نموذج Apriel Voice 27B المفتوح يحقق 98,90 نقطة في اختبار Big Bench Audio الصوتي

أصدر باحثو مشروع Apriel نموذج Apriel Voice 27B Preview، وهو نموذج لغوي مفتوح للكلام مبني على نسخة مُدرَّبة إضافيًا من نقطة الحفظ (checkpoint) الخاصة بـ Gemma 4 26B-A4B. يتلقى النموذج الصوت مباشرة، ويستدل ويستدعي الأدوات دون نموذج حواري منفصل. وفي وضع الاستدلال حقق 98,90 نقطة في Big Bench Audio، وهو اختبار للاستدلال على أسئلة تُطرح بصيغة صوتية، و81,13 في Speech-BFCL الذي يقيس استدعاء الدوال انطلاقًا من طلب صوتي. ومن نتائجه الأخرى 65,51% متوسط نجاح المهام في اختبار الأداء الصوتي، بمتوسط زمن استجابة يبلغ 1,91 ثانية.

أساس واحد بدلًا من سلسلة متعاقبة

يُبنى المساعد الصوتي التقليدي من ثلاثة أجزاء: التعرف على الكلام (ASR)، ونموذج لغوي، وتركيب الصوت (TTS). ويقتصر نهج آخر على إسناد الحوار وحده إلى الطبقة الصوتية، ويترك الاستدلال والأدوات لنموذج خلفي منفصل. أما في Apriel Voice فنموذج واحد يتولى كل شيء: يفهم الكلام، ويرد في الحوار، ويقرر بنفسه متى يستدعي أداة وأيّ أداة. ويبقى في السياق النص والصور ونتائج الأدوات المستدعاة.

نموذج Gemma 4 26B-A4B الأصلي من نوع mixture-of-experts: يضم نحو 26 مليار معامل في المجموع، ونحو 4 مليارات منها نشطة لكل توكن. ينفّذ التطبيق الأدوات ويعيد نتائجها إلى الحوار، ثم يمرّر نص الرد إلى مُركِّب صوت قابل للاستبدال، ولذلك يمكن تغيير الصوت دون إعادة تدريب النموذج. أما تحديد نهاية الدور في الكلام ومعالجة المقاطعات فيعملان في محيط النموذج.

يصل الكلام إلى وحدة فك الترميز (decoder) عبر مشفّر Whisper large-v3-turbo المجمّد، الذي يُخرج سمات صوتية ببُعد 1280، وعبر مُسقِط (projector) قابل للتدريب. يدمج المُسقِط كل ثمانية إطارات متجاورة، ويمرّرها عبر طبقات خطية وكتلة SwiGLU، ثم ينقلها إلى فضاء التضمينات (embeddings) في وحدة فك الترميز ببُعد 2816. ويبلغ عدد معاملاته 47 722 496 بالضبط. ولا يُنتج النموذج نص تفريغ أثناء الاستدلال، بل يعمل مباشرة مع التمثيلات الصوتية.

مرحلتان للتدريب وتقطير عبر الإنترنت

في المرحلة الأولى، ومع تجميد الأساس، يُدرَّب المُسقِط وحده على مهام النسخ والترجمة متعددة اللغات ومتابعة الكلام. وفي المرحلة الثانية يُدرَّب المُسقِط والأساس معًا: يُستخدم التدريب الإضافي الخاضع للإشراف على مهام الكلام، وعلى حوارات مولَّدة داخليًا، وعلى تفاعلات مع الأدوات، مع إعادة عرض بيانات نصية حتى لا يفقد النموذج مهاراته السابقة.

تُبنى الحوارات الصوتية تلقائيًا. تُحوَّل الحوارات النصية الخاصة بالمهام إلى أمثلة صوتية: تُختار المقاطع التي ستُقرأ بصوت منطوق، ويُستخدم صوت مرجعي واحد في كل محادثة، وتُراجَع دقة التحويل بشكل منفصل.

تُستخدم دالة خسارة مختلفة لكل مصدر من مصادر البيانات: الإنتروبيا المتقاطعة (cross-entropy)، أو تباعد KL المباشر (FKL)، أو مزيج منهما. تعلّم الإنتروبيا المتقاطعة النموذجَ الإجابات المستهدفة، بينما ينقل FKL، قياسًا إلى نسخة مجمّدة من الأساس الأصلي، سلوكَ هذه النسخة إلى السياقات الصوتية. والمعلّم مطلوب أثناء التدريب فقط، ولا وجود له عند الاستدلال.

ولكي يكون هذا المخطط ممكنًا من حيث الحوسبة، يشغّل المؤلفون المعلّم محليًا بجوار الطالب، ويجعلون حسابات المعلّم والطالب تتداخل زمنيًا، ويستخدمون نوى خسارة مدمجة على كامل المفردات، مع حفظ منسّق لنقاط الحفظ (checkpoints).

النتائج والسياق

إلى جانب Big Bench Audio وSpeech-BFCL، قيّم المؤلفون النموذج على EVA-Bench، الذي يقيس دقة الخدمة وجودة التفاعل معًا. وفي النسخة الإنجليزية بلغت الدقة 51,27%، وبلغ تقييم التجربة pass@1 نسبة 74,13%. كما يغطي التقرير التغطية متعددة اللغات، وتأثير وضع الاستدلال، والترجمة، وسيناريوهات المؤسسات، والحفاظ على القدرات النصية والبصرية.

يعتمد الأسلوب على نُهج معروفة: الربط بين المشفّر والمُسقِط كما في Ultravox وSLAM-ASR، ونقل السلوك بين الوسائط كما في BLSP-KD. وتكمن إضافة المؤلفين في طريقة اختيار إشارات التدريب، وفي الحوارات الصوتية الاصطناعية، وفي التنفيذ الفعّال للتقطير عبر الإنترنت. وهذه نسخة Preview، وجميع الأرقام مأخوذة من تقرير المطورين أنفسهم.

بالنسبة إلى مطوّري الوكلاء الصوتيين، تكتسب البنية أهمية خاصة: فحين يجتمع فهم الكلام والاستدلال واستدعاء الأدوات في نموذج مفتوح واحد، تقلّ نقاط الالتقاء بين مكونات النظام. وللعرض التوضيحي أطلق المؤلفون منصة Apriel Live، التي يمكن فيها اختبار النموذج في محادثات صوتية مباشرة.