تشهد تقنية التعرف على الكلام ثورة حقيقية مع اعتماد نماذج اللغة الكبيرة (Large Language Models) كبديل عن الأنظمة التقليدية. ولكن مع هذا التغيير الجذري، يبرز تساؤل هام: هل تسهم هذه النماذج في تحسين العدالة في التعرف على الكلام، أم أنها تعزز التحيز عبر المجموعات السكانية المختلفة؟

في دراسة حديثة، تم تقييم تسعة نماذج عابرة لثلاث أجيال معمارية مختلفة، شملت الأنظمة التي لا تستخدم نماذج لغوية، وأنظمة التشفير-الديكودر باستخدام نماذج لغوية ضمنية، والنماذج المعتمدة على ما يُعرف بالديكودر المدرب مسبقاً. استخدمت الدراسة حوالي 43,000 عبارة عبر خمسة أبعاد ديموغرافية (العرق، اللكنة، الجنس، العمر، واللغة الأم) باستخدام مجموعتي بيانات Common Voice 24 وFair-Speech.

أظهرت النتائج التي تم التوصل إليها عدة مفاجآت مثيرة للإعجاب:
1. لم تعزز نماذج الديكودر التمويل العنصري، حيث أظهر نموذج Granite-8B أفضل عدالة عرقية.
2. عانت نماذج Whisper من ظواهر هلاوس مرضية عند التعامل مع الكلام بلكنة هندية.
3. أظهرت النتائج أن ضغط الصوت يتنبأ بعدالة اللكنة أكثر من حجم نموذج اللغة.

عند اختبار هذه النتائج تحت 12 حالة تدهور صوتي، أظهرت آلية مثيرة، حيث أدت التدهورات الحادة إلى تقليل فجوات العدالة لجميع المجموعات. ولكن، كان هناك تأثير مقلق، حيث أدت إضافة صمت إلى زيادة تحيز اللكنة في نموذج Whisper بمعدل يصل إلى 4.64 مرة.

تبرز هذه النتائج أهمية تصميم الملقط الصوتي على أنه العامل الرئيسي لتحقيق التعرف على الكلام العادل والفعّال، بدلاً من التركيز فقط على حجم نموذج اللغة. هل تعتقد أن هذه النتائج ستؤثر على مستقبل تقنيات التعرف على الكلام؟ شاركونا آرائكم في التعليقات!