الجمهور المستهدف: هذه المقالة موجهة إلى مسؤولي شراء الأجهزة ومهندسي برمجيات الصوت الثابتة الذين يحتاجون إلى تحديد مواصفات إزالة ضوضاء الميكروفون في خط أقلام القراءة. وتفترض أنك تعرف بالفعل ما هو ميكروفون MEMS وأنك الآن بحاجة إلى الاختيار بين طرح الطيف، وترشيح Wiener، وشبكة عصبية متكررة مثل RNNoise لإصدار عام 2026.
قلم القراءة جهاز تسجيل. كل طراز K7 و KF1 و L5 و Q6 و Q8 و T2 و Y6 مزود بما لا يقل عن ميكروفون MEMS واحد؛ بينما تأتي طرازات L5 و T2 و Y6 بميكروفون اثنين لتكوين الحزمة الصوتية. يُستخدم الميكروفون في ثلاثة أغراض: التعرف على الكلام (ينطق الطفل كلمة فيتحقق القلم من النطق)، والبحث الصوتي (يسأل الطفل «ما هو البركان؟»)، ووضع الاتصال الداخلي (يستمع تطبيق ولي الأمر عبر القلم). تنهار جميع هذه الاستخدامات الثلاثة إذا تلوثت إشارة الميكروفون بضوضاء الفصل، أو طنين التكييف، أو تداخل صوت الجهاز اللوحي، أو صوت طفل آخر في الخلفية. تقارن هذه المقالة بين مقاربات إزالة الضوضاء الثلاث المستخدمة فعلياً عبر 11 طرازاً إنتاجياً لدينا (B1 و B2 و F8 و K7 و KF1 و L5 و P2 و Q6 و Q8 و T2 و Y6)، مع قياس تحسين نسبة الإشارة إلى الضوضاء، وتكلفة MIPS، وتحسين دقة التعرف التلقائي على الكلام، ولغة مواصفات التوريد التي تثبتها.
1. لماذا يُعدّ إلغاء الضوضاء أمرًا لا غنى عنه في قلم القراءة
يُستخدم قلم القراءة في بيئات تمثل عداءً صوتياً لالتقاط الكلام عبر ميكروفون صغير. يُعد سيناريو الفصل الدراسي الأسوأ: 25–35 ديسيبل A من الضوضاء المحيطة الناتجة عن 25–30 طفلاً، إضافة إلى مراوح جهاز العرض عند 40 ديسيبل A، إلى التكييف. أما السيناريو المنزلي فأفضل لكنه لا يزال إشكالياً: التلفاز عند 60 ديسيبل A من الطرف الآخر من الغرفة، وأجهزة المطبخ عند 55 ديسيبل A، وضوضاء الإخوة عند 50 ديسيبل A. تتراوح مسافة القلم بالنسبة للفم عادة بين 5–15 سم في الاستخدام داخل الفصل و1–3 سم في المنزل، مما يضع مستوى الكلام بين −10 و −25 ديسيبل FS عند الميكروفون، بينما تقع الضوضاء المحيطة بين −40 و −30 ديسيبل FS. وعليه، تتراوح نسبة الإشارة إلى الضوضاء عند دخل الميكروفون غالباً بين 5 و20 ديسيبل قبل أي معالجة.
بالنسبة لمتحدث بالغ في غرفة هادئة، تتعامل محركات التعرف التلقائي على الكلام الحديثة بسهولة مع نسبة إشارة إلى ضوضاء قدرها 5 ديسيبل. أما بالنسبة لطفل في فصل صاخب، فإن المحرك نفسه يفشل — فالفونيمات لدى الأطفال أعلى تردداً وأقل اتساقاً، ونسبة الكلام إلى الضوضاء أسوأ بكثير. إن وجود مرحلة إزالة ضوضاء ترفع نسبة الإشارة إلى الضوضاء بمقدار 6–10 ديسيبل قبل محرك التعرف التلقائي على الكلام هو الفرق بين أن يتحقق القلم بشكل صحيح من النطق أو أن يخبر الطفل بأنه أخطأ ثلاث مرات متتالية.
عبر أكثر من 47,000 وحدة تم شحنها، تتوزع تذاكر الدعم المتعلقة بالميكروفون كالتالي: 41% «التعرف التلقائي على الكلام أخطأ في غرفة صاخبة»، و22% «البحث الصوتي لا يعمل»، و19% «وضع الاتصال الداخلي مشوش»، و21% «القلم يسجل صوته الخاص». إن اختيار خوارزمية إزالة ضوضاء جيدة يقلل الفئات الثلاث الأولى بنسبة 40–60% في بياناتنا الميدانية.
العائلات الثلاث لإزالة الضوضاء
تُستخدم ثلاث مقاربات لإزالة الضوضاء في البرامج الثابتة الإنتاجية الفعلية لأقلام القراءة. وهي غير قابلة للتبادل.
طرح الطيف هو الأقدم والأرخص. تقدر الخوارزمية طيف الضوضاء أثناء السكون، ثم تطرحه من طيف الكلام المشوب بضوضاء مع وضع حد أدنى. يعمل بأقل من 5 MIPS على معالج Cortex-A5 ويوفر نحو 4–6 ديسيبل من تحسين نسبة الإشارة إلى الضوضاء في الضوضاء المستقرة (التكييف، المراوح)، لكنه يوفر أقل من 2 ديسيبل في الضوضاء غير المستقرة (أطفال آخرون يتحدثون). كما ينتج عنه تشوهات «ضوضاء موسيقية» مسموعة — نبضات نغمية قصيرة تربك الأطفال.
ترشيح Wiener ومقدرات MMSE هي الخطوة التالية. يقدر طيف الكلام النظيف باستخدام نموذج إحصائي للضوضاء ويوفر نحو 6–9 ديسيبل من تحسين نسبة الإشارة إلى الضوضاء مع تشوهات موسيقية أقل. تكلفة MIPS بين 8 و15 على معالج Cortex-A5. هذه هي خوارزمية العمل الأساسية المستخدمة في منصات B1 و B2 و F8 و K7 و KF1 و P2 و Q6 و Q8.
الإزالة بالشبكات العصبية المتكررة (RNNoise، DeepFilterNet وغيرها) هي المقاربة الحديثة. تُدرب على آلاف الساعات من الكلام المشوب بضوضاء لتقدير قناع إزالة يُنفذ لكل حزمة تردد. توفر 9–14 ديسيبل من تحسين نسبة الإشارة إلى الضوضاء، وتتعامل بكفاءة مع الضوضاء غير المستقرة، ولا تنتج تشوهات موسيقية. تكلفة MIPS بين 25 و45 على معالج Cortex-A53. هذه هي الخوارزمية في منصات L5 و T2 و Y6، مدمجة كإصدار RNNoise رقم 1cfd9a6 (إصدار يونيو 2024).
بالنسبة للمسؤول عن الشراء الذي يختار مقاربة، فإن المفاضلة واضحة: طرح الطيف لضغط تكلفة المواد تحت 5 دولارات، وWiener للبرامج mainstream، وRNNoise للبرامج الممارة والبرامج المنشورة في الفصول الدراسية.
الخط الأساسي لإزالة الضوضاء لكل طراز
يلخص الجدول التالي ما هو موجود في البرامج الثابتة الإنتاجية فعلياً عبر 11 طرازاً. «خوارزمية الإزالة» تسمّي المكتبة المحددة؛ «تكلفة MIPS» تُقاس 16 كيلوهرتز أحادي؛ «تحسين نسبة الإشارة إلى الضوضاء» هو الفارق بالديسيبل بين نسبة الإشارة إلى الضوضاء عند الدخل ونسبتها عند الخرج على مجموعة بيانات قياس موحدة للكلام المشوب بضوضاء؛ «تحسين دقة التعرف التلقائي على الكلام» هو التحسن المطلق بالنقاط المئوية في معدل التعرف على الكلمات على مجموعة اختبار ضوضاء الفصل الدراسي.
| الطراز | عدد الميكروفونات | خوارزمية الإزالة | MIPS | تحسين نسبة الإشارة إلى الضوضاء | تحسين دقة التعرف التلقائي على الكلام | البرنامج الثابت |
|---|---|---|---|---|---|---|
| B1 | 1 | Wiener MMSE | 12 | 6.5 ديسيبل | +7.2 نقطة مئوية | 2.4.7 |
| B2 | 1 | Wiener MMSE | 12 | 6.8 ديسيبل | +7.5 نقطة مئوية | 2.4.7 |
| F8 | 1 | طرح الطيف | 4 | 4.2 ديسيبل | +4.0 نقاط مئوية | 3.1.2 |
| K7 | 1 | Wiener MMSE | 14 | 7.4 ديسيبل | +8.1 نقطة مئوية | 1.9.5 |
| KF1 | 1 | Wiener MMSE | 14 | 7.4 ديسيبل | +8.1 نقطة مئوية | 1.9.5 |
| L5 | 2 | RNNoise | 38 | 11.8 ديسيبل | +14.2 نقطة مئوية | 4.2.0 |
| P2 | 1 | طرح طيفي | 4 | 4.0 ديسيبل | +3.6 نقطة مئوية | 2.0.3 |
| Q6 | 1 | Wiener MMSE | 14 | 7.6 ديسيبل | +8.4 نقطة مئوية | 3.3.1 |
| Q8 | 1 | Wiener MMSE | 14 | 7.6 ديسيبل | +8.4 نقطة مئوية | 3.3.1 |
| T2 | 2 | RNNoise | 42 | 12.4 ديسيبل | +15.1 نقطة مئوية | 2.6.4 |
| Y6 | 2 | RNNoise | 38 | 12.0 ديسيبل | +14.6 نقطة مئوية | 2.6.4 |
تبرز منصتا F8 وP2 بوصفهما الأضعف — إذ تستخدمان الطرح الطيفي لأن شريحة Cortex-A7 الأقدم لا تستطيع تخصيص MIPS كافٍ لمرشح Wiener مناسب مع فك ترميز AAC وتشغيل بحث OID في الوقت ذاته. وتتقدم منصات L5 وT2 وY6 على بقية المجموعة بهامش واسع. وفي بيئة صف دراسي حقيقية، يحقق L5 مع RNNoise زيادة في دقة التعرف على الكلام تبلغ ضعف ما يحققه مرشح Wiener على K7.
4. آلية عمل RNNoise ولماذا يتفوق
RNNoise شبكة عصبية متكررة صغيرة صممها Jean-Marc Valin من منظمة Xiph.Org، وهي الجهة نفسها التي صممت Opus. تمتاز البنية بأنها متعمدة الحد الأدنى: وحدة GRU بـ 24 وحدة مخفية تعمل على 22 نطاقًا تردديًا، إضافة إلى MLP إخراج صغير يقدّر قناع ربح لكل نطاق. ويبلغ إجمالي عدد المعاملات نحو 12,000 وزن — وهو حجم صغير بما يكفي ليتسع في ذاكرة L2 لمعالج L5 ويعمل بسرعة 38 MIPS على Cortex-A53.
تُعدّ بيانات التدريب بنفس أهمية البنية. تم تدريب RNNoise على مزيج من الكلام النظيف (مجموعة بيانات تحدي DNS، أكثر من 500 ساعة)، ومصادر الضوضاء (نفس مجموعة البيانات، أكثر من 150 ساعة من ضوضاء المقاصف وضوضاء الفصول الدراسية والضوضاء المنزلية)، وخلائط اصطناعية من الكلام المشوب بالضوضاء. والنتيجة نموذج يتعامل بمرونة مع الضوضاء غير المستقرة — فعندما يبدأ طفل آخر في الكلام، لا يقفل RNNoise عليها بوصفها "حد الضوضاء" الجديد كما يفعل خوارزمية الطرح الطيفي.
بالنسبة إلى L5 وT2 وY6، يعمل RNNoise بسرعة 16 كيلوهرتز أحادي (بعد الاختزال من معدل التقاط ميكروفون MEMS الأصلي عند 24 كيلوهرتز)، ويُنتج خرج كلام نظيف بسرعة 16 كيلوهرتز يُغذّي محرك التعرف على الكلام. ويبلغ حجم ملف النموذج 250 كيلوبايت على الذاكرة الوميضية، أي ما يعادل تقريبًا حجم مقطعَي AAC بمعدل 96 كيلوبت في الثانية. وهذه هي كامل تكلفة التخزين لـ RNNoise على المنصة.
5. كيفية تفاعل RNNoise مع محرك التعرف على الكلام
من أخطاء الشراء الشائعة تحديد RNNoise والافتراض بأن محرك التعرف على الكلام في الطرف التالي سيتحسن تلقائيًا. سيتحسن فعلًا، لكن ليس بمقدار الـ 14 نقطة مئوية الكاملة التي يوحي بها تحسن نسبة الإشارة إلى الضوضاء. إذ يمتلك محرك التعرف على الكلام ذاته قدرة مدمجة على مقاومة الضوضاء، ويتفاعل الطبقتان بطرق غير مباشرة.
على منصة L5 مع تغذية RNNoise لمحرك التعرف على الكلام الموجود على الجهاز، يبلغ تحسين دقة الكلمات من طرف إلى طرف في ضوضاء الصف الدراسي +14.2 نقطة مئوية (من خط أساس 58% إلى 72.2% مع RNNoise). وعلى منصة T2 مع RNNoise ومحرك التعرف على الكلام الأكثر قدرة قليلًا والمضبوط لخطاب الأطفال، يبلغ التحسن +15.1 نقطة مئوية. وعلى منصة F8 مع الطرح الطيفي، لا يكتسب محرك التعرف على الكلام ذاته سوى +4.0 نقطة مئوية لأن الطرح الطيفي يترك قدرًا كبيرًا من الضوضاء المتبقية يصعب على المحرك التعامل معها.
التفاعل تضاعفي: خوارزمية قمع الضوضاء بتحسين 6 ديسيبل في نسبة الإشارة إلى الضوضاء توفّر دقة أعلى في التعرف على الكلام من خوارزمية تحقق 10 ديسيبل إذا كانت الخوارزمية ذات الديسيبل الأقل تنتج طيفًا أنظف. يحقق Wiener MMSE على K7 نسبة إشارة إلى ضوضاء أضعف قليلًا من RNNoise على L5 لكنه ينتج طيفًا أقل ضوضاء موسيقية، وهو ما يفضّله محرك التعرف على الكلام. دقة التعرف من طرف إلى طرف على K7 هي +8.1 نقطة مئوية؛ وعلى L5 هي +14.2 نقطة مئوية. وكلتاهما إجابة صحيحة وفقًا لمنصتيهما.
6. متى يكون الطرح الطيفي هو الإجابة الصحيحة
لا يكون RNNoise دائمًا الإجابة الصحيحة. توجد ثلاثة سيناريوهات يكون فيها الطرح الطيفي على B1 أو B2 أو F8 أو P2 مقبولًا أو حتى أفضل. أولًا، سيناريوهات الاستخدام المنزلي الفردي حيث يشرف الوالد على الطفل في غرفة هادئة وتكون الضوضاء المحيطة أقل من 35 ديسيبل — ويكفي الطرح الطيفي في هذه الحالة. ثانيًا، البرامج الموجَّهة بالتكلفة حيث يكون ضغط قائمة المواد حقيقيًا ويكون ملف نموذج RNNoise غير ميسور — فالـ 250 كيلوبايت الخاصة بـ RNNoise ليست كبيرة بمقدار مطلق، لكنها ذات وقع على B1 الذي لا يتجاوز هامش قسم الصوت فيه 4 ميغابايت. ثالثًا، البرامج المقيدة بالبطارية حيث إن حمل RNNoise البالغ 38 MIPS يخفض زمن تشغيل B1 الذي يبلغ 5.0 ساعات بمقدار 30 دقيقة؛ أما طرح الطيف عند 4 MIPS فيحافظ على رقم البطارية.
بالنسبة لعمليات النشر في المدارس، تُعد RNNoise الخيار الصحيح. أما للاستخدام المنزلي للمستهلك، فإن الاختيار يعتمد على الفئة السعرية وتكلفة قائمة المواد (BOM) التي يكون الـ OEM مستعدًا لتحملها.
7. قيود RNNoise وأنماط الفشل
ليست RNNoise سحرًا. تظهر ثلاثة أنماط فشل في الميدان ويجب تصميم النظام للتعامل معها. أولًا، الخلط بين الضوضاء والصوت البشري: أحيانًا تصنّف RNNoise بعض الأصوات الشبيهة بالكلام مثل بكاء الرضّع أو الصفير أو الغناء على أنها «ضوضاء» فتقمعها. هذا الأمر مزعج في بيئة منزلية تضم عدة أطفال لكنه مقبول في استخدام القلم لطفل واحد. ثانيًا، الإخماد الزائد للأصوات الانفجارية: قد تتعرض أول 5 مللي ثانية من صوت /p/ أو /t/ لتوهين طفيف، مما يقلل من حدّة التحقق من النطق. نعوّض ذلك بإضافة تعزيز قدره +3 ديسيبل فوق 2 كيلوهرتز قبل RNNoise وتوهين مكافئ بعدها. ثالثًا، قمع الموسيقى: تتعامل RNNoise مع الموسيقى باعتبارها ضوضاء فتقمعها. هذا مقبول في نظام التعرف على الكلام داخل الصف، لكنه يعني أن ميزة مشاركة الموسيقى عبر وضع الاتصال الداخلي (intercom) في L5 يجب أن تتجاوز RNNoise.
بالنسبة لمسؤول المشتريات الذي يكتب طلب عرض أسعار (RFQ)، تتحول هذه القيود إلى بندين في المواصفات. أولًا، «يجب أن يحافظ قمع الضوضاء على بدايات الكلام ضمن ±2 ديسيبل عند 5 مللي ثانية بعد البداية». ثانيًا، «يجب أن يتضمن قمع الضوضاء وضع تجاوز للصوت غير الكلامي (الموسيقى، والاتصال الداخلي) بزمن تبديل أقل من 100 مللي ثانية».
8. الميكروفون ذاته: التحسين المسبق للأجهزة
تُعد خوارزميتا RNNoise والترشيح Wiener خوارزميات برمجية؛ وتعتمد أرقام تحسين نسبة الإشارة إلى الضوضاء (SNR) المفترضة على إشارة مُلتقطة بشكل جيد عبر ميكروفون MEMS. إذا كان الميكروفون موضوعًا بشكل سيئ، فلن تتمكن الخوارزمية من التعويض. تنطبق ثلاثة شروط مسبقة على مستوى الأجهزة في جميع الطُرز الأحد عشر. أولًا، يجب أن يكون ميكروفون MEMS بنسبة إشارة إلى ضوضاء لا تقل عن 62 ديسيبل(A) — إذ تستخدم الطُرز K7 وKF1 وL5 وQ6 وQ8 وT2 وY6 وحدات MEMS بنسبة 64 ديسيبل(A). ثانيًا، يجب أن يكون قطر فتحة الميكروفون 0.8 مم على الأقل وألا يعترضها الغلاف الخارجي — وقد واجه الطرازان F8 وP2 مشكلة انسداد الفتحة في البرامج الثابتة (firmware) أوائل عام 2024، قمنا بتصحيحها في الإصدار 3.1.2. ثالثًا، يجب أن يكون الميكروفون معزولًا صوتيًا عن السماعة بمسافة لا تقل عن 25 مم من البلاستيك أو بحشية محكمة — فبدون هذا العزل، يتسرب صوت تشغيل السماعة إلى الميكروفون ويُربك كلًا من إلغاء الصدى الصوتي (AEC) وقمع الضوضاء.
تُطبّق مجموعة أقلام القراءة هذه الشروط الثلاثة في القوالب والأدوات. أما بالنسبة لمستورد يشتري من مصنّع تصميم أصلي (ODM) جديد، فهذه هي البنود الثلاثة للأجهزة التي يجب التحقق منها قبل قبول أي تسليم لبرامج الصوت الثابتة.
9. كيفية تحديد قمع الضوضاء في عقد الشراء
يجب أن تحدد لغة طلب عرض الأسعار (RFQ) فئة الخوارزمية وهدف تحسين نسبة الإشارة إلى الضوضاء: «يجب أن يحقق قمع الضوضاء عبر الميكروفون تحسنًا في نسبة الإشارة إلى الضوضاء لا يقل عن 10 ديسيبل على مجموعة اختبار ضوضاء الصف المعيارية (30 ديسيبل(A) محيطة، وضجيج 25 طفلًا، وتكييف هواء عند 50 ديسيبل(A))، مقاسًا عند 16 كيلوهرتز أحادي مع مستوى الكلام عند −20 ديسيبلFS. فئة الخوارزمية: Wiener MMSE للمنصات متوسطة الفئة، والخوارزميات القائمة على الشبكات العصبية المتكررة (RNN) مثل RNNoise أو ما يكافئها للمنصات المتميزة. يجب أن يكون ارتفاع دقة التعرف التلقائي على الكلام (ASR) لا يقل عن +10 نقاط مئوية مقارنةً بالخط الأساسي بدون قمع على نفس مجموعة الاختبار».
ثلاثة تفاصيل مهمة. أولًا، يجب تحديد مجموعة الاختبار المعتمدة (test corpus) — نحن نستخدم مجموعة ضوضاء صف مختارة من 12 منطقة تعليمية مختلفة؛ وأي مورد يختبر على ضوضاء المقاهي أو ضوضاء الشارع سيُبلّغ أرقامًا مضخمة لنسبة الإشارة إلى الضوضاء. ثانيًا، يجب تحديد محرك التعرف على الكلام (ASR) — فخوارزمية قمع الضوضاء المقترنة بمحرك ASR سحابي متطور ستعطي أرقامًا مختلفة عن نفس الخوارزمية المقترنة بمحرك ASR يعمل على الجهاز. ثالثًا، يجب تحديد مستوى إشارة الاختبار — عند مستوى كلام −20 ديسيبلFS، يكون تحسن نسبة الإشارة إلى الضوضاء لدينا 11.8 ديسيبل؛ وعند −10 ديسيبلFS، يكون 9.4 ديسيبل؛ وعند −30 ديسيبلFS، يكون 14.1 ديسيبل. المستوى مهم.
نصيحة للمشتري: أجرِ اختبار قمع الضوضاء الخاص بك على مقطع مدته 30 ثانية مُسجّل في بيئة النشر المستهدفة لديك. أي مورد يدّعي أن قمع الضوضاء لديه «الأفضل في فئته» يجب أن يكون مستعدًا لإرسال عينة صوت إليك للتحقق. إذا رفض، فاعتبر الادعاء مجرد تسويق.
10. مصفوفة القرار والتوصيات
بالنسبة لبرنامج أقلام قراءة جديد يبدأ في عام 2026، فإن التوصية هي استخدام RNNoise على أي منصة تحتوي على نواة Cortex-A53 أو أحدث (L5، وT2، وY6)، واستخدام Wiener MMSE على المنصات متوسطة الفئة K7 وKF1 وQ6 وQ8. أما بالنسبة للبرامج الموجهة لخفض التكلفة على B1 وB2 وF8 وP2، فإن طرح الطيف الحالي مقبول للاستخدام المنزلي، لكن يجب استبداله بـ Wiener MMSE إذا كان البرنامج يستهدف النشر في المدارس.
بالنسبة لمستورد يكتب مواصفة قمع الضوضاء، فإن البند الذي يُنهي العقد ينص على: «يجب أن يحقق قمع الضوضاء عبر الميكروفون تحسنًا في نسبة الإشارة إلى الضوضاء ≥ 10 ديسيبل على مجموعة ضوضاء الصف المعيارية، وارتفاعًا في دقة التعرف على الكلام (ASR) ≥ +10 نقاط مئوية مقارنةً بالخط الأساسي بدون قمع، مع وضع تجاوز للصوت غير الكلامي والحفاظ على بدايات الكلام ضمن ±2 ديسيبل عند 5 مللي ثانية بعد البداية».