حد الدقة في الميكروفون وليس في النموذج: التقاط صوت الغرفة وتعدد القنوات لمحاضر الاجتماع المحلية

نفس نموذج ASR يؤدي إلى نسبة نجاح تصل إلى 98% في غرفة اجتماع واحدة، بينما تصل نسبة النجاح إلى 80% فقط في غرفة اجتماع أخرى – والفرق يكمن عادةً في الطريقة التي يتم بها تخزين البيانات..

في كثير من التقييمات، يتم تقييم الميزانية بأكملها من حيث “هل النموذج دقيق أم لا”. لكن في مرحلة القبول، يتضح أن حتى مع تحديد الكلمات الرئيسية وإضافة الكلمات الهامة، فإن معدل الخطأ سيظل مرتفعًا. السبب بسيط:

لا يمكن لأي نموذج أن يعمل ضمن حدود الصوت المدخل إلى النموذج. لا يمكن إصلاح الصوت الضعيف بأي نموذج من النماذج.

القيم المُشار إليها كقيم معلنة، مأخوذة من المنتج المواصفات؛ أما مستويات الأداء فهي قيم مرجعية تُستخدم في البيئات العادية، وتختلف هذه القيم حسب الظروف الصوتية، والمسافة التي يتم من خلالها الاستماع إلى الصوت، واستراتيجية التشغيل… يجب قياس هذه القيم في الموقع.

الدقة القصوى تحدد في مرحلة الاستحواذ على البيانات.

ابدأ بحقيقة سهلة الإغفال: التعرف على الكلام هو المرحلة الوحيدة في السلسلة التي لا يمكنها تعويض ما حدث قبلها.

يمكن للنموذج أن يعالج مشكلة “ربما تم التعرف على الكلمة بشكل خاطئ”. لكنه لا يستطيع حل مشكلة “أن الجملة لم يتم تسجيلها بشكل واضح أبدًا”. المشكلة الأخيرة تظهر كثلاث مشاكل صوتية.

مشكلة في الصوت/الأصوات	الأسباب الصوتية	يمكن تصحيحه باستخدام نموذج أفضل.
انخفاض شدة الإشارة في المجال البعيد	طاقة الخطاب تنخفض مع الابتعاد عن الشخص الذي يتحدث إليه، كما أن مستوى الدقة في التمييز بين الأصوات يقل أيضًا.	بشكل أساسي، لا شيء.
بقايا الانعكاسات	انعكاسات الغرفة تفسد الكلام.	جزئيًا
التشابك المتعدد القنوات	التداخل في الخطابات، مزج القنوات	لا

مع زيادة مسافة الالتقاط، فإن طاقة الصوت المباشر تنخفض بشكل كبير، بينما لا يحدث ذلك في حالة الضوضاء المحيطة. وبالتالي، فإن نسبة الصوت إلى الضوضاء تقل. عند رفع درجة الحساسية، فإن الضوضاء تزداد، وكذلك الصوت؛ لكن دقة التمييز قد تقل أيضًا.

الخلاصة: الاستيلاء على الأشياء هو العامل الأول في السلسلة الكاملة. هذا أيضًا يفسر سبب اختلاف أداء نفس المحرك في غرف مختلفة… ما يختلف ليس المحرك، بل الغرفة نفسها.

الفجوة الحقيقية بين الطرق الثلاثة لالقبض على الأشخاص

تتوفر طرق ثلاثة رئيسية لالتقاط صور من غرف الاجتماعات، ويجب على الشخص أن يختار الطريقة المناسبة من بين هذه الطرق.

النهج	المبدأ	متعدد المتحدثين	الوصول إلى المحتوى داخل المؤسسة نفسها.
ميكروفون متعدد الاتجاهات مصمم خصيصًا للاستخدام في الأجهزة.	مصفوفة ميكرو، مع معالجة الإشارات المصفوفية	قوي، مصمم للأشخاص الذين يجلسون حول طاولة.	Native
تحليل مزيج أنظمة الاجتماعات	يقوم بإعادة استخدام النتائج المختلطة التي يوفرها النظام الحالي.	متوسطة الحجم، محدودة بواسطة ذلك النظام.	يحتاج إلى التحقق من مدى اندماجه مع البنية الأساسية للنظام.
برامج التسجيل المحلية	يقوم برنامج العملاء بتسجيل الصوت المحلي.	ضعيف، يوجد قناة واحدة فقط.	بشكل عام، غير مناسب.

تم تصميم ميكروفونات أجهزة مخصصة للاستخدام في جميع الاتجاهات لاستخدامه من قبل الأشخاص الذين يجلسون حول طاولة واحدة. الحساسية في جميع الاتجاهات متساوية تقريبًا، وبالإضافة إلى إمكانية التحكم في الضوضاء وإلغاء الأصوات المتكررة، فإن المكبرات الصوتية المتعددة تضمن جودة صوت مستقرة. أما الجانب تفريغ الصوت، فهو يستخدم ميكروفونات من نوع USB ذات قدرة على التقاط الصوت من جميع الاتجاهات، كما أن أجهزة الكمبيوتر يمكنها التعامل مع الميكروفونات الخارجية بسهولة.

تحليل مزيج أنظمة الاجتماعات يبدو مناسبًا للاستخدام، حيث يمكن إعادة استخدام مخرجات الصوت الخاصة بنظام الاجتماعات الحالي. لكن جودة المزج تعتمد بشكل كامل على ذلك النظام؛ فإذا كان النظام مصممًا لاستخدام الأذن البشرية، فقد لا تكون نطاق الديناميكيات ودرجة الاختلاف في الصوت كافيًا لاستخدامه في النماذج المستخدمة. ما يجب التحقق منه هو فصل القنوات في السيناريوهات المتعددة الأطراف، لأن عملية المزج غالبًا ما تتضمن دمج عدة قنوات صوتية في واحدة، مما يعني أن فصل المتحدثين لن يكون لديه أي مدخلات صوتية صالحة للاستخدام.

برامج التسجيل المحلية في الأساس ليس مناسبًا للاستخدام في البيئات المحلية؛ فهو يلتقط صوت قناة واحدة فقط، ولا يمكنه تمييز الأصوات المختلفة خلال اجتماعات متعددة الأشخاص. كما أنه يعتمد على تثبيت البرنامج على جهاز العميل نفسه.

أوضاع الفشل الشائعة

• اعتبار “القدرة على التسجيل” كـ “القدرة على النقل”.: صوت الاجتماع مُعد ليكون مناسبًا للأذن البشرية، وليس للأنظمة الآلية.
• يتم الاختبار فقط بالقرب من المنصة.: الأماكن الأربعة في الزوايا الخارجية، بالإضافة إلى المقعد الأبعد، هي الواقعات الفعلية للظروف التشغيلية.
• تجاهل عدد القنوات الموجودة.: عندما يتم دمج القنوات معًا، فإن فصل المتحدثين لا يحصل على أي إدخالات.

مسافة الاستقبال وخصائص الصوت في الغرفة

مسافة الاستقبال هي المعيار الذي يُسأل عنه كثيرًا، وغالبًا ما يكون الجواب عليه غير واضح. مع استخدام جهاز استقبال صوتي داخلي، بالإضافة إلى ميكروفون خارجي يمكنه التحكم في الاتجاهات، فإن نطاق الاستقبال يكون حوالي من 5 إلى 10 أمتار، وهذا يناسب الغرف الصغيرة والمتوسطة الحجم.

الإجابة الصحيحة هي مزيد من نقاط التسليم، وليس أي شيء آخر. هذا يتوقف على خصائص الصوتيات: طاقة الكلام تقل مع الابتعاد عن مصدر الصوت، بينما الضوضاء لا تقل. لذلك، فإن المكبرات تُعزز كلا النوعين من الصوت بنفس القدر.

جودة الصوت في الغرفة أيضًا مهمة للغاية.

• الجدران الزجاجية، والأرضيات الناعمة، والغرف الشاسعة الفارغة… كل هذه العوامل تساهم في إعادة إنتاج الأصوات بشكل مكثف، مما يؤدي إلى تلويث الكلمات بصوت الصدى الخاص بهذه الجدران.
• ضوضاء الحالة المستقرة: تكييف الهواء، أجهزة العرض، حركة المرور في الأماكن الخارجية… كل هذه العناصر لها طيف ثابت، وعلى الأقل يمكن التعامل معها باستخدام خوارزميات مناسبة.
• ضوضاء مؤقتة: حركة الكرسي، إغلاق الأبواب بقوة، اهتزاز الهاتف… هذه هي الأسباب الشائعة التي تؤدي إلى انهيار الجسم بأكمله.

قم بالتحقق من المعلومات مرتين خلال عملية القبول.: واحدة من الغرف مزودة بجهاز تكييف وشاشة عرض تعمل، والأخرى في غرفة هادئة. الاختبار الذي يتم في غرفة هادئة ليس اختبارًا حقيقيًا؛ فمعظم غرف الاجتماعات تحمل مستوى من الضوضاء يتراوح بين 40 إلى 50 ديسيبل.

ميكروفونات ثنائية الاتجاه + نظام نقل الصوت عبر العظام: لا يوجد أكثر من ميكروفون واحد.

الغريزة الشائعة في أجهزة التسجيل المحمولة هي استخدام المزيد من الميكروفونات. لكن عدد الميكروفونات لا يؤثر على جودة الصوت الذي يتم تسجيله. استخدام عدة ميكروفونات دون معالجة الإشارات، يعني في الواقع التقاط نسخ متعددة من نفس الإشارة، وهذه النسخ تكون مشوشة.

الطريقة الفعالة هي آليات الاسترجاع التكميلية.

آلية	ما الذي يتم التقاطه من خلال ذلك؟	القوة	الضعف
التواصل الهوائي (السمع الكامل)	الموجات الصوتية	نطاق واسع، طبيعية في التصميم.	الرتبة الاقتصادية تنهار بسبب الضوضاء الشديدة.
نقل العظام	الاهتزازات عبر الأسطح الصلبة	القدرة على الفهم تظل قائمة حتى في ظروف الضوضاء الشديدة.	النطاق الضيق يتطلب تواصل مع الطرف الآخر.

حالة انتقال الصوت عبر العظام هي حالة خاصة من النوعية.: عندما يؤدي تكييف الهواء، أو مراوح projetor، أو الضوضاء الخارجية إلى تدمير جودة الصوت الموجود في الهواء، فإن الجزء المتعلق بالكلام الذي يتم التقاطه عبر الميكروفونات يظل سليمًا نسبيًا. هذا ليس مجرد “ميكروفون إضافي”، بل هو قناة استقبال مستقلة للصوت.

على سبيل المثال، تستخدم بطاقة التسجيل الشخصية تصميم ميكروفون ذو قدرة على التقاط الصوت من اتجاهين مختلفين، بالإضافة إلى القدرة على نقل الصوت عبر العظام.، وتتميز بمدى استقبال يتراوح بين 5 إلى 10 أمتار. كما أن البطاقة تقوم بتسجيل الملفات تلقائيًا على خادم محلي، مما يشكل سلسلة من العمليات: “التسجيل بلمسة واحدة → تحويل النص إلى نظام ذكي → تخزين المعلومات في قاعدة المعرفة”. وهذا النوع من البطاقات مناسب للعمل في الأماكن المفتوحة، والمقابلات، والبحوث الميدانية، حيث لا يمكن استخدام أجهزة تسجيل ثابتة في هذه الحالات.

من غرفة واحدة إلى العديد من الغرف: حساب الحجم في ظروف التزامن

بمجرد حل مشكلة القبض على الأشخاص، فإن السؤال التالي هو: كيفية تحديد عدد القنوات المطلوبة لإرسال البيانات. هناك خطأ شائع يحدث، وهو اعتبار “عدد القنوات لكل صندوق” كالمعيار الوحيد للتقييم.

الحالات الواقعية تتطلب حسابين منفصلين.: استخدام أكثر من زقاز في نفس الغرفة، بالإضافة إلى التوافق بين الغرف المختلفة. الأول هو فصل المتحدثين داخل أحد تدفقات الصوت.، والثاني هو تدفقات الصوت المتعددة مترجمة بشكل متوازي… فهما يستهلكان الطاقة الحاسوبية بطرق مختلفة.

ثلاث طبقات، حسب حجم الغرفة:

تير	حالة الاستخدام	التركيب النموذجي	المقاييس الرئيسية
مضيف الحاسوب المكتبي	غرفة صغيرة وحيدة، بها مكتب خاص.	ذاكرة عشوائية: 8 جيجابايت
سعة التخزين: 128 جيجابايت، ويمكن توسيعها.	مدة الانتظار أقل من دقيقة واحدة (تم نشر البيانات).
خادم القسم	مراكز البحث والتطوير، الأقسام المالية، السلاسل الإقليمية	٥ قنوات متزامنة، ١٦٦ زيقاز، ٢٤ جيجابايت من الذاكرة ذات السعة العالية.	مدة التوقف من البداية إلى النهاية أقل من 1.5 ثانية
خادم الشركات	الحكومة، الدفاع، المالية، الرعاية الصحية، وغيرها من المجالات التي تتطلب مستوى عالٍ من الامتثال.	١٠ قنوات متزامنة، ٣٢٦ رمزًا TOPS، ٤٨ جيجابايت من ذاكرة التخزين عالية السرعة.	معدل الوقت اللازم للتوصيل من البداية إلى النهاية أقل من 1 ثانية، ودرجة الانخفاض في الأداء أقل من 0.3.

يتم تحديد الحجم بناءً على “عدد الغرف التي يمكن أن تعقد فيها الاجتماعات في نفس الوقت”، ويتم ترك فارق بنسبة 20% من المساحة للحالات الطارئة. للجلسات المخصصة. تشغيل خادم للشركات في غرفة واحدة هو مضيعة للموارد؛ أما تشغيل خوادم سطحية لعدة غرف متوازية، فهذا يعني الحاجة إلى الانتظار في طابور.

غرف متعددة: تجميع الصوتات والتحكم في العناصر المختلفة.

يوفر الخدمات الموجودة على مستوى الإدارات دعمًا لخاصية توزيع الصوت عبر الشبكة؛ حيث يتم تجميع الصوت من غرف متعددة في خادم واحد، مما يسهل معالجة البيانات. كما يوجد جهاز إداري عبر الويب لإدارة هذه الخدمة. هذا الأمر يمنع الحاجة إلى تطبيق نظام منفصل لكل غرفة، ويسمح بإدارة النصوص وال تسجيلات بشكل موحد.

على نطاق أوسع، يتم إدارة عدة خوادم من خلال بروتوكول منصة الإدارة، وذلك من أجل التحكم في الخوادم بشكل موحد. يشمل ذلك عملية المصادقة الموحدة، والتكوين عن بُعد، والجدولة المنسقة للعمليات. كما يتم إدارة السجلات والفيديوهات بشكل مركزي. الصورة المذكورة تشير إلى أن النظام يمكن أن يُستخدم أيضًا في سياق ٥٠ قناة متزامنة مع بعضها البعض..

إذا لم تكن القنوات التي تأتي من شبكة التجميع متزامنة، فإن فصل المتحدثين ستفشل في العمل بسبب عدم تطابق القنوات. يجب التحقق من ذلك ميدانياً، وذلك باستخدام تسجيلات صوتية تتضمن نصوصاً متداخلة، وليس بناءً على نتائج قناة واحدة فقط.

قائمة التحقق من القبول

#	Item	Method	معايير المرور
1	تغطية الخدمة في الوقت الفعلي	سجل في الأربعة نقاط، وأبعد مكان ممكن.	كلهم يمرون
2	تحمل الضوضاء	مرة واحدة، مع تشغيل جهاز AC والمشغل الضوئي.	معدل الخطأ لا يزداد.
3	متعدد-زكاز	تسجيل ثلاثة متحدثين أو أكثر معًا	لا يوجد إسناد خاطئ للقطاع بأكمله
4	فوائد نقل العظام للصوت	قارن القنوات التي تعاني من ضوضاء شديدة.	تحسن مدى سهولة الفهم.
5	التزامن	اختبار الضغط بناءً على عدد الغرف الفعلية	حوالي 20% من المساحة المتاحة للتخصيص.
6	تجميع الأصوات	اختبارات الشبكات في غرف متعددة	تم تطابق التواريخ مع بعضها البعض.
7	التحكم في العناقيد	كونسول خاص متحد يشمل عدة خوادم	التحقق من صحة البيانات / تهيئة الإعدادات / ترتيب العمل
8	الترجمة الصوتية والعرض التشغيلي	فحص مخرجات HDMI	المتحدث/الوقت/النص الأصلي/الترجمة

البنود رقم 1 و2 هما الأكثر تخطيًا من قبل الناس.: اختبار مرة واحدة بالقرب من المنصة، وفي غرفة هادئة، هو نموذجية لحالة “النجاح في الاختبار، ولكن الفشل في التطبيق العملي”.

---

لمزيد من المعلومات: Beyond 98% accuracy: five engineering stages that decide minutes quality | Running meeting transcription on Ascend 310P | Choosing an on-premise ASR solution