أدوات التفريغ الصوتي بالذكاء الاصطناعي واللهجة الخليجية: ما الذي يعمل فعلاً في ٢٠٢٦؟

افتح صفحة أي أداة تفريغ صوتي عالمية وستجد العربية في القائمة، وغالباً بجانبها رقم مطمئن: نسبة خطأ ٤٪ أو ٥٪ أو ٦٪. ثم سجّل اجتماعاً حقيقياً فيه متحدث من الرياض وآخر من جدة وثالث ينتقل إلى الإنجليزية كل جملتين، وستحصل على نص يحتاج إلى إعادة كتابة لا إلى تدقيق. الرقمان صحيحان معاً، والمشكلة فيما يُقاس.

راجعنا الوثائق الرسمية وصفحات الأسعار لاثنتي عشرة أداة، وقرأنا أربعة اختبارات معيارية مستقلة منشورة، وسألنا سؤالاً واحداً عن كل أداة: هل دُرِّبت على الكلام الخليجي أم اكتفت بوضع «السعودية» في قائمة منسدلة؟

لماذا تكذب الأرقام المعلنة دون أن تكذب

معظم نسب الخطأ التي يعلنها المزوّدون العالميون مقيسة على مجموعة اختبار اسمها FLEURS، وهي جمل فصحى مقروءة بصوت مصري نظيف. هذا أبعد ما يكون عن مكالمة عمل في الدمام. وعندما تُختبر النماذج نفسها على كلام خليجي حقيقي تنقلب الصورة.

أوضح دليل هو «المؤشر المفتوح للتعرّف على الكلام العربي» الذي أطلقته شركة «علم» السعودية، ويقيس النماذج المفتوحة على عدة مجموعات بينها «سادا»، مجموعة الصوت السعودية التي أصدرتها سدايا من تسجيلات إذاعية حقيقية. النتيجة: أفضل نموذج مفتوح يبلغ نسبة خطأ ١٩٪ على الفصحى، و٤٨٪ على الخليجية في المجموعة نفسها. كل النماذج تحقق أفضل نتائجها على الفصحى وتتراجع على المصرية ثم الخليجية.

دراسة من جامعة بريتيش كولومبيا اختبرت Whisper، النموذج المجاني الذي يعمل داخل عشرات التطبيقات، على لهجات مختلفة دون ضبط إضافي: نسبة الخطأ على الكلام الإماراتي تجاوزت ١٠٠٪، أي أن النموذج أنتج كلمات خاطئة أكثر من الكلمات التي سمعها. وفي اختبار أجرته شركة «مقسم» الأردنية على مكالمات مراكز اتصال عربية، تراوحت الأخطاء لدى الخدمات السحابية الكبرى بين ٤٩٪ و٧٢٪.

الخلاصة التي تحكم بقية هذا الدليل: الرقم الذي يهمك ليس «نسبة الخطأ في العربية»، بل نسبة الخطأ على اللهجة التي يتكلمها فريقك، ولا يكاد أحد ينشرها.

المجموعة الأولى: نماذج دُرِّبت على الخليجية فعلاً

Cohere Transcribe Arabic هو الاستثناء الذي ينشر الرقم. نموذج مفتوح الأوزان برخصة Apache 2.0 صدر في يوليو ٢٠٢٦، وتذكر وثائقه اللهجات بالاسم: الخليجية والنجدية والحجازية. نسبة خطئه على الخليجية وحدها ٢٤٫٤٪، وعلى «سادا» ٣٧٫٥٪ مقابل ٥٦٪ لأكبر نماذج Whisper. هذه ليست أرقاماً صغيرة، لكنها نصف الخطأ تقريباً، وهو النموذج الوحيد في هذه الفئة الذي يمكنك تشغيله مجاناً على خوادمك.

منصت من CNTXT AI في أبوظبي يقدّم أقرب منافسة. في ورقة الشركة سجّل ٢٧٫٧٪ على «سادا»، وفي الاختبار نفسه جاءت Azure وElevenLabs ونموذج OpenAI بين ٤٠٪ و٤٦٪. الأرقام من المزوّد، لكنها المقارنة المباشرة الوحيدة على صوت سعودي. يُباع كواجهة برمجية وتطبيقات مع نشر داخل المنشأة، والأسعار عبر المبيعات فقط.

هيومين فويس هو الخيار السعودي الذي يجيب عن سؤال الامتثال قبل سؤال الدقة: المعالجة موثّقة داخل المملكة، والأسعار معلنة بالريال، من باقة مجانية إلى ٦٤٩ ريالاً شهرياً، بنحو ريال واحد لساعة الصوت في التفريغ الدفعي. نموذجه يتعامل مع العربية والإنجليزية في التسجيل نفسه. ما ينقصه نسبة خطأ منشورة.

Hams.AI سعودية أيضاً، وتضع اللهجات السعودية والخليجية في أول سطر من صفحتها، مع معالجة في مراكز بيانات سعودية. لكنها لا تنشر اختباراً ولا أسعاراً، وعبارة الدقة في موقعها مربكة. مرشّح يستحق تجربة بتسجيلك لا خيار مثبت.

المجموعة الثانية: مزوّدون عالميون يذكرون الخليج بالاسم

Speechmatics تتصدر هذه المجموعة لسببين. الأول نموذج عربي واحد تصفه بأنه يغطي الخليج ومصر والشام دون اختيار بلد. والثاني، وهو الأهم، وضع ثنائي عربي إنجليزي مصمم للتسجيلات التي يقفز فيها المتحدث بين اللغتين داخل الجملة، وهذا وصف دقيق لمعظم اجتماعات العمل في الخليج. رقمها المعلن ٤٫٥٪ على اختبارها الخاص، و٦٫٣٪ للكلام المختلط. الأسعار من نحو ١٢ سنتاً للساعة، مع نشر داخل المنشأة.

Deepgram أضافت نموذجاً عربياً في يناير ٢٠٢٦ برموز منفصلة للسعودية والإمارات وقطر والكويت، وتدّعي أخطاء أقل بنسبة تصل إلى ٤٠٪ من «الأنظمة المنافسة» دون تسميتها. السعر الأدنى في هذا الدليل: نحو ٠٫٤٣ سنت للدقيقة مع رصيد ٢٠٠ دولار. خيار المطور الذي يريد نموذجاً أولياً رخيصاً.

AssemblyAI تستحق الذكر لصراحتها: تصنّف العربية لديها في فئة «جيد» المعرّفة بنسبة خطأ بين ١٠٪ و٢٥٪، وهذا أقرب إلى الواقع من أي رقم من خانة واحدة. تمييز المتحدثين والبث المباشر ناضجان، والأسعار بين ١٥ و٢١ سنتاً للساعة.

ElevenLabs Scribe مناسب لمن يدفع أصلاً لأصوات ElevenLabs، ويميّز ما يصل إلى ٣٢ متحدثاً. تضعه الشركة في فئة ١٠٪ إلى ٢٠٪، لكن اختبار CNTXT على صوت اللهجات وضعه عند نحو ٤٠٪. جيد للبودكاست بعربية متأنية، لا للمكالمات المزدحمة.

المجموعة الثالثة: السحابات الكبرى، والفخ في رموز اللهجات

تعرض Azure ثماني عشرة لهجة عربية، وتمنح اللهجة السعودية تحديداً تحسيناً لاحقاً وأكمل خيارات التخصيص، ولديها منطقة «الإمارات الشمالية»، وهي الوحيدة بين السحابات الكبرى للكلام في الشرق الأوسط. وتعرض Google تسع عشرة لهجة عربية في وضع المعاينة، لكن من مناطق أمريكية وأوروبية فقط. أما Amazon Transcribe فلديها مدخلان فقط، وهنا الفخ: الرمز ar-SA عندها يعني الفصحى لا اللهجة السعودية، والخليجية تحت رمز الإمارات ar-AE.

القاعدة: رمز اللهجة في القائمة لا يعني نموذجاً للهجة. لا تنشر أي من السحابات الثلاث نسبة خطأ لكل لهجة، والاختبارات المستقلة وضعتها بين ٤٥٪ و٧٠٪ على المكالمات العربية. قيمتها الحقيقية في التكامل والامتثال، لا في الدقة.

Whisper وتطبيقات الاجتماعات التي تعمل عليه

Whisper مجاني ومفتوح المصدر، وهو المحرك خلف كثير من عبارات «ندعم ٩٠ لغة». أرقامه على الخليجية مذكورة أعلاه، وهي السبب في أن تعرف ما يعمل داخل تطبيقك. tl;dv مثلاً يتيح اختيار «العربية (السعودية)» أو «(الإمارات)»، لكن صفحات مساعدته تقول إنه يعمل على Whisper، فهذه تسميات لا نماذج. Fireflies يقبل العربية كلغة واحدة ويذكر ٩٥٪ لكل اللغات غير الإنجليزية كرقم عام. أما Otter وDescript، الأكثر شهرة في القوائم الإنجليزية، فلا يقبلان العربية أصلاً.

ماذا تختار؟

• مكالمات باللهجة السعودية والبيانات يجب أن تبقى في المملكة: هيومين فويس للبداية السريعة بأسعار معلنة، أو Hams بعد اختبارها بتسجيلك.
• لديك مهندس وتريد أفضل دقة خليجية مقيسة: Cohere Transcribe Arabic على خوادمك، أو منصت إن أردت مزوّداً.
• اجتماعات تخلط العربية بالإنجليزية: Speechmatics بالوضع الثنائي.
• نموذج أولي رخيص برموز خليجية: Deepgram.
• مؤسسة على Azure أصلاً: فعّل اللهجة السعودية من منطقة الإمارات واختبرها قبل الاعتماد عليها.
• ملاحظات اجتماعات بلا تقنية: tl;dv أو Fireflies مع توقّع التحرير.

نصيحة أخيرة تغني عن كل ما سبق: سجّل عشر دقائق من اجتماع حقيقي لفريقك، بأصواته ولهجاته وخلطه اللغوي، وجرّب عليها كل أداة قبل الدفع. الرقم الذي ستحصل عليه هو الوحيد الذي يهم.