نموذج Apriel Voice 27B المفتوح يحقق 98,90 في Big Bench Audio و81,13 في Speech-BFCL

قدّم باحثو مشروع Apriel نموذج Apriel Voice 27B Preview، وهو نموذج لغوي كلامي مفتوح يجمع فهم الصوت والاستدلال واستدعاء الأدوات في backbone واحد مشترك. في وضع الاستدلال يحقق النموذج 98,90 في Big Bench Audio (مجموعة أسئلة استدلال تُقدَّم بصيغة صوتية) و81,13 في Speech-BFCL (النسخة الكلامية من معيار استدعاء الدوال Berkeley Function-Calling Leaderboard). ويبلغ متوسط زمن الاستجابة 1,91 ثانية. يقوم النموذج على نقطة تحقق (checkpoint) مُعاد تدريبها من Gemma 4 26B-A4B، وهي بنية مزيج الخبراء (mixture-of-experts) بنحو 26 مليار معامل في المجموع وقرابة 4 مليارات معامل نشط لكل توكن. يستقبل Apriel Voice الكلام مباشرة، ويحتفظ بمدخلات النص والصور، ويولّد بنفسه الردود واستدعاءات الأدوات معًا، فلا حاجة إلى نموذج حواري منفصل.

ماذا أظهرت المعايير

إلى جانب النتيجتين الرئيسيتين، يبلغ متوسط نجاح تنفيذ المهام في معيار Voice الصوتي 65,51%. وفي EVA-Bench الإنجليزي، الذي يقيس دقة الخدمة وجودة التفاعل معًا، تصل الدقة إلى 51,27% ويبلغ تقييم التجربة pass@1 نحو 74,13%. ويصف المطورون ذلك بأنه نتيجة قوية لنموذج مفتوح تمتد قدراته الكلامية إلى الاستدلال والتنفيذ.

ويشدد التقرير بشكل منفصل على أن دقة التعرف على الكلام وحدها لا تكفي للوكيل الصوتي: فقد ينسخ النموذج الطلب بشكل صحيح ثم لا يلتزم بالقيود، أو لا يستدعي الأداة المطلوبة. لذلك قُيّم الكلام بوصفه واجهة إلى القدرات العامة، أي الاستدلال واتباع التعليمات والحوار وإتمام المهام، إلى جانب التعرف على الكلام والترجمة. كما يقارن التقرير بين وضعي الاستدلال وعدمه، ويتناول تغطية اللغات والحفاظ على مهارات التعامل مع النصوص والصور.

البنية: المشفّر والمُسقِط وbackbone المشترك

يمر الصوت عبر مشفّر Whisper large-v3-turbo المجمَّد، الذي يُخرج سمات صوتية بـ1280 بُعدًا. ثم يدمج مُسقِط قابل للتدريب كل ثمانية إطارات متجاورة ويمررها عبر طبقات خطية ببوابة SwiGLU إلى فضاء المفكك (decoder) ذي الـ2816 بُعدًا. التصميم مستعار من Ultravox، وحجم المُسقِط 47 722 496 معاملًا بالضبط، أي نحو 47,7 مليون. لا يُنشأ نص مكتوب (transcript) أثناء الاستدلال، إذ يتلقى المفكك التمثيلات الصوتية مباشرة.

أما تنفيذ الأدوات وتخليق الكلام فقد أُخرجا من النموذج. يشغّل التطبيق الأدوات، ويعيد النتائج إلى السياق نفسه، ويرسل نص الرد إلى مُخلِّق كلام قابل للاستبدال. كما يجري تحديد نهاية الجملة ومعالجة المقاطعات خارج النموذج. وبفضل ذلك يمكن تغيير الصوت أو نظام التخليق دون إعادة تدريب نموذج الاستدلال نفسه.

كيف دُرِّب النموذج

كان الهدف إضافة واجهة كلامية إلى مفكك قوي أصلًا دون فقدان قدراته السابقة. في المرحلة الأولى يُدرَّب المُسقِط على النسخ متعدد اللغات والترجمة ومتابعة الكلام، مع تجميد backbone. وفي المرحلة الثانية يُحدَّث المُسقِط وbackbone معًا، باستخدام مهام كلامية، وحوارات مولّدة داخليًا، وأمثلة على العمل مع الأدوات، وإعادة عرض للبيانات النصية.

يجمع التدريب لكل مصدر بيانات بين الإنتروبيا المتقاطعة وتباعد كولباك–ليبلر الأمامي. الأولى تعلّم النموذج الإجابات المستهدفة واستدعاءات الأدوات، والثانية تنقل سلوك نسخة مجمَّدة من backbone الأصلي وتحد من النسيان. هذا «المعلّم» لازم أثناء التدريب فقط، ولا وجود له عند الاستدلال.

تُنشأ الحوارات أولًا كنصوص، ثم تُحوَّل تلقائيًا إلى كلام: تُختار مقاطع، ويُستخدم صوت مرجعي واحد داخل كل حوار، وتُتحقق دقة التحويل. وتشمل الجوانب الهندسية تشغيل المعلّم محليًا، وتداخل حسابات المعلّم والطالب، ونوى مدمجة (fused kernels) لحساب الخسارة على كامل المعجم، وحفظًا متسقًا لنقاط التحقق.

ماذا يعني ذلك

ما يهم الممارسين هو الوصفة نفسها: أخذ نموذج نصي قوي، وإضافة مُسقِط كلامي، والحفاظ على سلوكه عبر التقطير، بدلًا من بناء سلسلة متتابعة تضم التعرف على الكلام وLLM وتخليق الكلام. هذه نسخة Preview، وقد نشر المطورون منصتهم الخاصة Apriel Live للمحادثات الحية.