لماذا لا يكفي تفريغ التسجيل الصوتي ليصبح رسالة نصية

يحمل الكلام المنطوق كلمات حشو وبدايات خاطئة وتصحيحات في منتصف الجملة، وهي أمور يخلو منها النص المكتوب في صيغته النهائية في الغالب، ولذلك فالتفريغ الحرفي للتسجيل الصوتي ليس رسالة بعد. فالهواتف تكتب ما قلته، وكذلك يفعل تطبيق Otter وتفريغ الرسائل الصوتية في WhatsApp والتطبيقات المبنية على نماذج كلام مفتوحة، لكن تفريغ تسجيل مسهب ومتشعب يظل رسالة مسهبة ومتشعبة. فهو يُبقي كلمة الحشو «um»، والتصحيح الذي أجريته في منتصف الكلام، والترتيب الذي صادف أن خطرت لك فيه الأفكار. وعلى التطبيق الذي يحوّل التسجيل الصوتي إلى رسالة نصية واضحة أن يؤدي مهمة ثانية بعد التفريغ: أن يفهم ما قصدته ويكتبه.

الشطر الأول من المقال بحثي. فقد قاس اللغويون كيف يختلف الكلام المنطوق عن اللغة المكتوبة، وقاس باحثو التعرف على الكلام أين يخفق التفريغ ومع من يخفق، وبحثت دراسات قليلة في سبب إرسال الناس تسجيلات صوتية وسبب تحاشي المتلقّين لها. وأما الشطر الثاني فيتناول ما تفعله أدوات الإملاء الصوتي التي يملكها الناس أصلاً، وما تضيفه خطوة إعادة الصياغة، وما يفعله Subtext بالتسجيل الصوتي. وقرب النهاية يعرض تشغيل حقيقي واحد على تسجيل صوتي مختلق أرسلته أخت الرد الذي كتبه Subtext انطلاقاً من كلماتها. وقد دخلت كلماتها إليه نصاً مكتوباً، فتخطّى التشغيل خطوة التفريغ.

أنا شريك مؤسس في Subtext، وفيه يكون الصوت أحد ثلاثة مداخل إلى جانب المسودة المكتوبة ولقطة شاشة لمحادثة، ولذلك فلي مصلحة في الجواب. وكل مصدر أدناه فتحته بنفسي. وحيثما لم أصل إلا إلى الملخص، أقول ذلك ولا أورد منه أي رقم.

الكلام يُنتَج بطريقة تختلف عن الكتابة

الكلام العفوي مليء بما تحذفه الكتابة. وفي مسح أجرته Elizabeth Shriberg للتعثر الكلامي في عدة مدونات لغوية من الإنجليزية الأمريكية المنطوقة عفوياً، قد يصل معدل التعثر إلى عُشر الكلمات، وإلى أكثر من ثلث الجمل المنطوقة¹. وأشكاله: وقفات مملوءة («uh»، «um»)، وتكرارات («I I think»)، وتصحيحات تُستبدل فيها كلمة في منتصف الجملة، وبدايات خاطئة، وهي التي تصنّفها Shriberg ضمن الحذف، إذ تُترك جملة فرعية دون إتمام ثم تُستأنف من جديد. وفي المدونتين اللتين فحصتهما Shriberg لحوارات بين البشر، محادثات هاتفية غير رسمية ومكالمات لتخطيط السفر، بلغ المعدل نحو 6% من الكلمات¹، وذلك في عيّنتين من 40,515 كلمة و 12,762 كلمة عُلّمتا يدوياً في ورقتها الصادرة عن SRI حول المدونتين نفسيهما². أما في مدونة لأشخاص يتحدثون إلى حاسوب عبر زر الضغط للتحدث، فقد هبط المعدل إلى أقل من 1%، وتعزو جزءاً من الانخفاض إلى الزر، إذ كان بوسع المتحدثين أن يخططوا للجملة أولاً ثم يسجلوها¹. وفي التسجيل الصوتي تكفي ضغطة واحدة ثم الكلام، ويجري التخطيط بصوت مسموع.

كلمات الحشو المنطوقة ومدى اختلاف المتحدثين فيها

كلمات الحشو المنطوقة ليست ضجيجاً، وهذا بعض ما يجعل إزالتها صعبة. فقد رأى Herbert Clark و Jean Fox Tree، استناداً إلى عدة مدونات كبيرة، أن «uh» و «um» كلمتان قائمتان بذاتهما، تُخطَّطان وتُنتَجان كأي كلمة أخرى، وتُستخدمان للإعلان عن تأخر قصير أو طويل بينما يبحث المتحدث عن الكلمة التالية أو يقرر ما سيقوله³. ويختلف المتحدثون في استخدامها اختلافاً هائلاً. ففي مدونة London-Lund، وهي نحو 170,000 كلمة من 50 محادثة بريطانية وجهاً لوجه سُجّلت بين عامي 1961 و 1976 وأغلب المشاركين فيها أكاديميون، وعند 65 متحدثاً نطق كل منهم أكثر من 1,000 كلمة، تراوح عدد كلمات الحشو لكل 1,000 كلمة بين 1.2 و 88.5، بوسيط قدره 17.3³. فبعض التفريغات يخرج نظيفاً تقريباً، وبعضها يحمل كلمة حشو كل نحو اثنتي عشرة كلمة.

ويتركز التعثر الكلامي أيضاً في المواضع التي يكون فيها التخطيط أثقل ما يكون. وتلاحظ Shriberg، استناداً إلى أعمال سابقة، أن احتماله أكبر في أول العبارة¹. وهذه البداية في التسجيل الصوتي هي الافتتاح، وفيه لا يكون المرء قد حسم بعد الغرض من الرسالة. وفي الكتابة يمكنك حذف هذا الافتتاح قبل أن يراه أحد. أما في التسجيل الصوتي فيُرسل عادةً كما هو، ما لم يُعَد تسجيل الرسالة كلها.

كيف تختلف أخطاء التعرف على الكلام من متحدث إلى آخر

يضيف التفريغ أخطاءه الخاصة فوق الأخطاء التي نُطق بها. وأوضح قياس وجدته هو دراسة صدرت عام 2020 في PNAS، شغّل فيها الباحثون خمسة أنظمة تجارية للتعرف على الكلام، من Amazon، Apple، Google، IBM و Microsoft، على 19.8 ساعة من تسجيلات المقابلات لمتحدثين أمريكيين، 42 منهم من البيض و 73 من السود⁴. وبلغ متوسط معدل الخطأ في الكلمات 0.19 عند المتحدثين البيض، مقابل 0.35 عند السود، وظهرت الفجوة في كل الأنظمة. وكان أفضلها أداءً Microsoft بنتيجة 0.15 و 0.27، وأسوأها Apple بنتيجة 0.23 و 0.45. وجاء أكثر من 20% من مقاطع المتحدثين السود وقد أخطأ النظام في نصف كلماتها على الأقل، مقابل أقل من 2% من مقاطع المتحدثين البيض⁴. وأرجع المؤلفون الفجوة إلى النماذج الصوتية، وهي الجزء الذي يربط الصوت بالكلمات، وأشاروا إلى قلة التسجيلات الصوتية للمتحدثين السود في بيانات التدريب.

ثمة نمط ثانٍ في الورقة نفسها يهم التسجيلات الصوتية. فقد كان أداء الأنظمة أسوأ إلى حد ما مع المتحدثين الذكور، ويعزو المؤلفون ذلك إلى أسلوب أقل رسمية ينطوي على نطق أقصر وأكثر اختزالاً وعلى مزيد من التعثر الكلامي⁴، وهو أسلوب التسجيل الصوتي الذي يُرسل إلى صديق.

اللكنات واللغات الثانية وكلمات لم ينطق بها أحد

يسوء أداء التعرف على الكلام كذلك مع اللكنات ومع الكلام بلغة ثانية. فقد اختبرت ورقة صدرت عام 2024 في JASA Express Letters نموذج Whisper من OpenAI على لكنات إنجليزية مختلفة، وأفادت بدقة أعلى عند الناطقين الأصليين منها عند من لغتهم الثانية الإنجليزية، وبنتائج أفضل مع الإنجليزية الأمريكية منها مع البريطانية أو الأسترالية، وأفضل مع الكلام المقروء منها مع المحادثة⁵. ولم أصل إلا إلى الملخص، ولذلك أكتفي بذكر الاتجاه دون أي رقم. وقد دُرّب Whisper على 680,000 ساعة من الصوت، ويصف مؤلفوه نماذجه بأنها تقترب من مستوى الإنسان في «الدقة والمتانة»⁶. وتضيف وثائقه أن «الأداء يتفاوت تفاوتاً واسعاً بحسب اللغة»⁷. والمتوسط عبر المتحدثين لا يقول الكثير عن تسجيل صوتي يُسجَّل بصوت متعب وبلغتك الثانية. وإذا كانت تلك اللغة هي الإنجليزية، فقد تبدو الرسالة السليمة لغوياً مقتضبة عند قارئ لغته الأولى الإنجليزية، ولن يخبرك التفريغ بذلك.

وقد يضيف Whisper كلمات لم ينطق بها أحد. ففي دراسة صدرت عام 2024 مرّر الباحثون عبر واجهة Whisper البرمجية المستضافة لدى OpenAI، في أبريل ومايو 2023، 13,140 مقطعاً إنجليزياً قصيراً من تسجيلات 437 مشاركاً في مؤسسات أمريكية، بعضهم مصاب بالحبسة الكلامية (aphasia) وبعضهم غير مصاب. وتضمّن نحو 1% من التفريغات عبارات أو جملاً كاملة لم ترد في الصوت، وحملت 38% من هذه التفريغات ضرراً صريحاً واحداً على الأقل، كالعنف أو الادعاء الزائف بسلطة ما. وكانت المقاطع ذات الوقفات الطويلة أكثر عرضة للخطر. وفي 187 مقطعاً اختلق فيها Whisper نصاً، لم تُنتج Google، Amazon، Microsoft، AssemblyAI و RevAI اختلاقات مماثلة. وكانت المقاطع مقابلات لا تسجيلات صوتية، واختبرت الدراسة الواجهة البرمجية كما كانت في عام 2023⁸.

لماذا يرسل الناس تسجيلات صوتية

يرسل الناس التسجيلات الصوتية لأنها سريعة بالنسبة إلى المرسل. وأكبر دراسة وجدتها صدرت عن جامعة أولم: استطلاع عام 2020 شمل 1,003 أشخاص جرى استقطابهم عبر Amazon Mechanical Turk، ومعظمهم في الولايات المتحدة، إضافة إلى دراسة ميدانية استمرت أسبوعين على ستة من المستخدمين المكثفين⁹. وفي الاستطلاع كان 83% منهم قد تلقّوا رسالة صوتية، بينما سبق أن أرسل 73% رسالة صوتية. أما أسباب الإرسال، وهي مستمدة من 735 إجابة مفتوحة لأشخاص سجّلوا رسالة صوتية، فانتظمت في أربعة محاور. ويزيد مجموع أعداد المحاور على 735 إجابة، فبعض الإجابات اندرج تحت أكثر من محور. أولها السهولة، لأن الكلام أفضل من الكتابة على الهاتف، وقد ذُكرت 359 مرة. ثم النبرة والانفعال اللذان ينقلهما الصوت ويفقدهما النص، 229 مرة. ثم المواقف التي تصعب فيها الكتابة أو لا تكون آمنة، كالقيادة، 203 مرات. وأخيراً المتلقّي الذي طلب الصوت أو وجده أيسر، 34 مرة.

وقاست دراسة مخبرية السرعة. فقد أدخل 48 طالباً جامعياً، 24 منهم ناطقون أصليون بالإنجليزية، عبارات قصيرة معدّة سلفاً على iPhone، وبلغت سرعة الإدخال بالكلام بالإنجليزية 153 كلمة في الدقيقة مقابل 52 على لوحة المفاتيح، أي أسرع 2.93 مرة، وإن ترك الكلام أخطاء غير مصححة أكثر قليلاً في النص النهائي: 0.55% مقابل 0.35%. وكانت المهمة نسخ عبارات جاهزة، وهذا لا يقول الكثير عن تأليف رسالة. وكان اثنان من المؤلفين يعملان لدى Baidu، وقد اختبرت الورقة، المنشورة عام 2017، نظام التعرف على الكلام Deep Speech 2 التابع لهذه الشركة، وهو يعمل على الخادم، عبر تطبيق على iPhone 6 Plus¹⁰.

التسجيلات الصوتية تنقل الجهد من المرسل إلى المتلقّي

في الدراسة الميدانية لجامعة أولم، تراوحت مدة 438 رسالة صوتية سُجّلت على مدى أسبوعين من 1.5 ثانية إلى أكثر بقليل من سبع دقائق، بوسيط قدره 17.5 ثانية⁹. ويشير المؤلفون كذلك إلى كلفة تُدفع قبل أن يسمع أي متلقٍّ شيئاً. فالصوت عابر، ولذلك يصعب استعراض التسجيل وتعديله، وزلة لسان واحدة تعني إعادة تسجيل الرسالة كلها⁹. وفي دراستهم الميدانية أُوقف اثنا عشر تسجيلاً قبل اكتمالها، خمسة منها بسبب زلة لسان بالضبط.

ويكتب المؤلفون أن الرسائل الصوتية «تنقل الجهد اللازم للتواصل نحو المتلقّي»⁹. فإنشاء الرسالة سريع، أما استرجاع محتواها فيستغرق وقتاً وجهداً أكبر من قراءة نص بالمحتوى نفسه، وقد أجّل معظم المشاركين في دراستهم الميدانية الرسائل الصوتية في العمل لأن النص يمكن استيعابه بنظرة واحدة والتسجيل لا يمكن. وكان الحل الذي اقترحوه عام 2020 تفريغاً تلقائياً، بحيث يمكن العثور على تاريخ موعد ومكانه مدفونين في تسجيل بتمرير العين على النص.

لماذا يتحاشاها المتلقّون

لا يستطيع المتلقّون تصفّح التسجيل بنظرة سريعة، فيعودون إلى ما سمعوه. ففي الدراسة الميدانية نفسها شغّل الناس الرسالة الصوتية المستلمة 1.37 مرة في المتوسط، وشُغّلت إحدى الرسائل 13 مرة⁹. أما القراءة فلا تحتاج إلى إعادة. ويقدّر تحليل تلوي صدر عام 2019 وشمل 190 دراسة و 18,573 مشاركاً أن متوسط القراءة الصامتة للنصوص الإنجليزية غير الروائية يبلغ 238 كلمة في الدقيقة¹¹. أما الكلام الحواري فيجري بنحو 196 كلمة في الدقيقة إذا حُسبت المكالمة كلها، وبنحو 164 كلمة ضمن أدوار المتحدث نفسه، وذلك في مدونة هاتفية كبيرة¹². والقارئ هو الذي يتحكم في الإيقاع ويستطيع أن يقفز إلى السؤال. أما المستمع فتصله الكلمات بسرعة المتحدث وبترتيبه هو.

ولا يحب الناس التسجيلات الصوتية كثيراً، لكنهم يستسيغون تلقّيها أكثر قليلاً من إرسالها. فقد أجرت YouGov استطلاعاً على 2,149 بالغاً في المملكة المتحدة يومي 5 و 6 مايو 2022 ونشرته في يونيو من العام نفسه، وسألت فيه مستخدمي الهواتف الذكية منهم، وعددهم 1,956 شخصاً، عن التسجيلات الصوتية. ومن هؤلاء أحبّ إرسالها 16% وكره ذلك 36%. وفي التلقّي أحبّه 22% وكرهه 25%، وكانت مشاعر 29% متباينة¹³. ولم يزد المحبّون للتلقّي على الكارهين له إلا بين الفئة العمرية من 18 إلى 24 عاماً، إذ بلغت النسبة 43% مقابل 28%، وحتى في هذه الفئة كره نصفهم الإرسال مقابل 30% أحبّوه. ومن بين جميع مستخدمي الهواتف الذكية، لم يرسل 63% منهم تسجيلاً صوتياً قط.

ما المدة التي تجعل التسجيل الصوتي طويلاً أكثر من اللازم؟

في استطلاع YouGov الذي أُجري في مايو 2022 على مستخدمي الهواتف الذكية في المملكة المتحدة، قال 65% ممن أجابوا إن تسجيلاً صوتياً مدته دقيقة واحدة أطول من اللازم، وبين الذين لا يحبون تلقّيها ممن أجابوا، قال 57% إن تسجيلاً مدته 30 ثانية يصيبهم بالإحباط. وبين جميع مستخدمي الهواتف الذكية، لم يعرف 27% أين يقع الحد. وحين سُئلوا عن الطريقة التي يفضلون بها تلقّي رسالة طويلة، اختار 78% النص، واختار التسجيل الصوتي 14%، وهذا لا يسجّل إلا تفضيلاً معلناً¹³. ويبدو أن بعض المرسلين يدركون أن التسجيل عبء يُلقى على الطرف الآخر. فقد وجد تحليل أُجري عام 2024 لمحادثات WhatsApp في ألمانيا وإسبانيا أن الناس يعلّلون اختيارهم للصوت قبل الرسالة وفيها وبعدها، ويصف المؤلفون هذه التعليلات بأنها تؤدي عملاً اجتماعياً، منه تصوير التسجيل الصوتي على أنه أمر يستحق الاعتذار عنه¹⁴. وفي هذه المصادر الثلاثة يوفّر المرسل جهده ويتحمل المتلقّي كلفته، وبعض المرسلين يعتذرون عن ذلك.

ماذا تفعل ميزة Dictation في Apple بالتسجيل الصوتي

يعطي الإملاء الصوتي الكلمات بالترتيب الذي قيلت به، وهذه هي المهمة كلها في ميزة Dictation من Apple. ويصف دليل iPhone من Apple لنظام iOS 27 هذه الميزة بأنها تُعالَج على الهاتف دون اتصال بالإنترنت وبلغات كثيرة، وتُدرج الفواصل والنقاط وعلامات الاستفهام تلقائياً حيثما تدعم اللغة ذلك¹⁵. وفي أحدث الهواتف يحسّن نموذج يعمل على الجهاز التهجئة وعلامات الترقيم واستخدام الأحرف الكبيرة، بالإنجليزية. وكل ما عدا ذلك أمر صوتي: يقول المرء «new line» (سطر جديد)، أو «delete» (احذف) متبوعة بالعبارة. غير أن القول بأن المعالجة تجري على الجهاز مشروط. فصفحة الخصوصية لدى Apple تقول إنه إذا لم تُظهر إعدادات لوحة المفاتيح أن Dictation تُعالَج على الجهاز، فإن ما يُملى عليها يُرسل إلى خوادم Apple ولا يُخزَّن ما لم يُفعَّل الاشتراك في «Improve Siri and Dictation» (تحسين Siri والإملاء الصوتي). وتقول أيضاً إن Apple قد تحتفظ بسجل الطلبات والتفريغات النصية، مرتبطةً بمعرّف عشوائي للجهاز لا بحسابك على Apple، مدة تصل إلى سنتين¹⁶. ولا توضح الصفحة كيف يتفق الأمران. أما إعادة الصياغة فمن مهام ميزة Writing Tools المنفصلة في Apple، وهي لا تقدم أي قراءة لوقع الرسالة عند متلقّيها.

ما تفعله الكتابة الصوتية من Google و Microsoft

تعطي الكتابة الصوتية الأساسية (Voice typing) في Gboard من Google الكلمات كما قيلت، شأنها شأن الإملاء الصوتي (Dictation) من Apple: يكفي النقر على الميكروفون وقول ما يُراد كتابته ونطق علامات الترقيم، إلا أن الكتابة الصوتية ونطق علامات الترقيم لا يتوافران في كل اللغات¹⁷. أما الكتابة الصوتية المتقدمة فيها، على هواتف Pixel 6 وما بعدها، فتضيف علامات الترقيم أثناء الكلام، وعلى هواتف Pixel 9 (باستثناء 9a) وما بعدها يستطيع أمر صوتي أن يدقّق ما أمليته لغوياً أو يعيد صياغته أو يختصره أو يطيله. وتقول Google إن هذا يعمل على الجهاز، بالإنجليزية والفرنسية والإيطالية واليابانية والإسبانية، مع قدوم الألمانية قريباً¹⁸. وعلى Windows تقول صفحة المساعدة لدى Microsoft إن Fluid dictation، وهي ميزة في حواسيب Copilot+ PC، تصحح القواعد النحوية وعلامات الترقيم وكلمات الحشو أثناء الكلام¹⁹. ولا تعيد الكتابة الصوتية المتقدمة الصياغة إلا عند إعطائها أمراً صوتياً. أما Fluid dictation فتعمل دون أمر، لكن على حواسيب Copilot+ PC فقط، ولا تذكر صفحة المساعدة الخاصة بها إعادة ترتيب الرسالة. ولم أجد في صفحات المساعدة لدى Apple، Google و Microsoft المذكورة هنا ميزة تحوّل تسجيلاً صوتياً مسهباً ومتشعباً بأكمله إلى رسالة قابلة للإرسال افتراضياً.

ما تفعله تطبيقات التفريغ وتطبيقات المراسلة

يخطو Otter، وهو تطبيق تفريغ، خطوة أبعد من لوحة مفاتيح الهاتف. فصفحته عن تحويل الكلام إلى نص تصف تفريغاً يتضمن تسمية المتحدثين وطوابع زمنية، وملخصاً يُنشأ تلقائياً مع أبرز المقاطع، ونقاطاً رئيسية وبنود مهام مستخرجة²⁰. ويذكر مركز المساعدة لدى Otter الإنجليزية والإسبانية والفرنسية والألمانية واليابانية والصينية (المبسّطة) لغات مدعومة²¹، وهذا أكثر مما تقوله صفحة تحويل الكلام إلى نص. وهو مصمَّم للاجتماعات، فيختصر ما قيل، ولم أجد في هاتين الصفحتين ميزة تصوغ ما أردت إرساله. وتقف نماذج كلام مفتوحة وراء بعض التطبيقات. فنموذج Whisper نفسه يُنتج تفريغاً نصياً مع تحديد اللغة⁷. وتتفاوت التطبيقات المبنية عليه. فيعلن MacWhisper عن إزالة كلمات الحشو وعن الملخصات وعن تعليمات مخصصة فوق التفريغ، ويتيح نماذج محلية أو سحابية لهذه الخطوة²².

وقد بدأت تطبيقات المراسلة تفرّغ التسجيلات الصوتية التي تصلك. فقد أضاف WhatsApp تفريغ الرسائل الصوتية في نوفمبر 2024، ويُنشأ على الجهاز نفسه بحيث لا يستطيع WhatsApp قراءته، ويُفعَّل من «Settings» (الإعدادات) ثم «Chats» (الدردشات)، ويُشغَّل بضغطة مطوّلة على الرسالة²³. ويقول المنشور إن التفريغ بدأ بلغات مختارة قليلة، ولم أستطع التأكد من القائمة الحالية. وهذا يعالج مشكلة التصفح السريع التي حدّدها مؤلفو دراسة أولم، حيثما تكون اللغة مشمولة. لكن ما يصلك هو تفريغ لتفكير شخص آخر بصوت عالٍ. ويمكنك قراءته في اجتماع، غير أن كتابة الرد تبقى عليك.

ما تضيفه خطوة إعادة الصياغة

تحوّل خطوة إعادة الصياغة التفريغ إلى الرسالة التي كان المرء سيكتبها لو كانت الكتابة بلا كلفة. فهي تُسقط كلمات الحشو التي يصفها Clark و Fox Tree، وتختزل التكرارات والبدايات الخاطئة الواردة في تصنيف Shriberg، وتضع التصحيح الذي أجريته في منتصف الكلام في موضعه، بحيث يحلّ محل ما صحّحه. وهي تعيد الترتيب أيضاً. فالشروح المنطوقة تأتي في الغالب كما خطرت على بالك، السياق أولاً والطلب أخيراً، أو الطلب أولاً والأسباب تتبعه. أما الرسالة المكتوبة فتستطيع أن تبدأ بالخلاصة.

وثمة أمران ينبغي أن تتركهما هذه الخطوة كما هما. الأول هو المعنى. فإعادة صياغة تهذّب التسجيل الصوتي حتى يصير طلباً مختلفاً أسوأ من التفريغ، لأن التفريغ على الأقل قال ما قلته. والثاني هو النبرة. فإذا كانت نبرة التسجيل دافئة أو صريحة أو مازحة، وجب أن يبقى النص المكتوب صوت الشخص نفسه. ونمط الإخفاق هنا هو الذي تناولته مقالة هل يجعل الذكاء الاصطناعي رسائلك تبدو كأن روبوتاً كتبها، حين تعود إعادة الصياغة مهذبة وعامة.

وثمة حكم لا يضطر التفريغ إلى إصداره أبداً. فبعض ما قلته في التسجيل الصوتي كان لنفسك لا للمتلقّي. والتساؤل بصوت عالٍ عمّا إذا كان ينبغي ذكر أمر ما لا يعني أنك قصدت ذكره. وعلى خطوة إعادة الصياغة أن تقرر ما كان رسالة وما كان مجرد تفكير في صياغتها، وقد يخطئ هذا القرار في الاتجاهين: بإبقاء جملة كان المرء يثني نفسه عنها، أو بحذف جملة كان يقصدها. ولم أجد دراسة قاست مدى تكرار ذلك مع أي أداة، بما فيها Subtext.

ماذا يفعل Subtext بالتسجيل الصوتي

يفرّغ Subtext التسجيل الصوتي المسجَّل داخل التطبيق، ثم يكتب الرسالة انطلاقاً مما قصدته، ويقدّم ما يصل إلى ثلاث صياغات، لكل منها درجة أمان للإرسال تعكس مدى احتمال أن تصل الرسالة كما أردتها. وقد صُمّمت الصياغات للحفاظ على معناك وشخصيتك. وعند تحليل المسودة لأول مرة، تبقى إحدى الصياغات قريبة من كلماتك مع معالجة المشكلات، وتكون الثانية صقلاً أدفأ أو مقاربة مختلفة، وتكون الثالثة إعادة صياغة أوسع. وإذا بدت الألفاظ أبرد أو أحدّ مما قصدت، يسمّي التطبيق المشكلة ويميّز الكلمات المسؤولة عنها. ولا يُرسل شيء نيابةً عنك.

وتتناول تعليمات النموذج شوائب التفريغ، وقد قرأت تلك التعليمات في الخلفية البرمجية قبل كتابة هذا المقال. فحين تُعلَّم الرسالة بأنها مملاة صوتياً، يُطلب من النموذج أن يتوقع كلمات أسيء سماعها أو اندمجت ببعضها، وعلامات ترقيم غريبة، وكلمات حشو شاردة، وأن يقرأ من خلالها وصولاً إلى اللفظ المقصود، وأن يصلحها بصمت دون أن ينبّه عليها كأنها خطأ منك. وتُظهر التعليمات ما يُطلب من النموذج أن يفعله. ولم أجد أي تقييم مستقل لتفريغ Subtext الصوتي أو لإعادة صياغته، ولذلك يقوم كل هذا على ما يعرضه التطبيق وما تقوله تعليماته وسياسة الخصوصية فيه. ولأن أياً من الدراسات المذكورة أعلاه لم يختبر Deepgram، وهو نموذج الكلام الذي يفرّغ صوت Subtext، لا أستطيع القول إلى أي مدى تنطبق عليه أنماط الأخطاء المتعلقة باللكنات والكلام بلغة ثانية والأسلوب غير الرسمي، ولذلك يحسن إعادة قراءة الرسالة قبل إرسالها.

ماذا يحدث للتسجيل الصوتي في Subtext؟

يرسل Subtext التسجيل الصوتي إلى Deepgram لتفريغه، أي إن الصوت يغادر الهاتف. وتسمّي سياسة الخصوصية فيه، المحدَّثة في 10 أكتوبر 2026، عدة مزوّدين، منهم Deepgram للتسجيلات الصوتية، وشركة Anthropic للنصوص والصور والتفريغات الصوتية، وخدمة Google Firebase للحسابات والمحادثات، وشركة OpenAI فقط إذا فُعّلت ميزة «القراءة بصوت عالٍ». وتضيف السياسة أنه عند تفعيل البحث على الويب تمر مصطلحات البحث المستخلصة من طلبك عبر Anthropic إلى مزوّدي بحث من جهات خارجية، وأنه يمكنك إيقاف البحث على الويب من إعدادات التطبيق²⁴.

وتنص على أن أي شيء يُقدَّم إلى Subtext لا يُستخدم في تدريب أي نموذج ذكاء اصطناعي، وأن أياً من مزوّديها للذكاء الاصطناعي لا يجوز له التدريب عليه، مع ضبط Subtext أيضاً خيار الانسحاب من تحسين نماذج Deepgram بالنسبة إلى الصوت. وتضيف أن Subtext يحذف نسخته الخاصة من المحادثة من خوادمه بعد خمسة أيام من آخر استخدام لها، أو بعد 90 يوماً إذا كانت مثبَّتة.

وتوضح أن شركة Deepgram، مع ضبط خيار الانسحاب هذا، لا تحتفظ بالصوت إلا بقدر ما يستغرقه تفريغه، وأن Anthropic تحذف المدخلات والمخرجات خلال 30 يوماً، وقد تحتفظ بالطلبات المعلَّمة مدة تصل إلى سنتين وبدرجات السلامة المرتبطة بها مدة تصل إلى سبع سنوات. وتنص على أنه ليس لدى Subtext أي اتفاق يقضي بعدم الاحتفاظ بالبيانات إطلاقاً (zero retention) مع أي منها²⁴. أما طريقة تعامل مساعدين آخرين مع نصوصك فمقارنتها في أي مساعدي الكتابة بالذكاء الاصطناعي يدرّبون نماذجهم على رسائلك.

ما اللغات التي يدعمها Subtext؟

يكتب Subtext الرسالة باللغة التي جرى بها الكلام، ضمن أكثر من 17 لغة، ويحافظ على مستوى الرسمية الذي استخدمته حيثما تميّز اللغة بين مستويات الرسمية. ويعود التسجيل الصوتي بالألمانية رسالةً بالألمانية. ويُكتب ملخص التسجيل الصوتي الذي وصلك باللغة التي وصل بها. وقد أبرز محررو Google Play هذا المسار في مادة «Hot Tip» تصف النقر على أيقونة الميكروفون، ثم الكلام، ثم النقر مرة أخرى، ثم الحصول على رسالة منقّحة مع وسوم توضّح كيف بدا الأصل، وزر نسخ²⁵. وحين فتحت الصفحة في 4 أكتوبر 2026 كانت القائمة في المتجر الألماني تعرض 4.3 نجمة من 295 تقييماً وأكثر من 50,000 عملية تحميل، وهذا عدّ Google Play وحده؛ ويختلف عدد النجوم من بلد إلى آخر. وتطبيق Subtext مدفوع، مع بضعة تحليلات مجانية للبدء. ويعود التسجيل الصوتي المسجَّل رسالةً يمكنك إرسالها.

كيف نرد على رسالة صوتية طويلة وصلتنا؟

يتعامل Subtext أيضاً مع الرسائل الصوتية التي يرسلها الآخرون إليك، وهذا هو الجانب الذي يقترب فيه التفريغ الحرفي من الكفاية أكثر من غيره. فتفريغ WhatsApp على الجهاز يتيح لك قراءة تسجيل مدته دقيقتان حيثما كانت لغتك مشمولة²³. لكنه لا يخبرك بما يريده الشخص. وكان مثال دراسة أولم نفسها موعداً ومكاناً مدفونين في الصوت⁹. ولتسجيل طويل من صديق أو من مدير في العمل الشكل نفسه: السؤال في مكان ما من الوسط والأسباب من حوله. وبالنسبة إلى من يتأخرون في الرد، فخطوة القراءة هي أحد خمسة مواضع يتعثر فيها الرد، وقد أجّل معظم المشاركين في دراسة أولم الميدانية الرسائل الصوتية في العمل لأن التسجيل لا يمكن استيعابه بنظرة واحدة⁹.

يكفي إضافة رسالة صوتية وصلتك إلى Subtext ليفرّغها ويلخص في سطر واحد ما يريده الشخص منك ويضيف من نقطتين إلى خمس نقاط عمل. ويمكنه بعد ذلك أن يصوغ رداً يلتقط خيط المحادثة، ولا يضع وسماً لنبرة المرسل. وتفترض تعليمات النموذج في الخلفية البرمجية أن الملف الصوتي المرفق أرسله الطرف الآخر إليك على الأرجح، وإذا لم يكن النموذج متأكداً من هوية كل طرف فمطلوب منه أن يسأل. ولا يتجاوز الملخص جودة التفريغ الذي يقوم عليه، ويصعب فهم سطر واحد دون سياقه، كما توضح مقالة ماذا تعني هذه الرسالة. ومع اللكنة القوية أو التسجيل المشوَّش سيحمل التفريغ أخطاءً أكثر مما يحمله مع الإنجليزية الصافية المسجَّلة في استوديو، ولذلك يحسن الاستماع إلى الأصل قبل الرد على أي شيء مهم. وتمر النصوص ولقطات الشاشة بخطوة التلخيص نفسها، فتحصل الرسالة التي وصلتك على الملخص نفسه في سطر واحد.

يُظهر تشغيل واحد للتطبيق الرد الذي كتبه Subtext على تسجيل صوتي مُتخيَّل. وقد أُدخلت كلمات التسجيل في صورة نص مكتوب، كما تسلّمه خطوة التفريغ إلى الخطوة التالية، ولذلك لا يبيّن هذا التشغيل شيئاً عن التفريغ نفسه. ولا يظهر فيه ملخص السطر الواحد، فكل ما أنقله هنا هو الرد. والتسجيل صادر عن أخت، ونصه: «هاي، أنا. يعني أنا قبل شوي خلصت مكالمة مع بابا، وقصة طويلة، السيارة لسا عند الميكانيكي. قالوا صار الخميس، يمكن الجمعة. المهم، مش عشان هذا اتصلت. عيد ميلاد ماما يوم 19، وفكرت إنه، يعني، نعمل غداء عندها بدل ما نطلع برا، لأنك تعرف كيف تصير في المطاعم. أنا أجيب الكيكة. ممكن انت تدبر الهدية؟ كنت أفكر في ذاك الشال الأزرق اللي عجبها، اللي من السوق، بس بصراحة، اللي تشوفه مناسب. وممكن تقول لي قبل الأربعاء إذا راح تجيب Sam؟ لأني لازم أقول لها كم عددنا. طيب، هذا كل شي. اه، ولا تقول لها عن الشال. باي.»

وكان الطلب المكتوب تحت التسجيل الصوتي «قول لها إني راح أجيب الشال، وايوه، Sam جاي». وقدّم Subtext صياغتين وضع على كل منهما الشارة «آمنة للإرسال»، ولم يضع «تنبيه» على أي منهما. الأولى، «قصير ومباشر»، سمّى شعورها «ودّ»، ونصها: «هلا، فكرة الغداء عند ماما حلوة. أنا راح أجيب الشال، وSam جاي معي.» وتقول ملاحظتها خلف الشارة: «يجاوب على الهدية وعلى سؤال Sam مباشرة وبنبرة خفيفة». والثانية، «أدفأ وأكمل»، سمّى شعورها «امتنان»، وتبدأ «هلا، الله يعطيك العافية على التنظيم» ثم تتابع «الشال الأزرق علي، لا تشيلي هم. وSam جاي معي، فحطينا في العدد.» وجاء في ملاحظتها خلف الشارة: «يؤكد الشال وحضور Sam بوضوح».

وقال Subtext قبل الصياغتين: «تمام، الرد بسيط وواضح. هذي نسختين، وما ذكرت فيهم شي لماما.» وفي آخر التسجيل طلبت الأخت ألا يُقال للأم شيء عن الشال، ولم يذكر الطلب المكتوب ذلك. ولا تحمل أي من الصياغتين عبارة تخص هذا السر، ولا تذكر أي منهما السيارة التي ما زالت عند الميكانيكي في أول التسجيل، وكلتاهما مكتوبة رداً على الأخت. ولم يشرح Subtext ما قصده بقوله إنه لم يذكر فيهما «شي لماما»، فلا أقرأ في هذا السطر أكثر مما قاله. وختم بسؤال: «تبيها أقصر، أو بنبرة أخف وأقرب لأسلوبك؟» وتحته ثلاثة أزرار هي «أقصر» و«أدفأ» و«أكثر عفوية». وهذه مخرجات التطبيق الفعلية دون أي تعديل.

أقرب التجارب قديمة وصغيرة

أقرب تجربتين وجدتهما إلى خطوة إعادة الصياغة أو إلى التلخيص تعودان إلى عامي 2003 و 2005، وكلتاهما صغيرة. ففي تجربة أُجريت عام 2003 بتمويل من DARPA طُلب من 28 ناطقاً أصلياً بالإنجليزية قراءة مقاطع طولها من 150 إلى 250 كلمة من كلام هاتفي وإذاعي، في صورة تفريغات حرفية وأخرى نُظّفت يدوياً. وقيّم القراء النص المنظَّف بأنه أسهل فهماً، لكن إجاباتهم عن الأسئلة المتعلقة به لم تكن أدق ولا أسرع، وهو ما يعزوه المؤلفون إلى أن القراء كانوا يسجلون أصلاً درجات قريبة من الحد الأعلى. أما النص الذي نُظّف آلياً من مخرجات نظام غير دقيق للتعرف على الكلام فمال القراء إلى عدّه أصعب من النص غير المنظَّف، وإن بفارق ضئيل فقط²⁶. وقد أزال التنظيف حالات التعثر الكلامي وأصلح علامات الترقيم، لكنه لم يتجاوز ذلك إلى إعادة صياغة النص ليصير رسالة.

وفي عام 2005 أجاب 16 شخصاً عن أسئلة حول 15 رسالة بريد صوتي اعتماداً على ملخصات مستخرجة آلياً. فأصابت الملخصات المبنية على الكلام المتعرَّف عليه اسم المتصل في 57% من الحالات، مقابل 94% للملخصات المبنية على تفريغات بشرية، بينما وصل سبب المكالمة بالجودة نفسها، عند 78%. وطلب المشاركون الصوت الأصلي أكثر حين كان الملخص مبنياً على كلام متعرَّف عليه، في 53% من الحالات مقابل 30%²⁷. وكانت تلك ملخصات استخراجية للبريد الصوتي أُعدّت بتقنية التعرف على الكلام المتاحة في عام 2005، ولذلك لا تعطي الدراسة إلا مؤشراً أولياً لما يمكن توقعه. ولم تقس أي من الدراستين رسالة يمكن أن يرسلها أحد.

أين تتوقف الأدلة

الأدلة القوية توجد عند الطرفين. فاللغة المنطوقة تحمل تعثراً كلامياً بمعدل مقيس لا تحمله الكتابة، وتخطئ أنظمة التعرف على الكلام مع بعض المتحدثين أكثر مما تخطئ مع غيرهم، كما تبيّن الأرقام الواردة أعلاه. أما الوسط فأضعف. ولم أجد دراسة قاست مقدار تحسّن وقع التسجيل الصوتي المعاد صياغته مقارنةً بالتفريغ الخام، ولا عدد المرات التي تغيّر فيها إعادة الصياغة المعنى في الطريق. والأبحاث عن المراسلة الصوتية قليلة، لا تتجاوز حفنة من الدراسات؛ أكبرها يجمع بين استطلاع على عيّنة جُمعت من منصة أمريكية للمهام المصغّرة عبر الإنترنت ودراسة ميدانية على ستة أشخاص. واستطلاع YouGov يخص بلداً واحداً وعاماً واحداً. ودراسات التسجيلات الصوتية سابقة لظهور التفريغ على الجهاز، ولذلك فقد خفّفت تطبيقات المراسلة نفسها اليوم جزءاً من انتقال الجهد الذي تصفه.

عملياً، يتوقف الأمر على طريقة كلامك. فإذا كان كلامك جملاً نظيفة فالإملاء الصوتي يكفي، وهاتفك يوفره أصلاً. وإذا كان كلامك يشبه كلام المتحدثين في تلك المدونات، بكلمات الحشو التي عدّها Clark و Fox Tree وحالات إعادة البدء التي فهرسها Shriberg، فالتفريغ يضع أمام المتلقّي عملية صياغتك للرسالة كما جرت، وخطوة إعادة الصياغة هي التي تحوّله إلى رسالة. وتطبيق Subtext هو أحد التطبيقات التي تؤدي هذه الخطوة، للتسجيل الذي يُسجَّل فيه وللتسجيل الذي وصلك، وإذا كانت مشكلتك رداً لا ينتهي تعديله، فمقالة لماذا يستغرق رد قصير ساعة كاملة تتناول هذه الحلقة المفرغة.

المصادر

مرقّمة بحسب أول ظهور لها. فُحصت الصفحات في 4 و 5 أكتوبر 2026، وأُعيد فتح سياسة الخصوصية في تطبيق Subtext في 10 أكتوبر 2026.

1. Shriberg, E. (2001). To ‘errrr’ is human: ecology and acoustics of speech disfluencies. Journal of the International Phonetic Association, 31(1), 153-169. دراسة مدونة لمحادثات بالإنجليزية الأمريكية؛ معدلات التعثر الكلامي وأنواعه.
2. Shriberg, E. Disfluencies in Switchboard. SRI International Speech Technology and Research Laboratory. ورقة مؤتمر؛ لا يحمل ملف PDF سنة نشر، وتمتد مراجعه المذكورة حتى عام 1996. مدونتان معلَّمتان يدوياً: 40,515 كلمة من 30 متحدثاً (Switchboard) و 12,762 كلمة من 523 متحدثاً (AMEX، مكالمات بين موظفين في SRI ووكلاء سفر). بتمويل من DARPA و NSF. . جرى التحقق في 5 أكتوبر 2026.
3. Clark, H. H., and Fox Tree, J. E. (2002). Using uh and um in spontaneous speaking. Cognition, 84(1), 73-111. معدلات كلمات الحشو لكل متحدث من مدونة London-Lund.
4. Koenecke, A., Nam, A., Lake, E., Nudell, J., Quartey, M., Mengesha, Z., Toups, C., Rickford, J. R., Jurafsky, D., and Goel, S. (2020). Racial disparities in automated speech recognition. Proceedings of the National Academy of Sciences, 117(14), 7684-7689. خمسة أنظمة تجارية، 42 متحدثاً من البيض و 73 من السود، 19.8 ساعة من الصوت.
5. Graham, C., and Roll, N. (2024). Evaluating OpenAI’s Whisper ASR: Performance analysis across diverse accents and speaker traits. JASA Express Letters, 4(2), 025206. الملخص فقط؛ تعذّر الوصول إلى النص الكامل وقت التحقق.
6. Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C., and Sutskever, I. (2022). Robust Speech Recognition via Large-Scale Weak Supervision. arXiv preprint.
7. OpenAI. Whisper README. GitHub. . جرى التحقق في 4 أكتوبر 2026.
8. Koenecke, A., Choi, A. S. G., Mei, K. X., Schellmann, H., and Sloane, M. (2024). Careless Whisper: Speech-to-Text Hallucination Harms. ACM Conference on Fairness, Accountability, and Transparency (FAccT ’24). 13,140 مقطعاً صوتياً من 437 مشاركاً سُجّلوا في مؤسسات أمريكية، بعضهم مصاب بالحبسة الكلامية وبعضهم غير مصاب، مرّت عبر واجهة Whisper البرمجية في أبريل ومايو 2023. بتمويل من Pulitzer Center و Cornell’s Center for Social Sciences.
9. Haas, G., Gugenheimer, J., Rixen, J. O., Schaub, F., and Rukzio, E. (2020). “They Like to Hear My Voice”: Exploring Usage Behavior in Speech-Based Mobile Instant Messaging. MobileHCI 2020. استطلاع شمل 1,003 أشخاص ودراسة ميدانية استمرت أسبوعين على 6 أشخاص.
10. Ruan, S., Wobbrock, J. O., Liou, K., Ng, A., and Landay, J. A. (2017). Comparing Speech and Keyboard Text Entry for Short Messages in Two Languages on Touchscreen Phones. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 1(4), 159. نُشرت في ديسمبر 2017. دراسة مخبرية على 48 طالباً جامعياً، 24 لكل لغة، ينسخون عبارات على iPhone. كان اثنان من المؤلفين يعملان لدى Baidu USA، وقد شُغّل نظامها الصوتي Deep Speech 2، وهو يعمل على الخادم، على أحد خوادم Baidu واختُبر عبر تطبيق على iPhone 6 Plus.
11. Brysbaert, M. (2019). How many words do we read per minute? A review and meta-analysis of reading rate. Journal of Memory and Language, 109, 104047. 190 دراسة، 18,573 مشاركاً.
12. Yuan, J., Liberman, M., and Cieri, C. (2006). Towards an integrated understanding of speaking rate in conversation. Interspeech 2006. محادثات Switchboard الهاتفية.
13. YouGov. How many Britons like voice notes? 14 يونيو 2022. استطلاع شمل 2,149 بالغاً في المملكة المتحدة، والعمل الميداني في 5 و 6 مايو 2022، منهم 1,956 من مستخدمي الهواتف الذكية؛ وأرقام المدة هي نسب من أجابوا. جداول النتائج على . https://yougov.com/en-gb/articles/42817-how-many-britons-voice-notes. جرى التحقق في 4 و 5 أكتوبر 2026. تتبع النسب المئوية نص مقال YouGov؛ وتعطي جداول النتائج مجاميع مختلفة قليلاً للكراهية بسبب التقريب.
14. Sampietro, A., and König, K. (2024). The medium is accountable: Metacommunication and media ideologies about voice messages in WhatsApp chats. Discourse & Communication, 18(1), 51-71. محادثات WhatsApp بالألمانية والإسبانية؛ قُرئ الملخص عبر سجل الناشر في Crossref، والنص الكامل خلف جدار دفع.
15. Apple. Dictate text on iPhone. iPhone User Guide, iOS 27. . جرى التحقق في 4 أكتوبر 2026.
16. Apple. Siri, Dictation & Privacy. Legal, آخر تحديث 14 سبتمبر 2026. . جرى التحقق في 5 أكتوبر 2026.
17. Google. Type with your voice. Gboard Help. . جرى التحقق في 4 أكتوبر 2026.
18. Google. Use advanced voice typing features. Gboard Help. . جرى التحقق في 5 أكتوبر 2026.
19. Microsoft. Use voice typing to talk instead of type on your PC. Microsoft Support. . جرى التحقق في 5 أكتوبر 2026.
20. Otter.ai. Convert Speech to Text. . جرى التحقق في 4 أكتوبر 2026.
21. Otter.ai. Supported languages. Otter Help Center، حُرّر المقال في 6 مايو 2026. . جرى التحقق في 5 أكتوبر 2026.
22. MacWhisper. Homepage. صفحة تسويقية غير مؤرخة، فهي تبيّن ما يعلن عنه المنتج لا كيف يؤدي. . جرى التحقق في 5 أكتوبر 2026.
23. WhatsApp. Introducing Voice Message Transcripts. 21 نوفمبر 2024. . جرى التحقق في 4 أكتوبر 2026.
24. Subtext, Terms, privacy and your account. سياسة الخصوصية آخر تحديث لها في 10 أكتوبر 2026. جرى التحقق في 10 أكتوبر 2026.
25. Google Play. Hot Tip: Speak your mind with Subtext. . جرى التحقق في 4 أكتوبر 2026؛ أظهرت القائمة 295 تقييماً وأكثر من 50K تحميل في كل متجر فتحته، و 4.3 نجمة في المتجر الألماني.
26. Jones, D. A., وستة مؤلفين مشاركين (2003). Measuring the Readability of Automatic Speech-to-Text Transcripts. Eurospeech 2003, 1585-1588. جرى استقطاب 32 ناطقاً أصلياً بالإنجليزية وتحليل بيانات 28. برعاية DARPA بموجب عقد القوات الجوية F19628-00-C-0002.
27. Koumpis, K., and Renals, S. (2005). Automatic summarization of voicemail messages using lexical and prosodic features. ACM Transactions on Speech and Language Processing, 2(1). اختبار فهم على 16 مشاركاً و 15 رسالة بريد صوتي؛ قُرئت الأرقام من ملف PDF استضافه المؤلف. بتمويل من منحة ROPA من EPSRC، GR/R23954.