ما هو تحويل الكلام إلى نص (STT)؟
تحويل الكلام إلى نص (STT)، ويُسمى أيضًا التعرف التلقائي على الكلام (ASR)، تقنية تحوّل اللغة المنطوقة إلى نص مكتوب. وهي تشغّل التفريغ النصي والترجمة التلقائية والإملاء الصوتي والمساعدات الصوتية. وتعتمد الدقة أساسًا على جودة الصوت واللهجات والمفردات. وعلى wawie، يشغّل تحويل الكلام إلى نص الترجمة التلقائية التي يمكنك تعديلها ونقلها إلى لغات أخرى وتصديرها لـ YouTube أو TikTok أو Instagram.
أنشئ حسابًا مجانيًا 5,000 نقطة مجانية. لا حاجة إلى بطاقة دفع.
آخر تحديث: 27 سبتمبر 2026
كيف يعمل تحويل الكلام إلى نص؟
يحوّل النظام الصوت أولًا إلى صورة مكثفة لتردداته عبر الزمن، عادةً ما تكون مخططًا طيفيًا (spectrogram). ثم تربط شبكة عصبية، مدرَّبة على كميات كبيرة من الكلام المفرَّغ، هذه الخصائص بالأصوات أو أجزاء الكلمات أو الحروف المرجّحة. ويستخدم نموذج لغوي، مدمج في الشبكة أو مضاف بعدها، السياق لاختيار الكلمات الأكثر احتمالًا، فيميّز النظام مثلًا بين «ضلّ» و«ظلّ» المتقاربتين في النطق. بعد ذلك تضيف المعالجة اللاحقة علامات الترقيم وتنسيق الأرقام، وتربط الكلمات أو العبارات بطوابع زمنية. وللترجمة النصية، يُقسَّم النص إلى أسطر قصيرة موقوتة مع الكلام وتُصدَّر بصيغ مثل SRT أو VTT.
فيمَ يُستخدم تحويل الكلام إلى نص؟
يُستخدم تحويل الكلام إلى نص كلما احتاجت الكلمات المنطوقة إلى أن تصبح نصًا قابلًا للبحث والقراءة. فصناع الفيديو يستخدمونه لتوليد الترجمة النصية والتسميات التوضيحية، التي تساعد من يشاهدون دون صوت وتجعل المحتوى في متناول الصم وضعاف السمع. وتفرّغ الفرق الاجتماعات والمقابلات والمحاضرات لتتمكن من البحث فيها والاقتباس منها. ويستخدم الكتّاب والمهنيون الإملاء الصوتي للكتابة بالصوت. كما أن تحويل الكلام إلى نص هو الخطوة الأولى في الدبلجة بالذكاء الاصطناعي، حيث يُترجم النص المفرَّغ قبل نطقه من جديد. ويمنح النص المفرَّغ أيضًا محركات البحث ومساعدي الذكاء الاصطناعي نصًا يمكنهم فهرسته.
- الترجمة النصية لـ YouTube وTikTok وInstagram
- تفريغ الاجتماعات والمقابلات والمحاضرات
- الإملاء والكتابة بالصوت
- الخطوة الأولى في الدبلجة بالذكاء الاصطناعي
ما الذي يؤثر في دقة تحويل الكلام إلى نص؟
تُقاس دقة تحويل الكلام إلى نص عادةً بمعدل خطأ الكلمات (WER)، أي نسبة الكلمات الخاطئة أو المحذوفة أو المضافة مقارنةً بنص مفرَّغ صحيح. ويعطي الصوت النقي لمتحدث واحد قريب من الميكروفون أفضل النتائج. وتنخفض الدقة مع ضوضاء الخلفية والموسيقى والصدى وتداخل المتحدثين واللهجات التي نادرًا ما سمعها النموذج والمفردات المتخصصة مثل أسماء العلامات التجارية والمصطلحات الطبية أو المهنية. ويضيف الكلام السريع والتسجيلات منخفضة الجودة أخطاءً أيضًا. ولأي محتوى تنشره، راجع النص المفرَّغ وصحّح الأسماء والمصطلحات الأساسية قبل تصدير الترجمة.
أمثلة على تحويل الكلام إلى نص
- يولّد صانع محتوى على YouTube ترجمة نصية لدرس تعليمي، ويصحح اسمَي منتجين، ثم يصدّر ملف SRT.
- يدمج صانع محتوى على TikTok ترجمة منسّقة في فيديو قصير للمشاهدين الذين يشاهدون دون صوت.
- يفرّغ باحث مقابلات مسجلة ليبحث فيها ويقتبس منها في تقرير.
- تكتب ميزة الإملاء في الهاتف رسالة بينما تتحدث.
الأسئلة الشائعة
ما الفرق بين تحويل الكلام إلى نص وتحويل النص إلى كلام؟
يعملان في اتجاهين متعاكسين. فتحويل الكلام إلى نص (STT) يستمع إلى الصوت المنطوق ويكتبه، فينتج نصًا مفرَّغًا أو ترجمة نصية. أما تحويل النص إلى كلام (TTS) فيأخذ نصًا مكتوبًا ويقرؤه بصوت اصطناعي. الأول يتعلق بفهم الكلام، والثاني بإنتاجه. وكثيرًا ما يُجمع بينهما، كما في الدبلجة بالذكاء الاصطناعي، حيث يُفرَّغ الفيديو ويُترجم ثم يُنطق من جديد بلغة أخرى.
ما مدى دقة تحويل الكلام إلى نص؟
في الكلام الواضح باللغات المدعومة على نطاق واسع، يتمتع تحويل الكلام إلى نص الحديث بدقة عالية، وتتعلق معظم الأخطاء المتبقية بالأسماء والمصطلحات المتخصصة والأرقام وتداخل المتحدثين. وتنخفض الدقة مع ضوضاء الخلفية والموسيقى والصدى والكلام السريع واللهجات غير المألوفة. وتُقاس بمعدل خطأ الكلمات (WER): فكلما انخفض المعدل كانت الدقة أفضل. وينبغي دائمًا مراجعة الترجمة النصية للفيديوهات المنشورة. وعلى wawie، كل سطر من الترجمة قابل للتعديل قبل التصدير، ويمكنك التجربة مجانًا مع 5,000 نقطة، دون الحاجة إلى بطاقة.
ما ملفات الترجمة SRT وVTT؟
تُعد صيغتا SRT (SubRip) وVTT (WebVTT) من أكثر صيغ ملفات الترجمة شيوعًا. وكلاهما ملف نصي عادي يحتوي على قائمة من مقاطع الترجمة، لكل منها وقت بداية ووقت نهاية والنص المراد عرضه. وتدعم صيغة SRT كل منصات الفيديو وبرامج المونتاج تقريبًا. أما WebVTT فهي معيار الويب لفيديو HTML5 وتدعم تنسيقًا وتموضعًا إضافيين. ترفع أيًا من الملفين مع الفيديو، ليتمكن المشاهدون من تشغيل الترجمة أو إيقافها.
ما الفرق بين التسميات التوضيحية (captions) والترجمة النصية (subtitles)؟
في الولايات المتحدة، يُقصد بالتسميات التوضيحية (captions) عادةً نص بلغة الفيديو نفسها موجّه لمن لا يستطيعون سماع الصوت، لذا تصف أيضًا الأصوات المهمة مثل الموسيقى أو الضحك وقد تحدد المتحدثين. أما الترجمة النصية (subtitles) فتعني عادةً تفريغ الحوار وحده أو ترجمته، لمن يستطيعون السمع. وفي المملكة المتحدة، كثيرًا ما تُستخدم كلمة subtitles للاثنين، كما تُستخدم كلمة «الترجمة» في العربية غالبًا للدلالة عليهما معًا. ويمكن إيقاف التسميات المغلقة (closed captions)، بينما تكون التسميات المفتوحة أو المدمجة جزءًا من صورة الفيديو ومرئية دائمًا.
مصطلحات ذات صلة
- تحويل النص إلى كلام (TTS): تقنية تحوّل النص المكتوب إلى كلام منطوق يبدو طبيعيًا، وتُستخدم في التعليق الصوتي والسرد وتسهيل الوصول والمساعدات الصوتية.
- الدبلجة بالذكاء الاصطناعي: تترجم الدبلجة بالذكاء الاصطناعي الكلام في الفيديو وتعيد نطقه بلغة أخرى، متزامنًا مع الأصل، وبالصوت الأصلي إن رغبت.
- عزل الصوت: يفصل عزل الصوت الكلام عن ضوضاء الخلفية والموسيقى وصدى الغرفة، ليترك لك كلامًا نقيًا يمكنك نشره أو تفريغه أو دبلجته.
أنشئ حسابًا مجانيًا 5,000 نقطة مجانية. لا حاجة إلى بطاقة دفع.