تكملة نموذج تركيب الصوت الكرواتي. هذه المرة، جعلتُ نموذجًا صغيرًا واحدًا يتحدث بثلاث لغات: الكرواتية واليابانية والإنجليزية. ثم قارنتُ مدى الاختلاف عند استخدام 10 ساعات أو 5 ساعات أو 3 ساعات من بيانات التدريب لكل لغة.

الخلاصة أولًا.

• لم يكن هناك فرق يُذكر في النهاية، سواء استُخدمت 10 ساعات أو 5 ساعات أو 3 ساعات لكل لغة. بلغ معدل خطأ الأحرف عند أفضل نقطة 0.7% في الحالات الثلاث (28 جملة من أصل 32 تطابقت تمامًا)
• كان تقدّم التدريب متشابهًا تقريبًا أيضًا. في جميعها، استطاعت اليابانية والإنجليزية القراءة وفق النص تقريبًا بعد 3,000 إلى 5,000 خطوة، والكرواتية بعد 10,000 خطوة
• في نسخة الثلاث ساعات فقط، استمرت لفترة عادة قراءة «Bok! (مرحبًا)» على أنها «Blok» بشكل خاطئ. واستغرق الوصول إلى أفضل حالة مستقرة وقتًا أطول قليلًا
• لم يظهر فرق حتى في الجمل المليئة بالمصطلحات المتخصصة. اختبرت ذلك ظنًا مني أن نسخة العشر ساعات ستكون أقوى في المفردات، لكن النتائج كانت متشابهة تقريبًا في الحالات الثلاث
• ظهرت أخطاء قراءة المصطلحات المتخصصة في الكلمات نفسها وبالطريقة نفسها في النماذج الثلاثة. وفي الإنجليزية، لم يكن السبب هو النموذج، بل الجزء الذي يحوّل الحروف إلى رموز نطقية (القاموس)

ما الذي فعلته

النموذج: Matcha-TTS نفسه المستخدم في المرة السابقة (نحو 18.3 مليون معامل)، وVocos لإعادة التحويل إلى موجة صوتية (نحو 13.5 مليون معامل). المتحدث رجل واحد في العشرينيات من عمره.

فكرة جعل النموذج يتحدث ثلاث لغات: جعلتُ مدخلات النموذج رموزًا نطقية مشتركة بين اللغات الثلاث (IPA). الأصوات المتطابقة عبر اللغات، مثل «ʦ» و«ʨ»، تشترك في الرمز نفسه. ولتحديد اللغة التي سيتحدث بها، استخدمتُ الرقم المخصص أصلًا للتبديل بين المتحدثين على أنه «رقم اللغة».

• الكرواتية: لأنها لغة تُقرأ تقريبًا كما تُكتب، يكفي استبدال الحروف برموز نطقية واحدًا لواحد
• اليابانية: استخرجتُ القراءة والنبرة باستخدام OpenJTalk، وأضافتُ علامات لمواضع ارتفاع وانخفاض طبقة الصوت
• الإنجليزية: حوّلتها إلى رموز نطقية باستخدام g2p_en (قاموس نطق CMU، ونموذج صغير يتوقع نطق الكلمات غير الموجودة في القاموس)

بيانات التدريب: تسجيلات صوتية للرجل نفسه وهو يقرأ حوارات بثلاث لغات. بعد مقارنة التسجيلات بالنصوص عبر التعرّف على الكلام واستبعاد أخطاء القراءة، كان الحجم 9.4 ساعات للكرواتية، و9.7 ساعات لليابانية، و8.3 ساعات للإنجليزية (نحو 27 ساعة إجمالًا). أسمي هذا «نسخة العشر ساعات».

بعد ذلك، استخرجتُ عشوائيًا خمس ساعات بالضبط من كل لغة (15 ساعة إجمالًا) لتكون «نسخة الخمس ساعات»، وثلاث ساعات من كل لغة (9 ساعات إجمالًا، نحو 5,800 مقطع) لتكون «نسخة الثلاث ساعات». وجعلتُ جميع الإعدادات الأخرى متطابقة (حجم النموذج، وحجم الدفعة، و60,000 خطوة). ولأن عدد الخطوات نفسه، فكلما قلت البيانات شاهد النموذج التسجيل الصوتي نفسه مرات أكثر (نسخة الثلاث ساعات نحو ثلاثة أضعاف نسخة العشر ساعات).

تم التدريب باستخدام بطاقة RTX 4090 واحدة، واستغرقت كل عملية تدريب من 6 إلى 8 ساعات ونصف.

مقارنة الأصوات أثناء التدريب

ركّبتُ الجمل التالية، غير الموجودة في بيانات التدريب، باستخدام النماذج في مراحل مختلفة من التدريب.

• الإنجليزية: Tomorrow we're going to the seaside, and the day after we'll visit my grandma in Split.
• اليابانية: 明日は海に行って、あさってはおばあちゃんの家に遊びに行く予定です。
• الكرواتية: Sutra idemo na more, a prekosutra ćemo posjetiti baku u Splitu.

من اليسار: نسخة العشر ساعات، ثم نسخة الخمس ساعات، ثم نسخة الثلاث ساعات.

الخطوة	نسخة 10 ساعات	نسخة 5 ساعات	نسخة 3 ساعات
1,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
2,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
3,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
4,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
5,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
10,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
20,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
30,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
40,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية
50,000	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية	الإنجليزية اليابانية الكرواتية

من الانطباع عند الاستماع، كانت 1,000 خطوة لا تزال غير واضحة في جميع النسخ. لكن في الإنجليزية، أصبح من الممكن بالفعل فهم ما يُقال تقريبًا. أما اليابانية، فكانت تختلف باختلاف النسخة؛ إذ جرى تفريغ هذه الجملة في نسخة الخمس ساعات حرفًا بحرف وبشكل صحيح عند 1,000 خطوة. في المقابل، أصبحت في نسخة العشر ساعات «أوسِوا ني ناتّيتي ميتِه كوداساي»، وفي نسخة الثلاث ساعات «أشيتا مادي نو ميدِكّو دي…»، أي تحولت إلى جمل مختلفة تمامًا.

عند 3,000 إلى 5,000 خطوة، أصبحت جميع النسخ قادرة على قراءة اليابانية والإنجليزية وفق النص. تأخرت الكرواتية قليلًا؛ إذ استمر سماع الكلمة الأولى «Sutra (غدًا)» على أنها «Sve» أو «Straj» أو «Satra» وغيرها حتى نحو 5,000 إلى 10,000 خطوة. بعد 20,000 خطوة، كان من الصعب جدًا تمييز الفروق بين النسخ الثلاث عند الاستماع.

بالأرقام

فرّغتُ جمل التقييم (14 جملة كرواتية و9 يابانية و9 إنجليزية، وكلها خارج بيانات التدريب) باستخدام Whisper large-v3، وقست معدل خطأ المحارف (CER) مقارنةً بالنص. وبالنسبة إلى اليابانية، حُوِّلت الكلمات أولًا إلى قراءتها بالكاتاكانا قبل المقارنة، حتى لا تُعدّ اختلافات كتابة الكانجي (مثل «あさって» و«明後日») أخطاءً.

أولًا، متوسط جميع الجمل الـ32 في اللغات الثلاث. الرقم بين القوسين هو عدد المطابقات التامة.

الخطوات	نسخة 10 ساعات	نسخة 5 ساعات	نسخة 3 ساعات
1,000	43.8%（2）	41.9%（2）	43.8%（1）
2,000	16.6%（7）	17.7%（12）	17.6%（9）
3,000	7.7%（16）	6.2%（16）	9.9%（14）
4,000	5.9%（21）	3.7%（19）	2.7%（25）
5,000	2.1%（23）	3.3%（20）	4.5%（23）
10,000	1.4%（24）	1.1%（23）	1.7%（24）
15,000	0.8%（26）	0.7%（26）	2.0%（24）
20,000	0.7%（27）	0.8%（26）	0.9%（25）
30,000	0.7%（28）	0.8%（26）	1.7%（26）
40,000	1.2%（25）	1.7%（26）	0.7%（26）
45,000	3.9%（25）	0.7%（28）	0.7%（27）
50,000	0.7%（28）	0.7%（26）	0.7%（28）
60,000	1.8%（26）	0.8%（27）	1.9%（25）

وعند النظر بحسب اللغة، تصبح النتائج كالتالي (الكرواتية / اليابانية / الإنجليزية).

الخطوات	نسخة 10 ساعات	نسخة 5 ساعات	نسخة 3 ساعات
5,000	2.8 / 1.2 / 1.8%	6.5 / 1.2 / 0.3%	2.0 / 1.8 / 11.1%
10,000	2.2 / 1.2 / 0.3%	1.7 / 1.2 / 0.3%	2.9 / 1.2 / 0.3%
20,000	0.8 / 1.2 / 0.0%	0.9 / 1.2 / 0.0%	0.8 / 1.8 / 0.3%
30,000	0.7 / 1.2 / 0.0%	1.1 / 1.2 / 0.0%	3.2 / 1.2 / 0.0%
50,000	0.7 / 1.2 / 0.0%	0.9 / 1.2 / 0.0%	0.7 / 1.2 / 0.0%

• كانت أفضل النتائج لنسخة العشر ساعات عند 30,000 و50,000 خطوة، ولنسخة الخمس ساعات عند 45,000 خطوة، ولنسخة الثلاث ساعات عند 50,000 خطوة. بلغت جميعها 0.7% إجمالًا، مع تطابق تام في 28 جملة من أصل 32، أي إن النسخ الثلاث وصلت إلى النتيجة نفسها
• المواضع التي تقفز فيها الأرقام أثناء التدريب تعود غالبًا إلى اختلاف كلمة واحدة. مثلًا، فُرِّغت «Bok! (مرحبًا)» على أنها «Bog»، و«Hi!» على أنها «Bye.»؛ وفي الجمل القصيرة من كلمة أو كلمتين، يكفي اختلاف حرف واحد لكي يقفز معدل الخطأ كثيرًا
• في نسخة الثلاث ساعات، بلغت الكرواتية مستوى 3% في الفترة من 15,000 إلى 35,000 خطوة. وعند فحص التفاصيل، كان معظم ذلك جملة واحدة تُقرأ فيها «Bok!» على أنها «Blok». وقد صُحّح ذلك عند 50,000 خطوة. ويبدو أن قلة البيانات تجعل التخلص من عادات الجمل القصيرة يستغرق وقتًا أطول
• نسبة 1.2% في اليابانية ناتجة في كل مرة عن جملة واحدة فقط، إذ يُفرَّغ «しーっ» في «しーっ、静かに。」 على أنه «し». وهذه مسألة تتعلق بمدى كتابة علامة المد، فعند الاستماع يُقال فعلًا «しーっ» بشكل صحيح
• أما الأخطاء المتبقية في الكرواتية، فمعظمها عادات من جهة التفريغ، مثل كتابة «prekosutra (بعد غد)» في كلمتين: «preko sutra»

كان الفرق بين 10 ساعات و5 ساعات و3 ساعات ضمن هامش الخطأ. فعلى الأقل من حيث «إمكان القراءة وفق النص»، كانت ثلاث ساعات لكل لغة كافية. لكن نسخة الثلاث ساعات استغرقت وقتًا أطول حتى تستقر، لذا من الأفضل تشغيلها لأكثر من 40 ألف خطوة.

المقارنة بجمل مليئة بالمصطلحات المتخصصة

إذا كانت البيانات القليلة تكفي للمحادثات المعتادة، فهل ستكون البيانات الأكثر أقوى عند الكلمات الصعبة التي لا تظهر تقريبًا في بيانات التدريب؟ انطلاقًا من هذا التساؤل، أعددت 10 جمل مكتظة بمصطلحات متخصصة في الطب وتقنية المعلومات والقانون والكيمياء والتمويل وغيرها، وجعلت النماذج تقرؤها باللغات الثلاث. استُخدم إصدار 50,000 خطوة من كل نموذج.

1. نظرًا للاشتباه في احتشاء عضلة القلب، يُرجى تجهيز تصوير الشرايين التاجية والعلاج الحالّ للخثرات على وجه السرعة.
   • نشتبه في احتشاء عضلة القلب، لذا يُرجى تجهيز تصوير الشرايين التاجية والعلاج الحالّ للخثرات فورًا.
   • نشتبه في احتشاء عضلة القلب، لذا جهّزوا فورًا تصوير الأوعية التاجية والعلاج الحالّ للخثرات.
2. تجمع هذه الخوارزمية بين شبكة عصبية التفافية وبنية متكررة.
   • تجمع هذه الخوارزمية بين شبكة عصبية التفافية وبنية متكررة.
   • تجمع هذه الخوارزمية بين شبكة عصبية التفافية وبنية متكررة.
3. طلب محامي المدعى عليه البراءة في الاستئناف مستندًا إلى جمع الأدلة بصورة غير قانونية.
   • طالب محامي المدعى عليه بالبراءة في الاستئناف، مستشهدًا بالحصول غير القانوني على الأدلة.
   • طلب محامي المتهم حكمًا بالبراءة في إجراءات الاستئناف بسبب أدلة جُمعت بصورة غير قانونية.
4. في عملية البناء الضوئي، تعمل سلسلة نقل الإلكترون في غشاء الثايلاكويد داخل البلاستيدة الخضراء، ويُصنَّع الأدينوسين ثلاثي الفوسفات.
   • في عملية البناء الضوئي، تنتج سلسلة نقل الإلكترون في غشاء الثايلاكويد داخل البلاستيدة الخضراء الأدينوسين ثلاثي الفوسفات.
   • في عملية البناء الضوئي، تنتج سلسلة نقل الإلكترون في غشاء الثايلاكويد داخل البلاستيدة الخضراء الأدينوسين ثلاثي الفوسفات.
5. يمكن لتوزيع مفاتيح التشفير القائم على التشابك الكمي أن يكتشف، من حيث المبدأ، أي تنصت.
   • يمكن لتوزيع المفاتيح الكمية القائم على التشابك أن يكتشف أي تنصت من حيث المبدأ.
   • يمكن لتوزيع المفاتيح الكمية القائم على التشابك أن يكتشف من حيث المبدأ أي تنصت.
6. قرر البنك المركزي، استجابةً لارتفاع معدل التضخم، رفع أسعار الفائدة وبدء التشديد الكمي.
   • استجابةً لارتفاع التضخم، قرر البنك المركزي رفع أسعار الفائدة وبدء التشديد الكمي.
   • بسبب ارتفاع التضخم، قرر البنك المركزي رفع أسعار الفائدة وبدء التشديد الكمي.
7. يُستخدم لدى مرضى الفصال العظمي في الركبة الجمع بين حقن حمض الهيالورونيك داخل المفصل والعلاج الطبيعي.
   • يتلقى مرضى الفصال العظمي في الركبة حقن حمض الهيالورونيك داخل المفصل بالاشتراك مع العلاج الطبيعي.
   • يتلقى مرضى الفصال العظمي في الركبة حقنًا داخل المفصل من حمض الهيالورونيك مع العلاج الطبيعي.
8. يحمل هذا الجسر بلاطة سطح من الخرسانة المسلحة على جسور من الخرسانة مسبقة الإجهاد.
   • يدعم هذا الجسر بلاطة سطح من الخرسانة المسلحة على جسور من الخرسانة مسبقة الإجهاد.
   • يحمل هذا الجسر بلاطة من الخرسانة المسلحة على عوارض خرسانية مسبقة الإجهاد.
9. تتحقق بورصة العملات المشفرة من سلامة دفتر الأستاذ الموزع باستخدام خوارزمية توافق.
   • تتحقق بورصة العملات المشفرة من سلامة دفتر الأستاذ الموزع الخاص بها بخوارزمية توافق.
   • تتحقق بورصة العملات المشفرة من تكامل دفتر الأستاذ الموزع بخوارزمية إجماع.
10. يؤدي الإفراط في استخدام المضادات الحيوية إلى ظهور بكتيريا متعددة المقاومة للأدوية ويزيد خطر العدوى المكتسبة من المستشفيات.

• يؤدي الاستخدام المفرط للمضادات الحيوية إلى بكتيريا متعددة المقاومة للأدوية ويزيد خطر العدوى المكتسبة من المستشفيات.
• يؤدي الاستخدام المفرط للمضادات الحيوية إلى بكتيريا متعددة المقاومة ويزيد خطر العدوى في المستشفيات.

الجملة	إصدار 10 ساعات	إصدار 5 ساعات	إصدار 3 ساعات
1. هناك اشتباه باحتشاء عضلة القلب، لذا يُرجى تجهيز تصوير الأوعية التاجية والعلاج الحالّ للخثرات على وجه السرعة.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
2. تتكون هذه الخوارزمية من بنية تجمع بين الشبكات العصبية الالتفافية والشبكات المتكررة.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
3. طالب محامي المتهم بالبراءة في الاستئناف بسبب جمع الأدلة بصورة غير قانونية.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
4. في عملية البناء الضوئي، تعمل سلسلة نقل الإلكترونات في غشاء الثايلاكويد داخل البلاستيدات الخضراء، ويُصنّع الأدينوسين ثلاثي الفوسفات.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
5. يتيح توزيع مفاتيح التشفير باستخدام التشابك الكمومي كشف التنصت من حيث المبدأ.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
6. قرر البنك المركزي رفع سعر الفائدة الأساسي وتشديد السياسة الكمية استجابةً لارتفاع معدل التضخم.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
7. لمرضى الفصال العظمي في الركبة، نستخدم الحقن داخل المفصل بحمض الهيالورونيك إلى جانب العلاج الطبيعي.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
8. يدعم هذا الجسر بلاطةً من الخرسانة المسلحة باستخدام عوارض من الخرسانة سابقة الإجهاد.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
9. تتحقق بورصة العملات المشفرة من سلامة دفتر الأستاذ الموزع باستخدام خوارزمية الإجماع.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية
10. يؤدي الإفراط في استخدام المضادات الحيوية إلى ظهور بكتيريا مقاومة لأدوية متعددة، ويزيد خطر العدوى المكتسبة في المستشفيات.	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية	إنجليزية يابانية كرواتية

النتائج.

	الكرواتية	اليابانية	الإنجليزية	التطابق التام من أصل 30 جملة
نسخة 10 ساعات	0.6%	1.5%	4.6%	17
نسخة 5 ساعات	0.3%	1.0%	3.9%	20
نسخة 3 ساعات	0.5%	1.0%	4.1%	18

لم تكن النتيجة أن نسخة 10 ساعات أقوى. كانت النماذج الثلاثة متقاربة، بل إن نسخة 5 ساعات كانت أفضل قليلًا. وللاحتياط، قستُ نسختَي 10 ساعات و5 ساعات أيضًا باستخدام نموذج عند 60,000 خطوة، فانقلبت النتيجة إلى 1.9% لنسخة 10 ساعات و2.0% لنسخة 5 ساعات. أي إن هذا الفارق مجرد تذبذب عرضي، ولا يمكن القول إن أيًّا منها أفضل. بالمناسبة، نسخة 3 ساعات وحدها أُجري لها التوليد والنسخ على المعالج المركزي CPU لأن وحدة GPU كانت مشغولة بعمل آخر. ولذلك اختلفت الظروف قليلًا.

المثير للاهتمام كان طبيعة الأخطاء.

• الكلمة الإنجليزية «cryptocurrency» فُهمت في النماذج الثلاثة جميعها على نحو يشبه «Kripke-Kunershi» و«Kripke-Kinoshi» و«Kripik-Innershi»
• وكذلك «intra-articular» و«multidrug-resistant» و«angiography»، انهارت بالطريقة نفسها تقريبًا في النماذج الثلاثة
• عبارة «冠動脈造影» اليابانية نُسخت في النماذج الثلاثة جميعها على أنها «〜増え»، و«床版» على أنها «障板»
• الكلمة الكرواتية «pooštravanje (تشديد)» فُهمت في جميع النماذج على أنها «poštravanje»

نماذج تختلف كمية بياناتها تخطئ بالطريقة نفسها في الكلمات نفسها. وبالنسبة إلى الإنجليزية، كان السبب واضحًا: لم يكن في النموذج، بل في الجزء الذي يحوّل الحروف إلى رموز نطق.

هذا النموذج لا يقرأ الحروف مباشرة، بل يقرأ رموز النطق. في الإنجليزية، يخمّن g2p_en نطق الكلمات غير الموجودة في القاموس. وعند التحقق فعليًا، تبيّن أن «cryptocurrency» تحوّلت إلى رموز نطق قريبة من «كريباكيوناشي»، وأن «angiography» تحوّلت إلى رموز نطق أُضيف فيها حرف n في الوسط. وبما أن النموذج لا يفعل سوى تحويل رموز النطق المعطاة إليه إلى صوت كما هي، فإنه يخطئ في المواضع نفسها سواء كانت بيانات التدريب 10 ساعات أم 3 ساعات.

أما اليابانية فالوضع مختلف قليلًا. كانت قراءة OpenJTalk صحيحة: «床版（ショーバン）» و«冠動脈造影（カンドーミャクゾーエー）». وتحول «床版» إلى «障板» هو استخدام كانجي مختلف له القراءة نفسها، لذا فالقراءة نفسها صحيحة. أما تحول «造影» إلى «増え»، فلا يمكن لطريقة القياس هذه أن تميّز إن كان Whisper قد قرّب كلمة نادرة إلى كلمة مألوفة، أم أن نطق النموذج لم يكن دقيقًا بما يكفي. لكن هنا أيضًا، أخطأت النماذج الثلاثة بالطريقة نفسها.

بمعنى آخر، في هذه المنظومة، تتحدد قوة التعامل مع المصطلحات الإنجليزية المتخصصة، على الأقل، بقاموس النطق لا بكمية بيانات التدريب. إذا أردتَ تقويتها في المصطلحات المتخصصة، فتسجيل الكلمات في القاموس أسرع من زيادة البيانات.

الخلاصة

• أمكن جعل ثلاثة لغات ينطق بها نموذج صغير واحد (نحو 32 مليون معلَمة إجمالًا)
• بيانات التدريب سواء كانت 10 ساعات أو 5 ساعات أو 3 ساعات لكل لغة، كانت دقة القراءة في النهاية متقاربة جدًا. تستغرق نسخة 3 ساعات وقتًا أطول قليلًا حتى تستقر
• لم يظهر فرق حتى في المصطلحات المتخصصة. تحدث الأخطاء من جهة قاموس النطق، ولا تُصلحها كمية البيانات

إنشاء البيانات يستهلك وقتًا ومالًا، لذا يبدو مناسبًا أن تبدأ بثلاث ساعات لكل لغة، ثم تضيف المزيد إن لم تكفِ. أخطط بعد ذلك، بناءً على هذه النتائج، لزيادة عدد اللغات إلى عشر. لكن ما قسته هذه المرة هو فقط «ما الذي يُقال». ففي جوانب لا يمكن قياسها بمعدل خطأ الحروف، مثل طبيعية الصوت واتساع نطاق المشاعر، قد تكون البيانات الأكثر أفضلية. أريد التحقق من ذلك بالاستماع.