earshot حزمة مفتوحة المصدر بترخيص MIT تمنح وكلاء البرمجة «أذنين». تعمل محليًا على المعالج، كأداة سطر أوامر وواجهة Python وخادم MCP.
الرقم الأبرز يأتي من المؤلف نفسه: حكم «strong» صحيح في نوع الصوت بنسبة 98%، وفي التنويعة المحددة بنسبة 61% فقط. فاعتمد عليها لتصنيف الصوت عمومًا، لا لتحديد التنويعة بدقة.
الخلاصة أولًا
- الدقة المعلنة: يذكر ملف README أنه على مكتبة محجوزة من 125 تسجيلًا حقيقيًا كان حكم «strong» صحيحًا في نوع الصوت بنسبة 98% وفي التنويعة المحددة بنسبة 61%.
- مصدر الرقم: هذا فحص المؤلف نفسه وليس دقة مستقلة.
- التشغيل: على المعالج، مع Python 3.10 فأعلى وffmpeg، وتنزيل نحو 1.1 غيغابايت من النماذج عند أول استخدام.
- حدوده: ليست أداة تفريغ كلام، ولا تقول شيئًا عن العربية.
ماذا يفعل earshot؟
| الوظيفة | ما يصفه README |
|---|---|
| الوصف والمطابقة | يضع وسومًا للصوت ويقيّم تطابقه مع وصف نصي: قوي أو محتمل أو ضعيف أو لا تطابق. يعتمد على النموذجين CLAP وAST |
| البحث والترتيب | يرتّب ملفات بحسب وصف ويجد أفضل اللحظات في تسجيلات طويلة |
| القياس | LUFS وأعلى ذروة حقيقية والطيف، دون نماذج |
| توليد الصوت | «Forge» يصنع أصواتًا من الشفرة، وبنك من 201 مؤثرًا معرّفًا بالشفرة |
| التشغيل | على المعالج، Python 3.10 فأعلى وffmpeg، وتنزيل نحو 1.1 غيغابايت من النماذج عند أول استخدام |
ما الذي اختبره المؤلف، وماذا تعني نتائجه؟
- المطابقة: 98% لنوع الصوت و61% للتنويعة المحددة، على 125 تسجيلًا محجوزًا عند حكم «strong». لا تصف الصفحة هذه التسجيلات بأنها محجوبة الهوية.
- حقيقي مقابل مولَّد: ROC-AUC يساوي 0.92. الأحكام الحاسمة تخطئ في 6.7% من المقاطع الحقيقية وفي 5.5% من المولَّدة، ونحو الخُمس يُصنَّف «غير مؤكد».
- اختبار Forge الأعمى: اختار مستمع الصوت المصنوع 8 مرات من 15، ويصفه المؤلف بأنه كرمي عملة. بحسابنا، 8 من 15 تساوي 53% تقريبًا، أي قريبة جدًا من الصدفة.
هذه تقييمات المؤلف على مكتبته هو، فاقرأها سلوكًا معلنًا ذاتيًا للأداة. ومعنى الفرق بين 98% و61% أن الأداة تعرف «ما هذا الصوت» غالبًا، وتتعثر حين تسأل «أي نسخة منه بالضبط».
ماذا يقول المؤلف إنها لا تستطيعه؟
يحذّر README من أن Forge يحسّن نماذج earshot نفسها، وقد تُرضى النماذج دون أن يتحسن الصوت. لذلك يوصي المؤلف بقياسات بلا نماذج وبالاستماع البشري.
ويقول إن earshot لا يحكم على الذوق ولا العاطفة ولا المصدر ولا الترخيص ولا مضمون الكلام ولا المحتوى فوق 14 كيلوهرتز. والوسوم داخل المزيج المزدحم تلميحات فقط. وهي ليست أداة تفريغ كلام، ولا تقول شيئًا عن العربية.
ماذا تتحقق منه قبل الاستخدام؟
- تراخيص النماذج: الشفرة MIT، لكن CLAP بترخيص Apache-2.0 وAST بترخيص BSD-3-Clause، بشروط مؤلفيهما.
- السرعة: كل استدعاء من سطر الأوامر يعيد تحميل النماذج في نحو 20 إلى 40 ثانية. ويُبقيها خادم MCP محمّلة.
لمن يناسب ومتى تتجاوزه؟
نقترح أن يجرّبه من يحتاج وسومًا سريعة وبحثًا في مكتبة صوتية كبيرة على جهاز بلا بطاقة رسوميات. ونقترح أن يتجاوزه من يحتاج تفريغ كلام أو حكمًا على الجودة الفنية أو دعمًا للعربية، فالمؤلف نفسه ينفي ذلك.
ماذا تفعل بعد ذلك؟
- راجع تراخيص النموذجين قبل أي استخدام، فشروطهما من مؤلفيهما لا من earshot.
- إن كنت ستستدعيه مرارًا، نقترح خادم MCP حتى لا تُعاد النماذج في كل مرة، فتوفر 20 إلى 40 ثانية في كل استدعاء.
- لا تعتمد على أحكامه وحدها. يوصي المؤلف بإضافة قياسات بلا نماذج واستماع بشري.
أسئلة وأجوبة حول earshot
هل يفرّغ earshot الكلام؟
لا. يعدّ المؤلف مضمون الكلام ضمن ما لا يحكم عليه.
هل يحتاج إلى بطاقة رسوميات؟
لا. يقول README إنه يعمل على المعالج فقط.
كم حجم ما سأنزّله؟
نحو 1.1 غيغابايت من النماذج عند أول استخدام.
هل يميّز الصوت الحقيقي من المولَّد؟
جزئيًا. ROC-AUC يساوي 0.92، والأحكام الحاسمة تخطئ في 6.7% من الحقيقي و5.5% من المولَّد، ونحو الخُمس يُصنَّف «غير مؤكد».
مصطلحات بلغة مبسطة
- README: ملف تعريف يرافق المشروع ويشرح ما يفعله.
- MCP: طريقة تتيح لوكلاء الذكاء الاصطناعي استخدام أدوات خارجية.
- LUFS: مقياس لشدة الصوت كما يسمعها الإنسان.
- ROC-AUC: رقم بين 0 و1 يقيس قدرة المصنِّف على التفريق بين فئتين.
المصادر
قُرئت الوقائع في 21 أكتوبر 2026.
