إصدار IBM Granite 4.0 1B Speech كنموذج صوتي متعدد اللغات

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ١٦ مارس ٢٠٢٦

أعلنت شركة IBM عن إطلاق نموذج Granite 4.0 1B Speech، وهو نموذج صوتي متعدد اللغات مصمم خصيصًا للتعرف التلقائي على الكلام (ASR) والترجمة التلقائية للكلام (AST). يهدف هذا الإصدار إلى تلبية احتياجات المؤسسات ونشر تقنيات الذكاء الاصطناعي في حافة الشبكة، حيث تكون كفاءة الذاكرة، وانخفاض زمن الاستجابة، وكفاءة المعالجة بنفس أهمية الجودة الأساسية للنموذج.

ما الجديد في Granite 4.0 1B Speech

تتمثل الهدف الرئيسي من هذا الإصدار في تقليل حجم النموذج دون التأثير على القدرات الأساسية المتوقعة من نظام صوتي متعدد اللغات حديث. يحتوي Granite 4.0 1B Speech على نصف عدد المعلمات مقارنة بالنموذج السابق granite-speech-3.3-2b، مع إضافة دعم لـ اللغة اليابانية، وتحيز قائمة الكلمات، وتحسين دقة النسخ باللغة الإنجليزية. يوفر النموذج استجابة أسرع بفضل تحسين تدريب المشفر والاعتماد على فك التشفير التكهناتي، مما يجعل التركيز أقل على زيادة حجم النموذج وأكثر على تحسين كفاءة الجودة للنشر العملي.

طريقة التدريب والتوافق مع الأنماط

نموذج Granite-4.0-1b-speech هو نموذج صوتي متعدد اللغات تم تدريبه على بيانات ASR وAST العامة، بالإضافة إلى البيانات الاصطناعية المستخدمة لدعم ASR باللغة اليابانية، وتحفيز الكلمات، والترجمة الصوتية. يعتبر هذا الأمر مهمًا للمطورين لأنه يظهر أن فريق IBM لم يبنِ مجموعة مغلقة من الكلام من الصفر؛ بل قام بتكييف نموذج Granite 4.0 الأساسي ليصبح نموذجًا قادرًا على معالجة الصوت من خلال التوافق والتدريب متعدد الأنماط.

تغطية اللغة والاستخدام المقصود

تشمل مجموعة اللغات المدعومة الإنجليزية، والفرنسية، والألمانية، والإسبانية، والبرتغالية، واليابانية. وضعت IBM النموذج للاستخدام في تحويل الكلام إلى نص وترجمة الكلام من وإلى الإنجليزية لتلك اللغات. كما يدعم النموذج أيضًا سيناريوهات الترجمة من الإنجليزية إلى الإيطالية والماندرين.

تصميم ذو مرحلتين وبنية الأنابيب

يصف فريق Granite Speech عائلة نماذج Granite بأنها تستخدم تصميمًا ذو مرحلتين. في هذا الإعداد، يتم تحويل الصوت إلى نص في الاستدعاء الأول، ويتطلب أي معالجة للغة على النص الناتج استدعاءً ثانيًا صريحًا لنموذج اللغة Granite. يختلف هذا عن الهياكل المدمجة التي تجمع بين توليد الكلام واللغة في عملية واحدة. بالنسبة للمطورين، يهم هذا لأنه يؤثر على تنظيم العمل. يتم تصميم أنبوب النسخ حول Granite Speech بطريقة معيارية: يأتي التعرف على الكلام أولاً، وتتم معالجة اللغة في خطوة منفصلة.

نتائج المعايير وكفاءة النشر

مؤخراً، احتل Granite 4.0 1B Speech المرتبة الأولى على لوحة القيادة OpenASR. تشير نتائج لوحة القيادة إلى معدل خطأ متوسط (WER) يبلغ 5.52 وRTFx يبلغ 280.02، بالإضافة إلى قيم WER خاصة بالبيانات مثل 1.42 على LibriSpeech Clean، و2.85 على LibriSpeech Other، و3.89 على SPGISpeech، و3.1 على Tedlium، و5.84 على VoxPopuli.

تفاصيل النشر

يدعم نموذج Granite 4.0 1B Speech النشر بشكل محلي في transformers بالإصدار 4.52.1 وما فوق، ويمكن تقديمه من خلال vLLM، مما يوفر للفِرق خيارات استنتاج Python القياسية وأسلوب الخدمة عبر API. يستخدم تدفق transformers المرجعي الخاص بـ IBM AutoModelForSpeechSeq2Seq وAutoProcessor، ويتوقع صوت أحادي بتردد 16 كيلو هرتز، ويقوم بتنسيق الطلبات من خلال إضافة <|audio|> إلى المطالبات المقدمة من المستخدم؛ يمكن إضافة تحيز الكلمات مباشرة في المطالبة كالتالي: Keywords: , ....

استنتاجات رئيسية

يعتبر نموذج Granite 4.0 1B Speech نموذجًا صوتيًا متعدد اللغات للتعرف التلقائي على الكلام والترجمة التلقائية للكلام. يحتوي النموذج على نصف المعلمات مقارنة بالنموذج السابق granite-speech-3.3-2b مع تحسين كفاءة النشر. يضيف الإصدار دعم ASR باللغة اليابانية وتحفيز قائمة الكلمات لعمليات النسخ المستهدفة. يدعم النشر من خلال Transformers وvLLM وmlx-audio، بما في ذلك بيئات Apple Silicon. تم وضع النموذج للأجهزة ذات الموارد المحدودة حيث تكون زمن الاستجابة، والذاكرة، وتكاليف المعالجة عوامل حاسمة.