تحليل معمق · قراءة نحو 5 دقائق
Granite Speech 5 يفصل الدقة والإنتاجية وإسناد الكلام إلى المتحدثين
تحديثات IBM لثلاثة نماذج صوتية تتطلب فصل اللغات ومعدل المعالجة وأخطاء إسناد الكلمات إلى المتحدثين.
- نُشر هنا
- تاريخ المصدر
- تم التحقق من المصدر
قدمت IBM في إعلان 21 أكتوبر نموذج Granite Speech 5.0 2B الجديد وحدثت Turbo CTC و 4.1 2B Plus. يبدأ الاختيار بتحديد المخرج المطلوب: تفريغ أو ترجمة متعددة اللغات، معالجة سريعة، أو نص مرتبط بالمتحدثين والطوابع الزمنية. النتائج التالية واردة في مقال IBM وليست اختبار نماذج أجراه AISubHub.
استمع إلى الأخبار
استمع إلى هذا المقال أو تابع تشغيل الأخبار.
جارٍ تجهيز القراءة…
صوت الجهاز
يتولى المتصفح أو الجهاز معالجة النطق. لا يرسل AISubHub النص إلى واجهة صوتية. تختلف الأصوات والتشغيل مع قفل الشاشة حسب الجهاز.
قد تتكرر عبارة قصيرة عند المتابعة.
لمحة سريعة
- يسرد نموذج 2B ست لغات للتعرف على الكلام وTurbo سبعاً. الترجمة إلى الماندرين لا تثبت التعرف على الكلام بالماندرين.
- قيمة 19,870 RTFx لـTurbo تصف إنتاجية الاختبار؛ ويقيس Plus أخطاء التوقيت والكلمات والإسناد بصورة منفصلة.
اختر المخرج قبل رقم الإصدار
الأسماء الثلاثة تعبر عن مهام مختلفة. granite-speech-5.0-2b نموذج جديد للكلام واللغة يستهدف التفريغ والترجمة الدقيقين. ويحافظ granite-speech-5.0-470m-turboctc المحدث على مشفر ذي 470 مليون معلمة موجه للإنتاجية العالية والتفريغ على الجهاز. سرعة معالجة الصوت وإنتاج نص مترجم مطلبان مختلفان؛ ولا تجعل تسمية 5.0 المشتركة النموذجين بديلين متكافئين.
يستهدف granite-speech-4.1-2b-plus المحدث الاجتماعات ومكالمات الدعم والتسجيلات الطويلة متعددة المتحدثين. وتقول IBM إن البنية وصيغة الموجه وواجهة API لم تتغير، ولذلك تحتفظ باسم 4.1 وتعرض الأوزان كتبديل مباشر. تحليلنا: قد يعتمد البحث في الاجتماعات على العثور على كلام شخص بعينه، وهو أمر لا تلخصه نتيجة تفريغ المقاطع القصيرة. لذلك لا ينبغي اختزال المنتجات الثلاثة في ترتيب جودة واحد.
اتجاهات اللغات والتحكم بالمفردات محدودة النطاق
يفرغ 2B الإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية واليابانية. وتشمل اتجاهات الترجمة المعلنة الإنجليزية مع اللغات الخمس الأخرى في الاتجاهين، إضافة إلى الإنجليزية نحو الإيطالية والماندرين. القدرة الأخيرة مخرج ترجمة، فلا تضيف الماندرين إلى قائمة ASR ولا تثبت الاتجاه المعاكس. وتضيف قائمة Turbo ذات اللغات السبع الإيطالية إلى اللغات الست السابقة.
تعلن IBM استخدام 390,000 ساعة من الصوت العام في التدريب، إضافة إلى بيانات اصطناعية للتعرف الياباني وتحييز الكلمات المفتاحية والترجمة. وتشرح تحديد اللغة في الموجه، وعلامات الترقيم والأحرف الكبيرة عند الطلب، وقوائم تصل إلى 2,000 مصطلح لتوجيه التفريغ والترجمة. التحييز يرجح الأسماء أو الاختصارات لكنه لا يضمن أن المصطلح المقدم قد نطق فعلاً. أما مقارنة Plus اللاحقة فتستخدم 20 مصطلحاً، لا الحد الأقصى البالغ 2,000.
تغيير Conformer يتعلق بالإنتاجية
تقول IBM إنها تجمع كتلة Conformer واحدة وتعيد استخدام رسمها الحسابي عبر المكدس، فتقلل الإحماء وترفع Turbo CTC من نحو 12,600 إلى 19,870 RTFx عند مستوى الدقة المعلن نفسه، أي قرابة 1.6×. وRTFx هو مقلوب عامل الزمن الحقيقي، ويعبر عن إنتاجية المعالجة نسبة إلى مدة الصوت ضمن إعداد الاختبار. وهو ليس قياساً لتأخر الاستجابة لطلب منفرد.
قد تجتمع الإنتاجية المستمرة العالية مع انتظار التخزين المؤقت أو البدء أو تجميع الدفعات أو الشبكة. ولا تثبت المقارنة زمن الاستجابة من البداية إلى النهاية، ولا تضمن السرعة على جهاز معين. نقرأ إعادة استخدام الرسم كآلية تحسين تستحق الاختبار، لا كوعد بأن الحوار التفاعلي سيصبح أسرع بمقدار 1.6×.
جدول Plus يتضمن أنواعاً مختلفة من الخطأ
في 4.1 2B Plus، يتغير متوسط انزياح الطابع الزمني AAS لكل الكلام من 210.86 إلى 98.54، وفي صف الكلام القصير من 29.27 إلى 26.20. ولا يذكر الجدول الظاهر وحدة AAS، لذلك لا يجوز افتراض أنها ميلي ثانية. ويتغير WER للكلام الطويل من 13.53 إلى 10.22، وخطأ إسناد الكلمات للمتحدثين WDER من 4.40 إلى 4.10، وcpWER للنصوص المنسوبة إلى متحدثين من 30.50 إلى 28.48.
ومع قوائم من 20 مصطلحاً يتغير WER للكلمات المرَجحة من 11.79 إلى 6.48. وتلخص IBM تحسن الكلام الطويل والكلمات المرَجحة بنحو 24% و 45%، والتحسن المرتبط بالمتحدثين بنحو 7%. إنها انخفاضات نسبية وليست انخفاضاً بالعدد نفسه من النقاط المئوية: الفرق 13.53−10.22 يساوي 3.31 نقطة على مقياس WER المعروض. تحسين المحاذاة الزمنية لا يغني عن التحقق من صحة الكلمات وإسنادها إلى الأشخاص الصحيحين.
أبق تعارض الرسم وحدود النشر واضحين
يعرض رسم IBM الثابت للإنجليزية القصيرة متوسط WER قدره 5.06% لنموذج 2B. ويصف التعليق نتائجه بأنها رسمية حتى 21 أكتوبر، بينما يصف تذييل المقارنة المضمنة نتائجها بأنها غير رسمية حتى 15 أكتوبر، ويقصرها على اختبارات الإنجليزية القصيرة العامة ونماذج الأوزان المفتوحة؛ ويذكر iframe تسع مجموعات اختبار. نحافظ على تعارض التاريخ والصفة الرسمية، ولا نعد قراءة الرسم تحققاً مستقلاً من ترتيب رسمي حالي أو من جودة اللغات المتعددة والتسجيلات الطويلة.
تعلن IBM ترخيص Apache 2.0 والدعم الأصلي في Transformers للنماذج الثلاثة، وتذكر لـ 2B أيضاً vLLM وllama.cpp وmlx-audio على Apple Silicon. تحليلنا هو اختيار المخرج أولاً ثم اختبار لهجات وضوضاء ومفردات وطوابع زمنية ومتحدثين ممثلين للبيئة المستهدفة. الترخيص لا يضمن تكلفة الاستضافة أو صلاحيات بيانات الإنتاج أو الخصوصية أو توافر الخدمة. لم نشغل النماذج ولم نفحص بطاقات النماذج المرتبطة أو نجرب العرض في المتصفح، كما لا يضمن الإعلان سعراً عاماً للإنتاج أو إتاحة إقليمية.
لماذا يهم
تحليل AISubHub: الفائدة هي فصل جودة التفريغ وسعة المعالجة والبحث المرتبط بالمتحدثين. ينبغي أن يقيس التقييم المحلي هذه النتائج منفصلة بدلاً من إحلال رقم بارز واحد محلها.
القيود والتوافر
هذا شرح لإعلان كتبه فريق IBM ونتائجه الذاتية، مع الاحتفاظ بتعارض تسميات الرسوم. وليس اختباراً مستقلاً أو ترتيباً حالياً أو عرض سعر إنتاج أو دليلاً على ASR بالماندرين.
المصادر والأدلة
تاريخ المصدر: · تم التحقق من المصدر:
مقالات تحريرية بمساعدة الذكاء الاصطناعي تُراجع مقابل المصادر الأولية المذكورة. تُنسب ادعاءات الشركات إليها، والإدراج لا يعني التوصية.