منصة بهاشيني تقدم الصوت بـ22 لغة هندية والنص بـ36 لغة، ومختبر في معهد الهند للتكنولوجيا في مدراس بنى نموذج الترجمة المفتوح للغات الجدول الثامن الاثنتين والعشرين كلها

قدمت منصة بهاشيني، المنصة اللغوية لحكومة الهند، خدمات صوتية بـ22 لغة وخدمات نصية بـ36 لغة حتى 9 فبراير 2026، بحسب ورقة خلفية صادرة عن مكتب معلومات الصحافة (PIB)، الذراع الإعلامية للحكومة. وتذكر الوثيقة نفسها أن المنصة تستضيف أكثر من 350 نموذجا ومجموعة بيانات من نماذج الذكاء الاصطناعي، وأنجزت أكثر من 4 مليارات عملية استدلال لغوي، أي 400 كرور، وتعني كل عملية منها تشغيل نموذج مرة واحدة على طلب واحد.

وتأتي مجموعات البيانات والنماذج المفتوحة لهذه المنصة من AI4Bharat، وهو مختبر في معهد الهند للتكنولوجيا (IIT) في مدراس، يعمل وحدة لإدارة البيانات في المهمة. ويصف مؤلفو نموذجه للترجمة IndicTrans2 أنه الأول الذي يدعم اللغات الاثنتين والعشرين المدرجة في الجدول الثامن من الدستور.

مهمة بدأت في يوليو 2022

بهاشيني هو الاسم المتداول للمهمة الوطنية لترجمة اللغات. وتديرها وزارة الإلكترونيات وتكنولوجيا المعلومات (MeitY) عبر شعبة بهاشيني في الهند الرقمية، وهي بحسب الموقع الرسمي شعبة مستقلة تابعة لمؤسسة الهند الرقمية. ويُفك الاسم إلى «BHASa INterface for India» في ورقة الحقائق التي أصدرها PIB في أغسطس 2022، وتقول إن رئيس الوزراء أطلقها في افتتاح أسبوع الهند الرقمية 2022 في غانديناغار. أما رواية Swarajya فتحدد التاريخ بـ4 يوليو 2022 وتذكر مخصصات قدرها 495.51 كرور روبية لثلاث سنوات.

وتسرد ورقة الحقائق ثلاثة أهداف. أولها أن يصل المواطنون إلى الإنترنت والخدمات الرقمية بلغات الهند، ومنها عبر الصوت. وثانيها جهد جماعي اسمه بهاشا دان يجمع بيانات اللغات من الناس. وثالثها أن تعمل بهاشيني منسقا يجمع مساهمات الحكومة والصناعة والجامعات والشركات الناشئة في مستودع مفتوح.

وبحلول فبراير 2026 وصف PIB الخدمات بأنها الترجمة، والتحويل من الكلام إلى نص، ومن النص إلى كلام، والتحويل بين الأبجديات (كتابة الكلمة بخط آخر)، وفهم الوثائق. والغاية، بتعبيره، أن تضيف المنصات الأخرى ميزات اللغة والصوت دون أن تبنيها من الصفر. وكانت المنصة قد تجاوزت 1.2 مليون تنزيل في ورقة PIB الخلفية الصادرة في 10 فبراير 2026، وأدرج الموقع الرسمي أكثر من 1.4 مليون تنزيل لتطبيق الهاتف حين قرأه tuput في 15 أكتوبر 2026. ويتناول تقرير tuput عن بناء الهند للذكاء الاصطناعي بلغاتها البرنامج الحكومي الأوسع للذكاء الاصطناعي، بما فيه تمويل الحوسبة.

المختبر في معهد الهند للتكنولوجيا في مدراس

يصف AI4Bharat نفسه بأنه مختبر بحثي في معهد الهند للتكنولوجيا في مدراس يعمل على الذكاء الاصطناعي للغات الهند عبر مساهمات مفتوحة المصدر. ومجالات تركيزه المعلنة هي التحويل بين الأبجديات، وفهم اللغة وتوليدها، والترجمة، والتعرف على الكلام، وتوليف الكلام. وتذكر صفحته الرئيسية من الجهات الممولة MeitY ومؤسسة Rohini Nilekani Philanthropies ومؤسسة EkStep وC-DAC ومايكروسوفت وغوغل وYotta Infrastructure.

وتنسب الصفحة إلى MeitY منحا لجمع بياناته، وتعدّ ذلك جزءا من وحدة إدارة البيانات في بهاشيني. وتقول ورقة IndicTrans2 الأمر نفسه في شكرها: فالمترجمون والمراجعون وخبراء اللغة في ذلك المشروع دُعموا بمنحة من مهمة بهاشيني للهند الرقمية إلى معهد الهند للتكنولوجيا في مدراس لأداء هذا الدور.

وفي مارس 2023 قال مدير المعهد في مدراس، V Kamakoti، لموقع Moneycontrol إن الباحثين في مركز Nilekani التابع لـAI4Bharat لديهم مترجم نصي يعمل بتسع لغات، ضمن بهاشيني. ويضيف التقرير أن المركز بدأ عام 2022 بمنحة قدرها 36 كرور روبية من Nilekani Philanthropies.

IndicTrans2، النموذج الذي يغطي اللغات الاثنتين والعشرين

في الهند 22 لغة مدرجة في الجدول الثامن، وتشير الورقة إلى أن نحو 97 في المئة من السكان يتحدثون إحداها لغة أولى. وللاطلاع على كيفية اختيار تلك اللغات الاثنتين والعشرين، انظر شرح tuput عن الجدول الثامن.

نُشرت ورقة IndicTrans2، التي كتبها 14 مؤلفا بقيادة Jay Gala وPranjal Chitale، على arXiv في 25 مايو 2023، وصدرت في دورية Transactions on Machine Learning Research في ديسمبر 2023. ويقول ملخصها إنه لم تكن قبل هذا العمل بيانات تدريب متوازية تغطي اللغات الاثنتين والعشرين كلها (الجمل نفسها بلغتين، يتعلم منها النموذج)، ولا معيار اختبار يغطيها كلها، ولا نموذج ترجمة يدعمها كلها.

وبنى الفريق ثلاثة أشياء. أولها مجموعة Bharat Parallel Corpus Collection (BPCC) وفيها نحو 230 مليون زوج من الجمل، أضيف منها 126 مليونا حديثا، بينها 644 ألف زوج ترجمها بشر يدويا. وثانيها IN22، وهي مجموعة اختبار يصفها المؤلفون بأنها أول معيار يحمل المحتوى نفسه بجميع اللغات الاثنتين والعشرين. وثالثها IndicTrans2 نفسه، وفيه 1.1 مليار معامل، مع نسخ مقطّرة بنحو 211 مليون معامل، وإصدار ثان يترجم مباشرة بين اللغات الهندية دون المرور بالإنجليزية، ويغطي 462 اتجاها.

وعن الجودة، يذكر المؤلفون أن IndicTrans2 يؤدي أداء مكافئا لنموذج NLLB المفتوح من ميتا وللأنظمة التجارية من غوغل ومايكروسوفت، بمقاييس آلية تسمى BLEU وchrF++ وCOMET. وهذه تقييمات المؤلفين أنفسهم. وتقول الورقة أيضا إن ورشة الترجمة الآلية، وهي مسابقة مشتركة قديمة، لم تغطّ سوى 4 لغات هندية في مجموعها على مدى 16 عاما.

وأُتيحت النماذج والبيانات برخص مفتوحة. ويدرج مستودع GitHub نقاط حفظ النماذج برخصة MIT، وتسجل ملاحظات الإصدار تحديثا للسياق الطويل في 18 يناير 2025. كما يدرج مستودع الذكاء الاصطناعي الهندي AIKosh مدخلا لـIndicTrans2 تظهر فيه شعبة بهاشيني في الهند الرقمية جهة مصدر. ولا تذكر أي من الصفحات التي فتحها tuput أي نموذج يعمل داخل خدمة بعينها من خدمات بهاشيني، ولذلك لا يزعم هذا المقال ذلك.

بيانات النص والكلام التي تقوم عليها

يعتمد IndicTrans2 على إصدارات سابقة من المجموعة نفسها. وأولها IndicNLPSuite، الذي نُشر في Findings of EMNLP في نوفمبر 2020. وقدم نصوصا أحادية اللغة بـ8.8 مليار رمز في 11 لغة والإنجليزية الهندية، مستمدة في معظمها من زحف أخبار الويب، ونماذج لغوية مدربة مسبقا مبنية على تصميم ALBERT المدمج.

ورفعت متابعة ACL 2023، التي كتبها Sumanth Doddapaneni وزملاؤه، المدونة (IndicCorp) إلى 20.9 مليار رمز في 24 لغة، أي نحو 2.3 ضعف الحجم السابق. وقدمت أيضا IndicXTREME، وهو معيار من تسع مهام في 20 لغة بـ105 مجموعات تقييم، منها 52 جديدة، وIndicBERT v2، وهو نموذج لغوي يقول المؤلفون إنه يتفوق على خط أساس قوي بنقطتين في المتوسط.

وفي الكلام، تضم مدونة Kathbath في ورقة IndicSUPERB 1,684 ساعة من الكلام الموسوم بـ12 لغة من 1,218 مساهما في 203 مناطق. أما IndicVoices، الذي نُشر في مارس 2024، ففيه 7,348 ساعة من 16,237 متحدثا في 145 منطقة وبـ22 لغة، نُسخت منها 1,639 ساعة. وتبلغ نسبة النص المقروء فيه 9 في المئة فقط، مقابل 74 في المئة من الكلام الارتجالي و17 في المئة من المحادثة.

أين يُستخدم

تذكر ورقة PIB الخلفية الصادرة في فبراير 2026 حدثين. ففي Kashi Tamil Sangamam في فاراناسي، تُرجم خطاب رئيس الوزراء بالهندية إلى التاميلية فوريا عبر بهاشيني. وفي ماها كومبه 2025، قدم روبوت دردشة يعمل ببهاشيني اسمه Kumbh Sah’AI’yak للحجاج معلومات الملاحة والفعاليات بـ11 لغة، وشغّل خدمة المفقودات مع ترجمة حية بالنص والصوت. ويقتبس الموقع الرسمي أيضا قول رئيس الوزراء إن خطابه في احتفالات المحكمة العليا باليوبيل الماسي عام 2024 تُرجم إلى الإنجليزية فوريا.

وانضم البرلمان في 18 مارس 2025. فقد وقّعت أمانة لوك سابها ووزارة MeitY اتفاقا لـSansad Bhashini، يقدم فيه البرلمان أرشيف مناقشاته لضبط الأدوات وتقدم بهاشيني الترجمة. ويسرد بيان PIB أربعة استخدامات مخططة: ترجمة وثائق المناقشات السابقة إلى اللغات الإقليمية، وروبوت دردشة لموقع البرلمان، وتحويل الكلام إلى نص بلغات الهند، وتحويل الكلام إلى كلام مع نسخ فوري. وتحمل الصفحة الرئيسية لبهاشيني الآن لافتة Sansad Bhashini تصف الترجمة والنسخ والتلخيص للبرلمان.

وفي السكك الحديدية، وقّعت شعبة بهاشيني في الهند الرقمية ومركز أنظمة معلومات السكك الحديدية (CRIS) اتفاقا في 9 يونيو 2025 لتوفير أدوات النص والكلام وقراءة الحروف بـ22 لغة لأنظمة مثل النظام الوطني للاستعلام عن القطارات وRailMadad، بوابة الشكاوى. وذكرت إذاعة عموم الهند أن ورش العمل والمشاريع التجريبية ستبدأ في الأشهر التالية. وتدرج صفحة Our Impact في بهاشيني، على حدة، نظام الاستعلام خدمة تستخدم التعرف على النص والكلام، إلى جانب بوابة شكاوى الحكومة CPGRAMS، وتصفها بأنها تقدم النص بـ22 لغة والصوت بـ16.

وفي المحاكم، تترجم المحكمة العليا أحكامها إلى 18 لغة هندية بأداتها SUVAS، التي بُنيت مع المركز الوطني للمعلوماتية، وتستضيفها على بوابة e-SCR، بحسب ورقة PIB الخلفية الصادرة في 11 فبراير 2026. وتقول الورقة إن الترجمات تُراجع ضمن الأطر القضائية، ولا تذكر أي محرك لغوي تستخدمه SUVAS. وفي تقرير tuput عن الذكاء الاصطناعي في المحاكم الهندية القائمة الكاملة لأدوات المحاكم والوثائق التي تقف خلفها.

ما تتركه الأرقام المنشورة مفتوحا

تتحدث ورقة IndicTrans2 بصراحة عما بقي من عمل. فهي تقول إن النماذج تعمم بدرجة محدودة فقط في المانيبورية (الميتيئية) والسانتالية والسندية بخط الديفاناغاري، وإن فجوة في الأداء تبقى بين اللغات الغنية بالبيانات والقليلة البيانات. ويعزو المؤلفون ذلك إلى ندرة البيانات التي يوسمها البشر وقلة محتوى الويب.

وتختلف أعداد ما تدعمه المنصة بحسب الخدمة والتاريخ. فورقة PIB الخلفية الصادرة في فبراير 2026 تذكر 22 لغة للصوت و36 لغة للنص، بينما يدرج الموقع الرسمي الصوت بـ16 لغة لنظام شكاوى واحد. ولا تقدم الصفحات التي فُتحت لهذا المقال أرقام دقة للخدمات المنشورة، وتصف اتفاقيتا السكك الحديدية والبرلمان عملا مخططا. وتجد المقارنات المستقلة لأنظمة الكلام بلغات الهند في نشرة tuput عن نماذج الصوت والترجمة.

وتدرج صفحات AI4Bharat هدفا هو 15,000 ساعة من الكلام المنسوخ من أكثر من 400 منطقة، وهو هدف لا إجمالي منجز.