Qwen-Audio-3.1-ASR: 30 لغة و16 لهجة وفصل المتحدثين (diarization) في نموذج واحد

قدّمت Qwen تقريراً تقنياً عن Qwen-Audio-3.1-ASR، وهي عائلة من نماذج الصوت واللغة تطوّر سلسلة Qwen-Audio-3.0-ASR. بقيت المعايير الأساسية كما هي: 30 لغة و16 لهجة صينية. لكن نطاق المهام اتسع بوضوح. فالنموذج صار يوزّع الكلام على المتحدثين مع طوابع زمنية (timestamps)، ويجيب عن أسئلة تتعلق بمحتوى الصوت، بما في ذلك الموسيقى والأصوات الدخيلة. وهكذا يتحول نموذج ASR عملياً إلى أداة شاملة لتحليل الصوت.

فصل المتحدثين: كل صوت يحتفظ بهويته

أكثر التحديثات عملية هو التفريغ النصي مع التمييز بين المتحدثين. لا تأتي المخرجات نصاً متصلاً، بل بنية منظَّمة: وسم المتحدث، والفاصل الزمني، والعبارة المتعرَّف عليها. ويشدد المؤلفون على نقطتين تفشل عندهما هذه الأنظمة عادةً. الأولى اتساق الوسوم بين الجُمل: فالمتحدث 1 في بداية التسجيل يجب أن يبقى المتحدث 1 بعد أربعين دقيقة. والثانية الكلام المتداخل، حين يتحدث شخصان في وقت واحد. وهذه مشكلة أساسية في الاجتماعات المرئية والمقابلات ومراكز الاتصال: فإذا خلط النموذج بين الأشخاص أو «دمج» العبارات المتقاطعة، فقد التفريغ قيمته.

ويشمل التقرير تقييم هذا السيناريو أيضاً: فقد قُسّمت المعايير (benchmarks) إلى ASR كلاسيكي، والكلام متعدد اللغات واللهجات، والتفريغ مع فصل المتحدثين، والفهم العام للصوت.

التحكم عبر التعليمات

المسار الثاني في التطوير هو إمكان ضبط سلوك النموذج بتوجيهات نصية. وقد حافظت العائلة على ثلاث آليات:

• الاشتراط بالسياق التاريخي. يأخذ النموذج في الحسبان المقاطع السابقة من المحادثة، ما يساعد في التعامل مع المتجانسات اللفظية والأسماء العلم.
• كلمات موجِّهة هرمية (hotwords). يمكن تحديد قواميس المصطلحات والأسماء والتسميات بدرجات أولوية، لا في قائمة مسطحة.
• صقل أصلي للنص المفرَّغ. يزيل النموذج بنفسه التعثرات اللفظية، ويضع علامات الترقيم، ويُخرج النص بصيغة مقروءة دون معالجة لاحقة منفصلة.

ومن المهم أن كل ذلك يُدار بالتعليمات لا بإعادة التدريب (fine-tuning). وبالنسبة إلى الشركات ذات المعجم المتخصص، كالمجال الطبي أو القانوني أو المالي، فإن هذا النهج أرخص بوضوح من تدريب نموذج خاص لكل مجال.

ويشمل الفهم العام للصوت ما يلي:

• وصف الصوت والكلام والموسيقى (captioning)؛
• الربط الزمني واكتشاف الأحداث الصوتية؛
• الإجابة عن الأسئلة المتعلقة بالصوت؛
• أسئلة الاختيار من متعدد التي تتطلب استدلالاً.

وهذا ينقل مجال الاستخدام من «ماذا قيل» إلى «من قال، وما الذي كان يُسمع حوله، وفي أي لحظة».

أربعة أوضاع لسيناريوهات مختلفة

قُسّمت العائلة إلى إصدارات تناسب ظروف نشر مختلفة: تفريغ الملفات غير المتزامن، والبثّ المباشر (streaming) بزمن تأخير منخفض، والإدخال الصوتي التفاعلي، والتعرّف غير البثّي. وفصل المتحدثين والفهم العام للصوت غير متاحَين في جميع الإصدارات، بل في بعضها فقط. وهذا منطقي: فالبثّ بأدنى تأخير والتحليل المعمّق لتسجيل طويل يتطلبان مقايضات مختلفة بين السرعة والجودة.

من سيستفيد أولاً

أكثر المستفيدين هم من يعملون مع تسجيلات طويلة بعدة لغات: خدمات تفريغ الاجتماعات، والمؤسسات الإعلامية ذات أرشيفات المقابلات، ومراكز الاتصال، ومنصات المحتوى المرئي. فوجود مسار API واحد بدلاً من مجموعة تضم نموذج تعرّف ونموذج فصل متحدثين ونموذجاً منفصلاً لتحليل الصوت يبسّط البنية ويقلل عدد نقاط الفشل.

ويجعل دعم 16 لهجة صينية هذه العائلة مثيرة للاهتمام خصوصاً لسوق الصين والجاليات في الخارج، حيث تتعامل أنظمة ASR القياسية مع الكلام المحلي بأداء أضعف بوضوح. أما لمطوّري الواجهات الصوتية، فإن الإصدار منخفض التأخير والإدخال التفاعلي يغطيان سيناريو المساعدات الصوتية.

وقبل الاعتماد، ينبغي التحقق من الإصدارات المحددة: فميزة فصل المتحدثين ليست متوفرة في جميعها. والأفضل الاختبار على تسجيلات خاصة بكم تتضمن مقاطعات وضجيجاً، فهنا عادةً تبتعد هذه النماذج عن الجودة المعلنة.