دراسة إماراتية: تحديثات نماذج الكلام تكشف عمر المستخدم بدقة 100%

أبرز النقاط

1. باحثون في جامعة محمد بن زايد للذكاء الاصطناعي استخرجوا عمر المتحدث ولكنته من تحديثات أوزان النماذج.
2. الهجوم لا يحتاج إلى سماع صوت المستخدم، بل يحلل تغيّر أوزان النموذج بعد ضبطه على جملة واحدة.
3. النتائج تضع التعلم الموحّد، المعتمد كضمانة خصوصية في تطبيقات الصوت، تحت مراجعة أمنية جديدة.

خبر:

تحديثات الأوزان التي ترسلها تطبيقات الصوت إلى الخوادم تكفي لاستخراج عمر المستخدم ولكنته بدقة تصل إلى 100%، وفق دراسة نشرتها جامعة محمد بن زايد للذكاء الاصطناعي في أبوظبي يوم 26 أكتوبر 2026. الدراسة اختبرت ثلاثة من أكثر نماذج تمييز الكلام انتشاراً، وخلصت إلى أن التسرّب يحدث من دون أي وصول إلى التسجيل الصوتي نفسه.

تفصيل:

• فريق البحث: أعدّ الدراسة حمدان العلي، طالب الدكتوراه في جامعة محمد بن زايد للذكاء الاصطناعي، مع الأستاذة المساعدة لمعالجة اللغة الطبيعية حنان الدرمكي، وعلي رضا غافامي‌بور من جامعة ماستريخت، وتوماسو كاسيلي وفاتح تركمن من جامعة غرونينغن، وزيراك طلعت من جامعة إدنبرة. وعُرضت في مؤتمر Interspeech 2026 بسيدني.
• آلية الهجوم: اعتمد الباحثون هجوم الصندوق الأبيض: درّبوا نماذج ظل، وهي نسخ من النموذج العام، على عينات كلام معروفة الصفات من حيث العمر واللكنة والمشاعر واضطرابات الكلام، ثم طابقوا تحديثات وزن نموذج مستخدم جديد بعد ضبطه على جملة واحدة فقط بأنماط تلك النسخ.
• النماذج المختبرة: شمل الاختبار ثلاثة نماذج لتمييز الكلام واسعة الاستخدام هي Wav2Vec2 وHuBERT وWhisper، وتفاوتت نتائج التسرّب بينها بحسب الخاصية المستهدفة، من دون أن ينجو أي منها من كشف العمر أو الخلفية اللغوية.
• أرقام العمر: بلغت دقة تحديد الفئة العمرية للمستخدم 100% عبر نموذج Wav2Vec2، و97% عبر HuBERT، و94% عبر Whisper، أي أن أضعف النماذج الثلاثة في هذا الاختبار ظل قادراً على تصنيف المتحدث عمرياً في أكثر من تسع حالات من كل عشر.
• أرقام اللكنة: في تحديد ما إذا كان المتحدث أصلياً للغة الإنجليزية، سجّل Wav2Vec2 دقة 100%، وWhisper 93%، وHuBERT 80%. وفي تحليل أدق لعشر لكنات بينها العربية والماندرين والتركية عبر Wav2Vec2، لم تقل الدقة عن 90% لأي لكنة.
• ما لم يتسرّب: لم يتسرّب الجنس تقريباً في أي من النماذج الثلاثة، بينما تركّز تسرّب المشاعر واضطراب النطق (Dysarthria) أساساً في نموذج Whisper، ما يشير إلى أن طبيعة النموذج نفسه تحدد أي الخصائص الشخصية تصبح قابلة للاستخراج.
• تقدير الباحث: قال العلي إن الخطر يكمن في إمكان التمييز أو المراقبة أو التحيّز ضد المستخدمين، ورجّح أن تمثيل مجموعات متنوعة من المتحدثين في بيانات التدريب الأولية يقلّل حجم هذا التسرّب لاحقاً. وأضاف أن الدرس يتجاوز الكلام: “كل مرة نُدرّب نموذج ذكاء اصطناعي، فإنه يكشف كثيراً عن هوية المستخدم النهائي”.
• حدود التوصية: الدراسة لا تدعو إلى التوقف عن استخدام التعلم الموحّد، لكنها تحذّر من أن الهجمات المتطورة قد تحدد خصائص أفراد بعينهم ضمن مجموعات صغيرة جداً من المستخدمين، حيث يصعب إخفاء الفرد داخل متوسط عام.

خلفية:

التعلم الموحّد طُرح كبديل يحمي الخصوصية: يبقى الصوت على جهاز المستخدم ولا يُرسل إلى الخادم سوى تحديثات رياضية لأوزان النموذج. وعلى هذا الأساس بُنيت مساعدات صوتية وتطبيقات إملاء وخدمات تفريغ كلام.

بين السطور:

نتائج الدراسة تنقل النقاش من مكان تخزين الصوت إلى محتوى التحديثات نفسها. فإذا كانت جملة واحدة كافية لتصنيف عمر المتحدث بدقة 100% ولكنته بدقة لا تقل عن 90%، فإن وعد التعلم الموحّد بعدم مغادرة البيانات للجهاز يصبح وعداً جزئياً. وتحذير العلي من التمييز والمراقبة يكتسب ثقله من أن اللكنة والعمر خاصيتان تُبنى عليهما قرارات تأمين وتوظيف وتسعير.

ماذا بعد؟

يُتابع ما إذا كانت شركات المساعدات الصوتية ستعدّل بروتوكولات التعلم الموحّد لديها، ومدى تبنّي توصية الفريق بتنويع المتحدثين في بيانات التدريب الأولية، إضافة إلى أوراق لاحقة تختبر النماذج على مجموعات مستخدمين صغيرة.