عدد فارسی و ماشین‌های خواندن

این جملهٔ آزمون است: «در سال ۱۳۵۷ این پل دوباره ساخته شد.» عدد ۱۳۵۷ را از سر لج انتخاب نکرده‌ایم؛ سال ۱۹۷۹ میلادی است و پرتکرارترین عددی است که در متن فارسی نوشته می‌شود.

هر گوینده جمله را خواند و یک سیستم تشخیص گفتار دوباره به متن برگرداند. چیزی که شنیده شد، عدد نبود. یک واژهٔ بی‌معنی بود، و هر بار یک واژهٔ دیگر:

• در سال مناغب چاپ کردند
• در سال لشت چاپ کردند
• در سال حسف چاپ کردند
• در سال سلف چاپ کردند
• در سال ما سمسوم چاپ کردند

این‌ها نمونه‌های واقعی از خروجی هستند، نه بازنویسی. مدل رقم را به چیزی نگاشت نمی‌کند؛ یک رشتهٔ صوتی محتمل می‌سازد و رد می‌شود.

پیش از فرستادن متن به موتور صدا، عددها را به حروف فارسی باز می‌کنیم. «۱۳۵۷» می‌شود «هزار و سیصد و پنجاه و هفت». این کار روی سرور انجام می‌شود و شما لازم نیست دکمه‌ای بزنید یا متن را دست بزنید.

قاعده‌ها آن‌قدرها هم ساده نیستند. «۱۰۰۰» در فارسی «هزار» خوانده می‌شود نه «یک هزار»، ولی «۱۰۰۰۰۰۰» همان «یک میلیون» است. شمارهٔ تلفن و کدی که با صفر شروع شود اصلاً نباید به صورت یک عدد خوانده شود؛ «۰۹۱۲۳۴۵۶۷۸۹» را آدم رقم به رقم می‌خواند، نه «نه میلیارد و صد و بیست و سه میلیون…».

• هر جمله دو نسخه دارد که فقط در یک چیز فرق می‌کنند: عدد با رقم، یا همان عدد نوشته‌شده به حروف. باقی جمله مو به مو یکی است، پس تفاوت نتیجه نمی‌تواند از چیز دیگری آمده باشد.
• نسخهٔ «باز شده» با همان تابعی ساخته می‌شود که سرور هنگام کار واقعی به کار می‌برد، نه با یک متن دستی. اگر آن تابع عوض شود، این صفحه هم عوض می‌شود.
• تشخیص گفتار با whisper-large-v3-turbo و با اجبار زبان فارسی انجام شد.
• یک عدد وقتی «درست خوانده‌شده» شمرده می‌شود که در متن برگردانده‌شده یا به صورت رقم بیاید یا به صورت حروف. پذیرفتن هر دو شکل عمدی است: سیستم تشخیص گاهی رقم می‌نویسد و گاهی حرف، و ابزاری که فقط یکی را بپذیرد گویندهٔ درست‌خوان را مردود اعلام می‌کند.
• آزمون علامت در سطح کل مجموعه انجام شد: شمردیم چند گوینده بهتر شدند و چند گوینده بدتر. بدون فرض دربارهٔ توزیع، بدون نمونه‌گیری.

• هرچه عدد بلندتر، نتیجه بدتر. ساعت و درصد پس از باز شدن کامل درست می‌شوند، ولی سال چهاررقمی و مبلغ پنج‌رقمی نه. زنجیرهٔ بلند واژه («بیست و پنج هزار») ظاهراً برای مدل سخت‌تر از یک واژهٔ کوتاه است.
• هر ترکیب یک بار تولید شد. موتور صدا نمونه‌برداری تصادفی دارد، پس یک بار تولید برای هر گوینده نویز دارد؛ عدد کل مجموعه محکم است، عدد یک گویندهٔ تنها کمتر.
• پنج نوع عدد آزمون شد، نه همهٔ انواع. تاریخ کامل، کسر، واحد پول با نماد، و شماره‌های ترکیبی هنوز اندازه گرفته نشده‌اند.
• این سنجش دربارهٔ موتور صداست، نه دربارهٔ گویندگان. هیچ گوینده‌ای به خاطر نتیجهٔ این جدول از سایت حذف نشده است.

اندازه‌گیری در 2026-09-12 روی ۳۸ گویندهٔ این سایت.

برگشت به متن‌خوان