://arxiv.org/abs/2105.14849
3. Variani, E., Rybach, D., Allauzen, C. and Riley, M. (2020). Hybrid autoregressive transducer (HAT). ICASSP 2020. https://arxiv.org/abs/2003.07705
4. Meng, Z. et al. (2021). Internal language model estimation for domain-adaptive end-to-end speech recognition. IEEE SLT 2021. https://arxiv.org/abs/2011.01991
5. Mohamed, A. et al. (2022). Self-supervised speech representation learning: a review. IEEE Journal of Selected Topics in Signal Processing 16(6). https://arxiv.org/abs/2205.10643
6. Witt, S. M. and Young, S. J. (2000). Phone-level pronunciation scoring and assessment for interactive language learning. Speech Communication 30(2-3).
7. Cao, X., Fan, Z., Svendsen, T. and Salvi, G. Segmentation-free goodness of pronunciation (preprint). https://arxiv.org/abs/2507.16838
8. Parikh, A., Tejedor-García, C., Cucchiarini, C. and Strik, H. (2025). Enhancing GOP in CTC-based mispronunciation detection with phonological knowledge. Interspeech 2025. https://arxiv.org/abs/2506.02080
9. Jongman, A., Herd, W., Al-Masri, M., Sereno, J. and Combest, S. (2011). Acoustics and perception of emphasis in Urban Jordanian Arabic. Journal of Phonetics 39(1), 85-95.
10. Android Compatibility Definition Document, Android 16, §5.4.2 Capture for voice recognition. https://source.android.com/docs/compatibility/16/android-16-cdd
11. Zhang, B. et al. (2020). Unified streaming and non-streaming two-pass end-to-end model for speech recognition. https://arxiv.org/abs/2012.05481
12. Martin, A. et al. (1997). The DET curve in assessment of detection task performance. Eurospeech 1997.