Underdog تضغط نموذج الصوت Woof في 32 ميغابايت وتشغّله داخل المتصفح

تبدو الواجهة الصوتية ميزة بسيطة إلى أن تضطر إلى دفع تكاليف الخوادم، وانتظار استجابة السحابة، وشرح المكان الذي أرسل إليه نص المستخدم. تقترح Underdog خيارا مختلفا: يبلغ حجم نموذج تحويل النص إلى كلام Woof نحو 31.7 ميغابايت، ويضم 31 مليون معلمة، ويعمل، بحسب الشركة، مباشرة داخل المتصفح على معظم الأجهزة، حتى من دون إنترنت.

لم تعرض الشركة النموذج في جدول للاختبارات المعيارية، بل داخل لعبة صغيرة. تظهر على الشاشة غرفة تضم آلة كاتبة وشاشة قديمة وجهاز استقبال موسيقيا. يكتب المستخدم أي عبارة، ثم ينطقها Woof محليا. وهذا مثال واضح على ما يختبئ عادة وراء عبارة «الحوسبة على الجهاز»: لا حاجة إلى إرسال النص إلى خادم بعيد، ولا تعتمد الاستجابة على جودة الاتصال.

لماذا يوضع صوت في 32 ميغابايت

عند استخدام تحويل النص إلى كلام عبر السحابة، يسجل التطبيق النص أو يستقبله، ويرسل البيانات إلى المزود، وينتظر عملية التوليد، ثم يتلقى الصوت. تشمل هذه السلسلة الشبكة وواجهة API خارجية ورسوم الطلبات وقواعد معالجة البيانات. وإذا تعطلت الخدمة أو انقطع الاتصال، تتوقف الميزة الصوتية عن العمل.

ينقل Woof العمليات الحسابية إلى جهاز المستخدم. ويعد هذا النهج مثيرا للاهتمام بصورة خاصة لتطبيقات تدوين الملاحظات، والنطق الصوتي للواجهات، والملاحة، والتطبيقات التعليمية، والمساعدين الشخصيين. فعلى سبيل المثال، يمكن لتطبيق قراءة المستندات أن ينطق فقرة محددة على متن طائرة أو في المترو من دون رفع محتوى المستند إلى السحابة. ولا تقتصر الفائدة للمنتج على الخصوصية، بل تشمل أيضا تكلفة أكثر قابلية للتنبؤ: فبعد تنزيل النموذج، لا يتحول كل طلب جديد إلى فاتورة منفصلة من مزود API.

النموذج متاح للتنزيل. وهذا يتيح للمطورين دمجه في منتجاتهم، واختبار زمن الاستجابة على الأجهزة المستهدفة، ودراسة قيوده عند الحاجة من دون الارتباط بخدمة مغلقة. وكانت Underdog قد أطلقت سابقا Bark، وهو نموذج للتعرف على الكلام بحجم 167 ميغابايت مخصص للنسخ والإملاء محليا. وترسم التقنيتان معا ملامح مسار صوتي كامل على الجهاز: يحول Bark الكلام إلى نص، ويعالج التطبيق الطلب، ثم ينطق Woof الإجابة.

العرض التوضيحي لا يساوي منتجا جاهزا بعد

حجم النموذج مثير للإعجاب، لكنه لا يكشف بحد ذاته مدى طبيعية الصوت، أو دعم اللغة الروسية، أو الثبات عند التعامل مع العبارات الطويلة، أو السرعة على الهواتف الضعيفة. ولا تتضمن المادة المنشورة مقارنة مستقلة بين Woof والأنظمة السحابية، كما لا تقدم قياسات مفصلة لزمن الاستجابة أو استهلاك الطاقة أو جودة الكلام. لذلك ينبغي التعامل مع قول الشركة إن النموذج يعمل على معظم الأجهزة بوصفه تصريحا من المطور، لا نتيجة اختبارات مؤكدة.

ومن غير المرجح أيضا أن يحل نموذج صغير محل الأنظمة الكبيرة في الحالات التي تتطلب عشرات اللغات، أو تحكما دقيقا في النبرة، أو استنساخ الصوت، أو جودة استوديو. وقد تكمن قوته في جانب آخر: كلام جيد بما يكفي، من دون شبكة أو خادم أو نقل للبيانات الشخصية.

ما الذي ينبغي للمطور اختباره

ينبغي البدء بنموذج أولي صغير بدلا من الاستبدال الكامل للخدمة الصوتية الحالية. اختر سيناريو واحدا، مثل قراءة الإشعارات، وقس زمن التشغيل الأول، والتأخير حتى بدء الكلام، والضغط على الذاكرة والبطارية. بعد ذلك، اختبر نطق الأرقام والأسماء والاختصارات والجمل الطويلة على الأجهزة التي يستخدمها الجمهور فعليا.

إذا كانت الجودة مناسبة، يمكن اعتماد النموذج المحلي خيارا أساسيا، مع استخدام السحابة للحالات المعقدة فقط. ولا تكمن أهمية Woof في أن حجم النموذج أصغر من صورة ملتقطة بهاتف ذكي حديث فحسب. فهو يكشف عن تحول عملي: يصبح الذكاء الاصطناعي الصوتي تدريجيا جزءا عاديا من التطبيق، من دون ضرورة استئجار خادم أو إرسال بيانات المستخدمين إلى الخارج.