حين يسمع الذكاء الاصطناعي الصوتي "لا نباح" على أنه "نباح كلب"

اطلب من نموذج لغوي صوتي (Audio-Language Model) أن يجد لك تسجيلاً بعنوان "لا يوجد نباح كلب"، وهناك فرصة كبيرة أن يعيد لك بالضبط تسجيلاً مليئاً بنباح الكلاب. هذا هو الخلل الجوهري الذي كشفه معيار تقييم جديد يُدعى "نيجإيفال-أوديو" (NegEval-Audio)، قدّمه تشون-يي كوان (Chun-Yi Kuan) وزملاؤه في ورقة بحثية رُفعت إلى أرشيف "آركايف" (arXiv) في 14 يوليو 2026.

يستهدف البحث نقطة عمياء في نماذج التمثيل الصوتي-اللغوي (Audio-Language Embedding Models) مثل "كلاب" (CLAP - Contrastive Language-Audio Pretraining)، التي تشغّل اليوم معظم أنظمة البحث والتصنيف الصوتي. تتعلم هذه النماذج مطابقة الأصوات مع الأوصاف النصية عبر تقريب الأزواج المتطابقة داخل فضاء تمثيلي مشترك (Shared Embedding Space). المشكلة، كما تشير الورقة، أن هذه النماذج تتجاهل النفي إلى حد كبير. فوصف "مطر بلا رعد" ينتهي بتمثيل شبه مطابق لوصف "مطر مع رعد"، لأن النموذج لم يتعلم أبداً أن كلمة "بلا" تعكس المعنى كلياً.

اختبار النفي على نطاق واسع

لقياس عمق هذه المشكلة، بنى الباحثون "نيجإيفال-أوديو"، إطار عمل يعيد توظيف مجموعات بيانات صوتية قائمة، من بينها "أوديوكابس" (AudioCaps) و"كلوثو" (Clotho)، ليحوّلها إلى مهمتي تقييم مركّزتين على النفي. المهمة الأولى، "استرجاع-نفي" (Retrieval-Neg)، تختبر قدرة النموذج على استرجاع التسجيلات الصحيحة عندما يتضمن الاستعلام شرطاً منفياً. أما المهمة الثانية، "اختيار من متعدد-نفي" (MCQ-Neg)، فتقدّم أسئلة اختيار من متعدد تعتمد الإجابة الصحيحة فيها كلياً على تحليل صحيح لكلمة "لا" أو "بدون".

النتائج كانت صادمة. في أسئلة الاختيار من متعدد المرتبطة بالنفي، تراجعت دقة النماذج إلى ما دون مستوى التخمين العشوائي بفارق كبير، وهو ما يشير إلى أن النماذج لا تتجاهل النفي فقط بل تُضلَّل به فعلياً. بعبارة أخرى، رؤية كلمة "لا" تجعل الأداء أسوأ من عدم رؤية أي كلمة نفي على الإطلاق.

حل جزئي لا علاج شامل

جرّب الفريق أيضاً طريقة توجيه بلا إعادة تدريب (Training-Free Steering Method)، وهي تدخّل يُطبَّق أثناء الاستدلال (Inference) دون إعادة تدريب النموذج الأساسي، لمعرفة ما إذا كانت قادرة على معالجة الثغرة. النتائج جاءت متفاوتة. في مهمة "اختيار من متعدد-نفي"، حقّقت طريقة التوجيه تحسناً متواضعاً في الدقة. أما في مهمة "استرجاع-نفي"، فكانت المكاسب شبه معدومة، وهذا يوضح أن الحل يساعد النماذج على الاختيار بين خيارات جاهزة أكثر مما يساعدها على البحث ضمن مجموعة كبيرة من التسجيلات الصوتية باستخدام لغة منفية.

هذا التفاوت مهم لكل من يبني أنظمة بحث صوتي أو توليد أوصاف صوتية في العالم الحقيقي. فمهمة الاختيار من متعدد أضيق وأكثر تقييداً من الاسترجاع المفتوح، وكون الحل الخفيف يعمل بشكل أفضل فيها مقارنة بالاسترجاع يعني أن المشكلة الجوهرية في التمثيل، أي كيفية تشفير النماذج لكلمة "لا" من الأساس، لا تزال دون حل حقيقي.

بالنسبة لصناعة تعتمد بشكل متزايد على تمثيلات على غرار "كلاب" في المساعدات الصوتية ومراقبة المحتوى والبحث الصوتي، تُذكّرنا هذه الورقة بأن إتقان الأوصاف الإيجابية لا يعني بالضرورة فهماً حقيقياً للنفي، وهي ميزة لغوية يتعامل البشر معها بشكل شبه تلقائي.