بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارTG: @ai_machinelearning_big_data (Machinelearning)→ المصدر

Liquid AI تطلق LiquidCodec: فك ترميز الكلام أسرع 2,9 مرة من Mimi

لن يردّ المساعد الصوتي على الهاتف بسرعة إذا استغرق تحويل الصوت إلى رموز، ثم إعادته إلى صوت، وقتًا طويلًا. أتاحت Liquid AI كوديك LiquidCodec بحجم 74 مليون معامل. يفك الكوديك ترميز ثانية صوت في 0,0115 ثانية، أي أسرع بمقدار 2,9 مرة من Mimi (0,0329 ث). وجودة الصوت أعلى أيضًا وفق مقياس ViSQOL على LibriSpeech: 4,319 مقابل 4,031 لـ Mimi. إذا كانت المكدّسة الصوتية لديكم تعاني من زمن التأخير، فمن المفيد اختبار الكوديك على عتادكم. أبرز النقاط:

معالج بواسطة الذكاء الاصطناعي من TG: @ai_machinelearning_big_data (Machinelearning)؛ بتحرير Hamidun News
Liquid AI تطلق LiquidCodec: فك ترميز الكلام أسرع 2,9 مرة من Mimi
المصدر: TG: @ai_machinelearning_big_data (Machinelearning). كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليTG: @ai_machinelearning_big_data (Machinelearning) ↗
رئيس التحرير
حقيقة رئيسية #1يعمل الترميز على خيط معالجة واحد في M4 Max أسرع 361 مرة من الزمن الحقيقي
حقيقة رئيسية #2مفكّك الترميز بدقة أربع بتات أخفّ 3,5 مرة، ويبقى ViSQOL قريبًا من قيمته السابقة: 4,292
حقيقة رئيسية #3الترخيص LFM Open v1.0، والأوزان متاحة على Hugging Face

تخيّلوا مساعدًا صوتيًا يعمل مباشرة على الهاتف أو الحاسوب المحمول، من دون سحابة. تقولون: «اضبط مؤقتًا لعشر دقائق». النموذج اللغوي لا يسمع الصوت، بل يقرأ رموزًا منفصلة، أي متتاليات من الأرقام. وعلى الكوديك أن يحوّل الكلام إلى هذه الأرقام، وأن يعيد تركيب الإجابة صوتًا. وإذا كان الكوديك بطيئًا، يتأخر ردّ المساعد حتى لو كان النموذج نفسه سريعًا. أتاحت Liquid AI للعموم كوديك LiquidCodec بحجم 74 مليون معامل. يفك الكوديك ترميز ثانية واحدة من الصوت في 0,0115 ثانية، بينما يستغرق Mimi، كوديك LFM2-Audio السابق، 0,0329 ثانية لذلك. وهذا أسرع بمقدار 2,9 مرة (حساب التحرير). وإذا كنتم تطوّرون ميزات صوتية للأجهزة، فهذا سبب مباشر لاختبار الكوديك على بياناتكم.

ماذا يفعل الكوديك وبمَ يختلف هذا الكوديك؟

يقسّم المشفّر الصوت إلى إطارات، ويسجّل كل إطار بوصفه مجموعة من الأرقام مأخوذة من فهارس محددة مسبقًا تُسمّى دفاتر الترميز (codebooks). يقرأ النموذج هذه الأرقام ويتنبأ بالاستمرار. ثم يجمع مفكّك الترميز الكلام المسموع من الأرقام المتنبأ بها. وقد بُني LFM3-Audio-2B وLFM3-Omni-2B على LiquidCodec، وصدرا في أواخر أكتوبر.

يُنتج LiquidCodec 12,5 إطارًا في الثانية عند تردد صوت 24 كيلوهرتز. ومشفّره سببي بالكامل: ينظر إلى الماضي فقط ولا ينتظر نهاية الجملة. لذلك يناسب البث القادم من الميكروفون، حين لا يكون التسجيل مخزّنًا مسبقًا.

يستخدم Mimi التكميم الاتجاهي المتبقي (residual vector quantization)، حيث تُحسِّن الرموز بعضها بعضًا بالتسلسل. أما LiquidCodec فيعتمد التكميم العددي المحدود المجمّع واثني عشر دفتر ترميز. ويمكن للنموذج اللغوي أن يتنبأ بها بالتوازي، بدل تخمينها واحدًا تلو الآخر. وبحسب إعادة حسابي، يعني ذلك نحو 150 رمزًا لكل ثانية صوت عند 12,5 إطارًا في الثانية. ويُخرج مفكّك الترميز المعاملات الطيفية مباشرة، ويستغني عن رفع معدل أخذ العينات القابل للتدريب والمُكلف.

ماذا أظهرت القياسات؟

جميع الأرقام مأخوذة من منشور Liquid AI نفسها ومن مدونتها. ولا توجد حتى الآن اختبارات مستقلة.

  • على خيط معالجة واحد في معالج MacBook Pro مع M4 Max، يعمل الترميز أسرع 361 مرة من الزمن الحقيقي، وفك الترميز أسرع 87 مرة.
  • يستغرق مفكّك الترميز 0,0115 ثانية لكل ثانية صوت. وفي Mimi يبلغ الزمن 0,0329، وفي X-Codec 2 يبلغ 0,0379، وفي NanoCodec يبلغ 0,2543.
  • بلغ ViSQOL، وهو تقييم آلي لمدى قرب الكلام المستعاد من الأصل، 4,319 على LibriSpeech. وبلغ 4,219 لـ NanoCodec، و4,119 لـ X-Codec 2، و4,031 لـ Mimi.
  • وفق ViSQOL والمسافة بين طيفيات ميل (mel-spectrograms)، يتصدر الكوديك في جميع مجموعات البيانات الثماني. اللغات: الإنجليزية والصينية والألمانية والفرنسية واليابانية والكورية.
  • حصلت نماذج تركيب الكلام المدرَّبة على رموز LiquidCodec على أفضل طبيعية في الصوت في جميع المجموعات الثماني، وعلى أفضل وضوح في أربع مجموعات.
  • يزن مفكّك الترميز بدقة أربع بتات أقل بمقدار 3,5 مرة. ولا تنخفض الجودة تقريبًا: ViSQOL يبلغ 4,292.

ماذا نفعل بهذا؟

تفيد المطوّرين نقطتان. أولًا، يمكن أخذ الكوديك الخفيف ذي الأوزان المفتوحة بمعزل عن غيره، مثلًا لنموذج كلام خاص بكم، وليس فقط ضمن LFM3. ثانيًا، يترك مفكّك الترميز بدقة أربع بتات هامشًا في الذاكرة لسيناريوهات الأجهزة المحمولة والمدمجة.

وهناك تحفظات. فقد قيست السرعة على معالج Apple قوي، وعلى هاتف اقتصادي ستختلف الأرقام. وViSQOL وطيفيات ميل تقييمان آليان، ولا يحلّان محل الاستماع البشري. ووضوح التركيب هو الأفضل في أربع مجموعات فقط من ثماني. كما أن ترخيص LFM Open v1.0 ليس من تراخيص المصدر المفتوح الأكثر شيوعًا، لذلك من الأفضل قراءة شروطه قبل الدمج في منتج تجاري.

وإذا كانت مكدّسة الصوت لديكم تعاني اليوم من زمن تأخير فك الترميز، فمن المفيد اختبار LiquidCodec على بياناتكم وعتادكم. وقد نُشرت الأوزان والمقال في المدونة بالفعل.

القصة

أسئلة وأجوبة حول الخبر

ماذا يفعل الكوديك وبمَ يختلف هذا الكوديك؟

يقسّم المشفّر الصوت إلى إطارات، ويسجّل كل إطار بوصفه مجموعة من الأرقام مأخوذة من فهارس محددة مسبقًا تُسمّى دفاتر الترميز (codebooks). يقرأ النموذج هذه الأرقام ويتنبأ بالاستمرار. ثم يجمع مفكّك الترميز الكلام المسموع من الأرقام المتنبأ بها. وقد بُني LFM3-Audio-2B وLFM3-Omni-2B على LiquidCodec، وصدرا في أواخر أكتوبر. يُنتج LiquidCodec 12,5 إطارًا في الثانية عند تردد صوت 24 كيلوهرتز. ومشفّره سببي بالكامل: ينظر إلى الماضي فقط ولا ينتظر نهاية الجملة.

ماذا أظهرت القياسات؟

جميع الأرقام مأخوذة من منشور Liquid AI نفسها ومن مدونتها. ولا توجد حتى الآن اختبارات مستقلة. على خيط معالجة واحد في معالج MacBook Pro مع M4 Max، يعمل الترميز أسرع 361 مرة من الزمن الحقيقي، وفك الترميز أسرع 87 مرة. يستغرق مفكّك الترميز 0,0115 ثانية لكل ثانية صوت. وفي Mimi يبلغ الزمن 0,0329، وفي X-Codec 2 يبلغ 0,0379، وفي NanoCodec يبلغ 0,2543. بلغ ViSQOL، وهو تقييم آلي لمدى قرب الكلام المستعاد من الأصل، 4,319 على LibriSpeech. وبلغ 4,219 لـ NanoCodec، و4,119 لـ X-Codec 2، و4,031 لـ Mimi.

ماذا نفعل بهذا؟

تفيد المطوّرين نقطتان. أولًا، يمكن أخذ الكوديك الخفيف ذي الأوزان المفتوحة بمعزل عن غيره، مثلًا لنموذج كلام خاص بكم، وليس فقط ضمن LFM3. ثانيًا، يترك مفكّك الترميز بدقة أربع بتات هامشًا في الذاكرة لسيناريوهات الأجهزة المحمولة والمدمجة. وهناك تحفظات. فقد قيست السرعة على معالج Apple قوي، وعلى هاتف اقتصادي ستختلف الأرقام. وViSQOL وطيفيات ميل تقييمان آليان، ولا يحلّان محل الاستماع البشري. ووضوح التركيب هو الأفضل في أربع مجموعات فقط من ثماني.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…