Interfaze تطلق نموذجًا مفتوحًا للتعرف على الكلام يعتمد على الانتشار ويدعم ست لغات

نشرت Interfaze في 2 يوليو 2026 نموذج diffusion-gemma-asr-small في المصدر المفتوح، وهو نموذج متعدد اللغات للتعرف التلقائي على الكلام (ASR) ينسخ الصوت إلى نص عبر الانتشار (diffusion) بدلًا من التوليد الانحداري الذاتي (autoregression). ويرتبط هذا المحوّل، الذي يبلغ وزنه نحو 42 مليون معامل، بأوزان DiffusionGemma المجمّدة من Google، ويغطي ست لغات دون تقسيمه إلى فروع خاصة بكل لغة.

كيف يعمل التعرف على الكلام بالانتشار؟

معظم أنظمة ASR المتاحة للعامة تعتمد التوليد الانحداري الذاتي: يولّد النموذج النص المنسوخ تسلسليًا، رمزًا تلو الآخر، فيزداد زمن التشغيل طرديًا مع طول التسجيل. وهذا هو المبدأ الذي تعمل به Whisper من OpenAI، وMMS وSeamless من Meta*، وDistil-Whisper.

أما diffusion-gemma-asr-small فبنيته مختلفة. فهي تقوم على DiffusionGemma، وهو نموذج لغوي من Google جرى تدريبه بطريقة الانتشار: فبدلًا من التوليد المتسلسل، يستعيد النص من حالة مشوّشة بالتوازي على عدة خطوات لإزالة الضوضاء. وأضافت Interfaze إلى هذا الأساس محوّلًا صوتيًا يعلّم النموذج مطابقة الإشارة الصوتية مع النص المناسب، بينما تبقى أوزان DiffusionGemma مجمّدة ولا تتحدّث أثناء تدريب المحوّل.

والنتيجة العملية أن التكلفة الحسابية للنسخ النصي يحددها عدد خطوات denoising المضبوط مسبقًا، لا طول الصوت. ويختار المطوّر بنفسه التوازن بين السرعة والجودة: فزيادة الخطوات تعني دقة أعلى لكن زمنًا أطول.

ماذا يوجد داخل النموذج؟

• تاريخ الإصدار في المصدر المفتوح: 2 يوليو 2026
• حجم المحوّل الصوتي: نحو 42 مليون معامل
• النموذج الأساسي: DiffusionGemma من Google (الأوزان مجمّدة ولا تتحدّث)
• اللغات المدعومة: ست لغات (لم تُكشف قائمتها في الإعلان)
• تكلفة الاستدلال تتحدد بعدد خطوات إزالة الضوضاء، لا بطول التسجيل

محوّل واحد لست لغات هو الرهان المعماري الأساسي. فمعظم النماذج متعددة اللغات تستخدم إما رؤوسًا خاصة بكل لغة، وإما نقطة حفظ (checkpoint) منفصلة لكل لغة. أما هنا فإن DiffusionGemma تحتوي أصلًا على تمثيلات نصية متعددة اللغات، وكل ما يحتاجه المحوّل هو تعليمها استقبال الصوت، دون تكرار الأوزان لكل لغة.

للمقارنة: تحتوي النسخة الكاملة Whisper large-v3 من OpenAI على 1,5 مليار معامل، أي إن محوّل Interfaze أصغر بنحو 35 مرة من حيث عدد الأوزان المدرَّبة.

ماذا يعني ذلك لمطوّري ASR؟

النهج القائم على الانتشار في التعرف على الكلام نادر في الساحة العامة. فمعظم أنظمة ASR المفتوحة مبنية على التوليد الانحداري الذاتي أو فك الترميز بطريقة CTC. ويُعد diffusion-gemma-asr-small أول مثال علني على إعادة توظيف نموذج لغوي قائم على الانتشار كواجهة خلفية لـ ASR عبر محوّل بسيط.

وبالنسبة إلى المجتمع البحثي، فهذا إثبات للمفهوم ونقطة انطلاق: إذ تتيح الأوزان المفتوحة دراسة البنية ومحاولة تكييفها مع مهام مجاورة، مثل ASR متعدد اللغات، وتبديل اللغات داخل الجملة الواحدة (code-switching)، والتعرف على الكلام ذي اللهجات.

أما للاستخدام العملي فتلزم بيانات لا يكشفها الإعلان: اللغات المحددة، والدقة على المعايير القياسية (WER على LibriSpeech وCommon Voice وFleurs)، وسرعة الاستدلال الفعلية مقارنةً بـ Whisper. وبدون هذه الأرقام يصعب حاليًا تقييم قدرة النموذج على المنافسة في سيناريوهات الإنتاج.

ماذا يعني ذلك

فتحت Interfaze اتجاهًا لم يُستكشف تقريبًا بعد: ASR بالانتشار مع تدريب محوّل خفيف فقط فوق نموذج لغوي جاهز. وإذا أثبت هذا النهج جودة منافسة على المعايير، فسيقدّم بديلًا مثيرًا للاهتمام للأنظمة الانحدارية الذاتية: زمن استجابة يمكن التنبؤ به، وضبطًا مرنًا للجودة عبر عدد الخطوات، وميزانية أوزان مدمجة.

*تعتبر روسيا Meta منظمة متطرفة وتحظر نشاطها في الاتحاد الروسي.