الدفاع ضد هجمات الكلام المزيّف عميقًا عبر إسقاط السمات وإدخالها تنظيمًا في نماذج اللغة الصوتية الكبيرة

تمهيد

أثار التزييف العميق قلقًا واسعًا في الأوساط العلمية والمجتمعية لما يمثّله من تهديدات جسيمة للخصوصية والأمن وثقة الجمهور بالمحتوى الرقمي، وقد دفع ذلك باهتمام بحثي متنامٍ نحو تطوير أساليب فعّالة للكشف عنه ومواجهته، وتطوّرت عملية الكشف عن التزييف الصوتي عبر مراحل متتابعة، بدءًا من المصنّفات القائمة على السمات المصنوعة يدويًا، مرورًا بمعماريات التعلم العميق المتكاملة من الطرف إلى الطرف، وصولًا إلى نماذج أساس الكلام ذاتية الإشراف وأدوات التعرّف العام على الكلام مثل نموذج ويسبر، أما توظيف نماذج اللغة الكبيرة الخاصة بالكلام التي تتبع التعليمات، والتي يُعدّ نموذج سالمون مثالًا بارزًا وممثلًا لها، فما يزال أقلّ استكشافًا نسبيًا في هذا المجال، وهو السياق البحثي الذي تنطلق منه هذه الدراسة وتسعى إلى سدّ فجوته

أولًا: أهداف الدراسة ومنهجيتها

انطلقت الدراسة من قناعة مفادها أن النماذج اللغوية الكبيرة، بما تملكه من قدرات تمثيلية قوية وقدرات واسعة على استرجاع المعلومات، تحمل إمكانات كبيرة لأداء مهمة كشف التزييف الصوتي، شريطة أن تُختار السمات الصوتية ذات الصلة بعناية وأن تُرتّب أولوياتها بدقة، ولتحقيق ذلك وظّف الباحثون نموذجًا لغويًا كبيرًا للكلام هو نموذج سالمون تحديدًا في الكشف عن الصوت المزيّف، معتمدين استراتيجية تدريب من مرحلتين متكاملتين، ففي المرحلة الأولى يُحقن الوعي بالسمات الصوتية داخل محوّلات التكيّف منخفض الرتبة المعروفة اختصارًا بلوارا، وذلك عبر مهمة إضافية مساعدة تتمثل في التنبؤ بالسمات، وهو ما أطلق عليه الباحثون اسم إدخال السمات، أما في المرحلة الثانية فيُطبّق احتفاظ عشوائي مُنافَذ على متسلسلة رموز المشفّر قبل اتخاذ القرار النهائي بالحكم على الصوت بأنه حقيقي أو مزيّف، وهو ما أطلقوا عليه اسم إسقاط السمات

ثانيًا: أبرز النتائج

1، حقّق الأسلوب المقترح تحسنًا مطلقًا في الدقة مقداره 0.188 على معيار فيك أور ريال المخصص لتقييم كشف التزييف الصوتي

2، بلغ الأسلوب أداءً هو الأحدث والأفضل على المجموعة الفرعية المعروفة باسم إل إيه ضمن معيار التزييف والتدابير المضادة للتحقق من المتحدث لعام 2019، إذ سجّل معدل خطأ متساوٍ بلغ 0.00496، وهو ما يمثل تحسنًا نسبيًا مقداره ثلاثة وثلاثون بالمئة مقارنة بالأساليب السابقة في هذا المعيار

3، أظهر النموذج قدرة غير تافهة على الانتقال إلى مجموعة بيانات خارج مجاله الأصلي، وهي مجموعة موسيقى مولّدة بالذكاء الاصطناعي، محققًا دقة مماثلة لخط أساس قائم على شبكة ريزنت ثمانية عشر أُبلغ عنه في دراسة سابقة، وهو ما فسّره الباحثون بوصفه دليلًا على تمثيلات صوتية قابلة للانتقال بين المهام، لا دليلًا على متانة واسعة شاملة عبر المجالات المختلفة

ثالثًا: دلالات الدراسة وتطبيقاتها

تبرز هذه الدراسة أهمية الهندسة الدقيقة للسمات وآليات التنظيم المدروسة عند توظيف النماذج اللغوية الكبيرة في مهام الأمن الصوتي، إذ لم يعد التفوق رهنًا بحجم النموذج وحده بل بكيفية توجيه انتباهه نحو السمات الصوتية الحاسمة في التمييز بين الكلام الطبيعي والمولّد اصطناعيًا، وتفتح النتائج الباب أمام تطوير أنظمة أكثر موثوقية لحماية المكالمات والتحقق من هوية المتحدثين وكشف الوسائط المغشوشة التي تهدد الثقة في الاتصالات الرقمية والمعاملات الصوتية، وبالنسبة إلى الباحثين العرب وطلاب الدراسات العليا في مجالات معالجة الكلام وأمن المعلومات والذكاء الاصطناعي، تقدّم الدراسة نموذجًا منهجيًا ثريًا لكيفية تكييف النماذج الأساس الحديثة مع مهام كشف التزييف، وهي خبرة قابلة للنقل إلى البيئة العربية التي تتنامى فيها الحاجة إلى أدوات كشف التزييف الصوتي باللغة العربية ولهجاتها المتنوعة، في ظل انتشار المحتوى المولّد وتزايد مخاطره على الأفراد والمؤسسات

وخلاصة القول: أثبتت الدراسة أن الجمع المنظم بين إدخال السمات وإسقاطها في تدريب نموذج لغوي صوتي كبير يمنح كشف التزييف الصوتي دقة متقدمة وقدرة واعدة على الانتقال بين المجالات، ويعزز مكانة النماذج اللغوية الكبيرة أداةً واعدة في حماية البيئة الصوتية الرقمية