IBM تطلق نموذجين جديدين من Granite Speech 4.1 2B

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ١ مايو ٢٠٢٦

أعلنت شركة IBM عن إطلاق نموذجين جديدين من نماذج التعرف على الكلام، وهما Granite Speech 4.1 2B وGranite Speech 4.1 2B-NAR. تأتي هذه النماذج المفتوحة لتقديم حلول فعالة لأعمال الذكاء الاصطناعي في الشركات، حيث تتناول مشكلة شائعة في أنظمة التعرف التلقائي على الكلام (ASR) التي تحتاج إلى موارد حسابية ضخمة أو تضحية بالدقة لتقليل التكاليف.

ما الذي يقدمه هذان النموذجان؟

يتم تصميم Granite Speech 4.1 2B ليكون نموذجًا مدمجًا وفعالًا للتعرف على الكلام والترجمة الفورية، ويدعم عدة لغات تشمل الإنجليزية، الفرنسية، الألمانية، الإسبانية، البرتغالية، واليابانية. بينما يركز Granite Speech 4.1 2B-NAR على التعرف على الكلام فقط ويدعم اللغات الإنجليزية، الفرنسية، الألمانية، الإسبانية، والبرتغالية، مستثنيًا اليابانية. هذا الاختلاف مهم للفرق التي تحتاج إلى نقل أو ترجمة الكلام باللغة اليابانية.

تفاصيل الأداء وجودة النموذج

تعتبر نسبة خطأ الكلمات (WER) هي المقياس الرئيسي لجودة النسخ، حيث تعني WER بنسبة 5% أن هناك حوالي 5 كلمات خاطئة من كل 100 كلمة. وفقًا لقائمة الأداء في Open ASR، حقق نموذج Granite Speech 4.1 2B متوسط WER يبلغ 5.33. وعند تحليل الأداء بمزيد من التفصيل، يحصل على WER يبلغ 1.33 على LibriSpeech clean، و2.5 على LibriSpeech other.

التصميم الهندسي للنموذجين

يتشارك النموذجان في تصميم ثلاثي المكونات على مستوى عالٍ، يتكون من: مشفر صوتي، محول للمدخلات، ونموذج لغوي. يعتمد المشفر الصوتي على 16 كتلة من Conformer مدربة باستخدام تقنية Connectionist Temporal Classification (CTC) مع رأسين للتصنيف. يستخدم المحول Q-Former لتقليص حجم المدخلات الصوتية لتسهيل المعالجة من قبل النموذج اللغوي.

التجارة بين النماذج الذاتية وغير الذاتية

تظهر الاختلافات الكبيرة بين النموذجين في كيفية إنتاج النصوص. في النموذج Granite Speech 4.1 2B، يتم إنتاج النصوص بشكل تسلسلي، مما يعني أن كل رمز يعتمد على الرموز السابقة، مما يؤدي إلى نصوص دقيقة ولكن ببطء. بينما النموذج Granite Speech 4.1 2B-NAR يستخدم نهجًا مختلفًا، حيث يقوم بتحرير تقدير CTC في تمريرة واحدة، مما يؤدي إلى دقة منافسة مع سرعة معالجة أعلى.

بيانات التدريب والبنية التحتية

تلقى النموذجان تدريبًا على مجموعات بيانات مختلفة. تم تدريب النموذج القياسي على 174,000 ساعة من الصوت من مجموعات بيانات عامة، بينما تم تدريب نموذج NAR على حوالي 130،000 ساعة من الكلام عبر خمس لغات. تم الانتهاء من تدريب النموذج القياسي في 30 يومًا باستخدام 8 وحدات GPU، بينما استغرق تدريب نموذج NAR 3 أيام فقط باستخدام 16 وحدة GPU.

نقاط رئيسية يجب معرفتها

• إطلاق نموذجين مفتوحين من ASR: Granite Speech 4.1 2B (ذاتي) وGranite Speech 4.1 2B-NAR (غير ذاتي).
• يحقق النموذج القياسي متوسط WER يبلغ 5.33 ويعتمد عدة لغات.
• النموذج NAR يحقق سرعة معالجة عالية تصل إلى RTFx تبلغ حوالي 1820.
• يتضمن التصميم ثلاث مكونات أساسية: مشفر Conformer، محول Q-Former، ونموذج لغوي محسّن.
• يوجد أيضًا إصدار ثالث، Granite Speech 4.1 2B-Plus، الذي يضيف ميزات إضافية مثل نسبة المتحدث وتوقيت الكلمات.