Zyphra تطلق تخليق الكلام داخل المتصفح بزمن تأخير أقل من 570 مللي ثانية على Pixel 9

عندما يكون المساعد الصوتي قد توصّل إلى الإجابة لكنه لا يزال صامتًا، يلاحظ المستخدم كل وقفة. من الطرق لتقليص الانتظار تخليق الكلام على الجهاز نفسه. أصدرت Zyphra نموذج ZONOS3-Mini: وفق قياسات الشركة، يظهر أول صوت في المتصفح على Pixel 9 خلال أقل من 570 مللي ثانية، وعلى MacBook Air بمعالج M3 خلال أقل من 150 مللي ثانية. فعلى سبيل المثال، يمكن لتطبيق تعليمي نطق التلميحات مباشرة على الهاتف. ومن المنطقي أن يتحقق المطوّر مما إذا كان هذا الخيار يلبّي متطلبات واجهته. إعلان Zyphra.

تصحيح فوري لمنشور Telegram الأصلي: العبارة «تسع لغات دون الروسية» تتعارض مع الوثائق الحالية. فبطاقة النموذج تسرد 43 لغة، بينها الروسية. ومع ذلك فإن وجود اللغة في القائمة لا يجيب عن مدى جودة نطق النموذج للألقاب والاختصارات والأرقام في منتجك. بطاقة النموذج.

كيف يفيد ذلك في المنتج

لنتخيل تطبيقًا لتعلّم الإنجليزية. يجيب المستخدم عن سؤال، فيتلقى تصحيحًا ويسمع مثالًا للنطق. وإذا كان التخليق الصوتي يعمل محليًا، فبإمكان الفريق حذف الاتصال بخدمة خارجية من هذه المرحلة. أما مقدار تسريع الحوار كله فيعتمد أيضًا على بقية أجزاء النظام: التعرف على الكلام، وتوليد الإجابة، وتحضير النص.

يستطيع ZONOS3-Mini استنساخ الصوت من عيّنة وتغيير خصائصه: العمر الظاهر للصوت، واللكنة، والنبرة. ويمكن التحكم في الانفعال والإيقاع وأسلوب نطق كلمات بعينها. وفي الألعاب يتيح ذلك تجربة نبرات مختلفة للشخصية على الجملة نفسها؛ وفي التعليم تمييز الكلمة التي أخطأ فيها المتعلّم بالصوت. هذه إمكانات معلنة، ويجب تقييم جودتها بالاستماع. وصف الإمكانات.

الاختبار العملي هنا بسيط إلى حد ما: خذ نصوص الواجهة الحقيقية وقارن عدة نسخ من التخليق الصوتي دون معرفة مصدرها. اطلب من الزملاء تقييم وضوح الكلام وطبيعية الوقفات وملاءمة النبرة. والأمثلة الصعبة مفيدة بشكل خاص: اسم باقة طويل، أو مبلغ مع عملة، أو عنوان، أو جملة تحتوي مصطلحًا إنجليزيًا داخل جملة روسية.

ما وراء كلمة Mini

يضم النموذج 800 مليون معامل، لكن نحو 100 مليون فقط تُستخدم في معالجة كل خطوة. ويعتمد بنية MoE: توزَّع الحسابات بين كتل متخصصة. وهذا يقلّص حجم العمل أثناء التوليد، لكن لا بد مع ذلك من تحميل النموذج وتخزينه. وعدد المعاملات النشطة وحده لا يبيّن مقدار الذاكرة التي سيشغلها التطبيق. الوصف التقني.

توجد عدة مسارات للدمج. يحتوي المستودع على نسخة للمتصفح عبر WebGPU، وخادم لبطاقات NVIDIA، ونسخة MLX لمعالجات Apple Silicon، وتنفيذًا بلغة C++/ggml. وتستخدم الخوادم واجهة HTTP API مشتركة؛ ويتوفر بثّ الصوت تدريجيًا. يمكن للفريق أن يبدأ بنموذج أولي في المتصفح، ثم يقارنه بخادم محلي على العتاد المستهدف. الشيفرة والتعليمات.

يتطلب التشغيل في المتصفح تنزيلًا أوليًا للنموذج، ثم تُحفظ الملفات في الذاكرة المؤقتة. لذلك يحتاج المنتج إلى قياسين منفصلين: الزيارة الأولى لمستخدم جديد، وإعادة فتح التطبيق. فالتوليد السريع بعد التحميل لا يضمن سرعة مماثلة عند التشغيل الأول. تعليمات المتصفح.

ما الفحوص اللازمة قبل الاعتماد

أزمنة التأخير المنشورة هي نتائج Zyphra نفسها على أجهزة محددة. ينبغي التعامل معها كمرجع لاختبارك الخاص. افحص الزمن حتى أول صوت، واستمرارية تشغيل جملة طويلة، واستهلاك الذاكرة، وسلوك الهاتف بعد عدة دقائق من العمل. وانظر بشكل منفصل فيما يحدث عند تبديل علامات التبويب وتحت حمل متزامن.

بالنسبة إلى السيناريو الروسي، يكتسب تحضير النص أهمية خاصة. تسرد الوثائق تسع لغات تخضع لتطبيع نصي خاص؛ أما البقية فتُمرَّر إلى النموذج كما كُتبت. والروسية ليست ضمن هذه التسع. لذا ينبغي إدراج تحويل التواريخ والمبالغ المالية والاختصارات في فحص الدمج. وصف معالجة النص.

صدرت الأوزان بترخيص Apache 2.0. وهذا يجعل النموذج مرشحًا مثيرًا للاهتمام لواجهة صوتية خاصة، لكن الأفضل اتخاذ قرار الاعتماد بعد نموذج أولي صغير: جمل حقيقية، وأجهزة مستهدفة، وحد قابل للقياس لزمن التأخير المقبول. والسؤال الأهم للمنتج هو: هل يتلقى المستخدم إجابة صوتية واضحة بسرعة كافية وبثبات؟ ترخيص الأوزان.