مربی تلفظ انگلیسی با هوش مصنوعی؛ بشنو، بگو، نمره بگیر

معرفی

یک برنامه‌ی وب برای تمرین تلفظ انگلیسی که روی eng.alipour.me در دسترس است. سطح را انتخاب می‌کنی، برنامه با هوش مصنوعی یک کلمه، عبارت یا جمله‌ی تازه می‌سازد، با صدای طبیعی می‌خواند، تو آن را با میکروفن می‌خوانی و برنامه به تلفظت نمره می‌دهد: کلمه‌های خوب سبز و کلمه‌های بد قرمز و خط‌دار می‌شوند و نمره زیر جمله می‌آید. ترجمه‌ی فارسی هم یک دکمه فاصله دارد. برنامه از یک فایل HTML شروع شد و در شش نسخه به یک وب‌اپ کامل Next.js با حساب کاربری، پنل مدیریت و نسخه‌ی قابل نصب روی موبایل رسید. این پروژه را در سال ۲۰۲۴ ساختم.

تصویرهای این صفحه از خود برنامه‌ی در حال کار است، با میکروفن واقعی و نمره‌ی واقعی Azure.

برنامه چه می‌کند

• پنج سطح: تک‌کلمه (A1)، عبارت کوتاه (A2)، جمله‌ی ساده (B1)، جمله‌ی پیچیده (B2) و جمله‌ی کاری و حرفه‌ای (C1).

• جمله‌های تازه از هوش مصنوعی. یک مدل زبانی برای سطح انتخابی و یک موضوع تصادفی (فناوری، سفر، غذا، کار، فضا، تاریخ و...) متن جدید می‌سازد. چند جمله‌ی آخر به مدل داده می‌شود که تکرار نکند و هر درخواست یک عدد تصادفی هم دارد. اگر مدلی جواب ندهد نوبت مدل بعدیِ صف پشتیبان است و مدلی که متن را نوشته زیر دکمه‌ها نشان داده می‌شود.

• شنیدن تلفظ درست. شش صدای عصبی زن و مرد با لهجه‌ی آمریکایی و چهار سرعت، از معمولی تا خیلی آهسته.

• نمره‌دهی تلفظ. میکروفن را می‌زنی و متن را می‌خوانی. گفتارت در سطح واج و نسبت به همان متن دقیق سنجیده می‌شود و یک نمره‌ی دقت از ۰ تا ۱۰۰ می‌آید: از ۸۰ به بالا سبز و پایین‌تر قرمز. هر کلمه رنگ خودش را دارد، پس دقیقا می‌بینی کدام کلمه را باید تکرار کنی.

• ترجمه‌ی فارسی جمله با یک دکمه.

• مدیریت نویز هنگام ضبط: حذف نویز، حذف پژواک و تنظیم خودکار بلندی در مرورگر روشن است و مهلت سکوت طوری تنظیم شده که یک مکث کوتاه ضبط را قطع نکند.

• ورود و دسترسی مشترک. کاربران با نام کاربری و رمز وارد می‌شوند. ادمین در یک پنل کاربر می‌سازد و حذف می‌کند. کلیدهای سرویس‌ها را ادمین یک بار می‌گذارد و برای همه مشترک است، پس کاربر فقط یک ورود لازم دارد.

• قابل نصب روی گوشی: PWA با آیکن، حالت تمام‌صفحه، رعایت ناحیه‌ی ایمن ناچ آیفون و فونت وزیرمتن برای متن فارسی.

نسخه‌ها چطور رشد کردند

• نسخه‌ی ۱: ساخت جمله، پخش و نمره‌ی تلفظ، در یک فایل HTML.

• نسخه‌ی ۲: تاریخچه‌ی جمله‌های اخیر.

• نسخه‌ی ۳: حذف نویز هنگام ضبط.

• نسخه‌ی ۴: ترجمه.

• نسخه‌های ۵ و ۶: آیکن و انیمیشن میکروفن (در حال اتصال، در حال ضبط) و نسخه‌ی پایدار تک‌فایل.

• نسخه‌ی Next.js: حساب کاربری، پنل مدیریت، پایگاه داده، کلیدهای مشترک، نسخه‌ی قابل نصب موبایل و استقرار روی سرور.

چطور کار می‌کند

• نمره‌دهی تلفظ و تبدیل متن به گفتار با Azure Speech: ارزیابی تلفظ در سطح واج و صدای عصبی با SSML برای تنظیم سرعت.

• ساخت جمله و ترجمه با مدل‌های زبانی باز از راه Groq، که آن‌قدر سریع است که جمله‌ی تازه تقریبا فوری می‌آید.

• جمله کلمه به کلمه بررسی می‌شود: نوع خطا و نمره‌ی دقت هر کلمه رنگ آن را تعیین می‌کند.

• Next.js (App Router)، React و TypeScript؛ ورود با NextAuth، پایگاه داده‌ی MongoDB با Mongoose، رمزها با bcrypt هش‌شده، و محافظت مسیرها طوری که تنظیمات فقط برای کاربر واردشده و پنل فقط برای ادمین باز است.

ابزارها

• JavaScript، HTML، CSS؛ Next.js، React، TypeScript، Tailwind CSS

• Azure Speech SDK (ارزیابی تلفظ، تبدیل متن به گفتار)

• Groq (مدل‌های زبانی)

• NextAuth، MongoDB، Mongoose، bcrypt؛ PWA

نتیجه

یک چرخه‌ی تمرین کوتاه که روی گوشی هم خوب کار می‌کند: بشنو، بگو، نمره بگیر، کلمه‌ی اشتباه را ببین و دوباره بگو.