الذكاء الاصطناعي مفتوح المصدر
480 مللي ثانية ومفتوح المصدر: Voxtral Realtime يتحدى Whisper على أرضها
Voxtral Realtime يطابق جودة النسخ غير المتصل بزمن استجابة أقل من ثانية وهو مفتوح المصدر. يستخدم النموذج الذي يدعم 13 لغة مشفرًا صوتيًا سببيًا جديدًا ويتم تدريبه بشكل شامل للتدفق بدلاً من تكييفه من أنظمة غير متصلة.
Emmanuel Fabrice Omgbwa Yasse بمساعدة الذكاء الاصطناعي
2026-07-17 · قراءة 2 دقائق
Voxtral Realtime، وهو نموذج للتعرف التلقائي على الكلام (ASR) بتقنية التدفق الأصلي تم تقديمه من قبل باحثين، يدعي تحقيق جودة نسخ مماثلة لنظام Whisper من OpenAI بتأخير يبلغ 480 مللي ثانية فقط. تم إصدار أوزانه تحت ترخيص Apache 2.0، مما يعني أنه يمكن لأي شخص استخدامه تجاريًا أو للبحث دون قيود. إطلاق مكتبة Sipp.sh مفتوحة المصدر للاستدلال المحلي…
الحيلة الرئيسية للنموذج: يتم تدريبه بشكل شامل للتدفق، بحيث يقوم بمحاذاة تدفقات الصوت والنص بشكل صريح أثناء العمل. معظم الأدوات في هذا المجال، بما في ذلك Whisper، تم بناؤها للمهام الدفعية غير المتصلة وتم تعديلها لاحقًا للاستخدام الفوري باستخدام التجزئة أو النوافذ المنزلقة. هذا الحل البديل يقدم زمن استجابة وقد يؤثر على الدقة.
الهندسة المعمارية: مصممة للتدفق
يستخدم Voxtral Realtime إطار عمل Delayed Streams Modeling، مضيفًا مشفرًا صوتيًا سببيًا وتقنية تطبيع تُسمى Ada RMS-Norm تتعامل مع تأخير التكييف. يعمل النظام بأكمله بدون سياق مستقبلي، وهو الجزء الصعب في التدفق.
بتأخير يبلغ 480 مللي ثانية، أي حوالي الوقت الذي يستغرقه الرمش مرتين، يطابق النموذج جودة Whisper غير المتصلة. هذا يمثل إنجازًا ملحوظًا لأنظمة ASR الفورية، ويشير إلى أن جودة التدفق قد تلحق أخيرًا بالأنظمة غير المتصلة.
يضع التقرير الفني النموذج كبديل مباشر للطرق التقليدية للتدفق. لمزيد من السياق، ورقة بحثية من عام 2026 حول التعرف على الكلام بتقنية التدفق باستخدام نماذج اللغة الكبيرة القائمة على وحدة فك التشفير وتحسين زمن الاستجابة تستكشف نهجًا تكميليًا باستخدام نماذج لغة كبيرة قائمة على وحدة فك التشفير لأنظمة ASR التدفقية، مما يشير إلى أن المجال يتقارب نحو بنى التدفق الشاملة. Fast-LeWM: التنبؤ بالبادئة الموازية للأفعال يقلل من…
النطاق والحجم
تم تدريب النموذج مسبقًا على مجموعة بيانات كبيرة تغطي 13 لغة، على الرغم من أن الورقة لا تحدد أي منها بالضبط أو حجم البيانات. سلوك التوسع يتتبع نماذج اللغة الكبيرة: الإصدارات الأكبر تحصل على دقة أعلى لكل وحدة زمن استجابة، مما يشير إلى أن المزيد من التوسع قد يدفع الأداء إلى أبعد من ذلك.
ترخيص Apache 2.0 هو أكثر تراخيص المصادر المفتوحة تساهلاً. يمكنك دمجه في منتجات مملوكة دون الحاجة إلى فتح شفرة المصدر الخاصة بك. كيف يُحدث معمار RISC-V مفتوح المصدر ثورة في سوق…
السياق والمنافسة
أصبح التعرف على الكلام في الوقت الفعلي أمرًا بالغ الأهمية بشكل متزايد للترجمة الفورية والمساعدات الصوتية وخدمة العملاء بالذكاء الاصطناعي. Whisper دقيق لكنه موجه للدفعات، ويعاني من زمن الاستجابة في الاستخدام الفوري. نموذج Universal Speech Model من Google وSeamlessM4T من ميتا يقدمان قدرات كلامية متعددة اللغات ولكنها ليست محسنة بشكل أساسي للتدفق دون الثانية.
مع ترخيص Apache 2.0، يتنافس Voxtral Realtime مباشرة مع Whisper (ترخيص MIT). في التطبيقات الحساسة لزمن الاستجابة، يعطي التصميم غير المتصل لـ Whisper ميزة لـ Voxtral. يمكن للمطورين الذين يبنون ميزات النسخ الفورية تجاوز الحلول البديلة اللازمة لجعل Whisper يعمل مباشرًا. الاختناق الحقيقي في وكلاء سطح المكتب المعتمدين على…
أسئلة مفتوحة
التقرير الفني يترك بعض التفاصيل. المعايير المستخدمة للادعاء بالمساواة مع Whisper ليست مدرجة، لذا من الصعب الحكم على الأداء في الصوت المزعج أو الكلام ذي اللهجة أو المفردات المتخصصة. اللغات الثلاث عشرة غير محددة، ولا نعرف أي منها يعمل بشكل أفضل.
متطلبات الموارد للاستدلال غير واضحة أيضًا. غالبًا ما تعمل أنظمة ASR الفورية على أجهزة طرفية ذات قدرة حوسبة محدودة، والنموذج الذي يتطلب طاقة معالجة رسومية كبيرة من شأنه أن يضعف فكرة زمن الاستجابة المنخفض. نموذج Kog's Laneformer 2B يحقق 3000 رمز في الثانية بجعل…
أهم أخبار التقنية في 3 دقائق كل صباح
بريد إلكتروني واحد، كل يوم عمل، بما يهم فعلاً في الذكاء الاصطناعي والتقنية.