Audex-30B: نموذج NVIDIA للصوت والكلام

أطلقت NVIDIA في 7 يوليو 2026 نموذج Audex-30B، وهو نظام موحّد للصوت والكلام يعتمد على بنية Mixture of Experts. يجمع النموذج خمسة أنواع من المهام الصوتية في نموذج واحد، دون خسارة تُذكر في القدرات النصية للنظام الأساسي.

ما الذي يجمعه Audex في نموذج واحد

قبل ظهور Audex، كانت كل مهمة صوتية تتطلب حلًا متخصصًا منفصلًا: نظام للتعرف على الكلام، وآخر للترجمة، وثالث للتركيب. وقد دمجتها NVIDIA في بنية MoE واحدة:

• فهم المحتوى الصوتي: تحليل مضمون الملفات الصوتية
• التعرف التلقائي على الكلام (ASR)
• ترجمة الكلام إلى لغة أخرى
• تركيب الكلام: تحويل النص إلى كلام (TTS)
• توليد الصوت

تتيح بنية Mixture of Experts للنموذج تفعيل جزء فقط من المعاملات بحسب المهمة المطلوبة. فمن إجمالي 30 مليار معامل، يُفعَّل في وضع التشغيل نحو 3 مليارات، ومن هنا جاء الرمز A3B في الاسم الكامل. ويخفّف هذا النهج العبء الحسابي أثناء الاستدلال (inference) مقارنةً بنموذج كثيف (dense) بالحجم الإجمالي نفسه.

لماذا يهمّ الحفاظ على القدرات النصية

يرافق إضافة وسيط جديد إلى نموذج لغوي مدرَّب مسبقًا ما يُعرف بـ«النسيان الكارثي»، أي تدهور القدرات النصية الأصلية تحت تأثير التدريب الإضافي الجديد. ويُعد ذلك من أبرز التحديات الهندسية في تطوير الأنظمة متعددة الوسائط.

بنت NVIDIA نموذج Audex على أساس Nemotron-Cascade-2، وهو نموذجها النصي الخاص ذو الأداء اللغوي القوي. وتفيد الشركة بأن التراجع في الاختبارات المعيارية النصية كان ضئيلًا، إذ أُضيفت القدرات الصوتية دون انخفاض ملحوظ في جودة العمل مع النصوص.

وتؤدي بنية MoE دورًا محوريًا هنا: فالخبراء الصوتيون والنصيون داخل النموذج معزولون جزئيًا عن بعضهم، ما يقلل التأثير المتبادل بين الوسائط أثناء التدريب الإضافي. ونتيجة لذلك يظل النموذج كفؤًا في النص والصوت معًا، دون المفاضلة بين المجالين.

لمن يهمّ هذا الإصدار

يبسّط النموذج الموحّد متعدد المهام تطوير المنتجات الصوتية ومتعددة الوسائط. فبدلًا من صيانة عدة أنظمة متخصصة، يعمل الفريق مع أوزان واحدة: نشرها أسهل، وتحديثها أسهل، ومراقبتها أسهل. كما أن تحديث نموذج واحد يحسّن الوظائف الخمس جميعها في آن واحد.

وسيناريوهات الاستخدام المحتملة واسعة، ومنها المساعدات الصوتية التي تفهم السياق، وأنظمة النسخ والترجمة الفورية، ومنصات الصوت متعددة اللغات لمراكز الاتصال، وأدوات توليد المحتوى الصوتي.

ماذا يعني ذلك

يواصل Audex الاتجاه نحو بناء نماذج أساسية متعددة الوسائط تغطي المهام كاملةً. فإذا كان «الصوت + النص» يعني في السابق ربط عدة أنظمة متخصصة، فإن NVIDIA تقدّم اليوم أوزانًا واحدة تغطي طيف المهام الصوتية كله، مع الحفاظ على القوة النصية للنموذج الأساسي.

ماذا يستطيع نموذج Audex-30B أن يفعل؟

يجمع خمسة أنواع من المهام الصوتية: فهم المحتوى الصوتي، والتعرف التلقائي على الكلام، والتركيب، والترجمة، ونوعًا إضافيًا من معالجة الصوت، وذلك كله في نموذج واحد مع الحفاظ على القدرات النصية.