يابانيون يتيحون Haru-4B مفتوح المصدر: ذكاء اصطناعي صوتي يستمع أثناء حديثه ويحتاج إلى 12 غيغابايت من ذاكرة الفيديو
يعمل المساعد الصوتي المعتاد مثل جهاز اللاسلكي: ينتظر حتى تصمت، ثم يجيب. أتاحت شركة higurashi AI اليابانية الناشئة نموذج Haru-4B مفتوح المصدر، وهو نموذج يستمع إليك أثناء حديثه نفسه، ويُدخل كلمات مثل «أها»، ويمكنه التحدث بالتزامن مع المتحدث الآخر. يكفيه كرت Nvidia بذاكرة 12 غيغابايت، أي ما يوجد في بطاقات الألعاب العادية، ويبلغ زمن التأخر على MacBook بشريحة M1 Max نحو 65.2 مللي ثانية. وبذلك صار بالإمكان تشغيل روبوت صوتي محلياً دون الاعتماد على السحابة.
معالج بواسطة الذكاء الاصطناعي من X: @TeksEdge؛ بتحرير Hamidun News
يعمل أي مساعد صوتي تقريباً مثل جهاز اللاسلكي: تتحدث أنت، وينتظر هو حتى يسود الصمت، ثم يجيب. لا يمكنك مقاطعته، ولن يُدخل في منتصف عبارتك كلمات مألوفة مثل «أها» و«فهمت»، ولذلك يشبه الحوار تبادل رسائل صوتية. أتاحت شركة higurashi AI اليابانية الناشئة نموذج Haru-4B مفتوح المصدر، وهو نموذج يستمع إليك في اللحظة التي يتحدث فيها هو نفسه. ويكفي لتشغيله كرت Nvidia بذاكرة فيديو تبلغ نحو 12 غيغابايت، أي ما يعادل بطاقة ألعاب عادية، لا مسرّعاً مخدّمياً باهظ الثمن. وبحسب منشور على X، احتل النموذج سريعاً المركز الأول في قائمة الأكثر رواجاً على Hugging Face بين جميع الفئات. وإذا كنت تطوّر منتجاً صوتياً، فهذه طريقة لاختبار الحوار الحي على عتادك الخاص، دون واجهة API سحابية.
ماذا يعني «يستمع أثناء حديثه»
المصطلح التقني لهذا النمط هو full-duplex، أي الاتصال الثنائي الكامل. وتعمل المكالمة الهاتفية بالطريقة نفسها: يستطيع الطرفان التحدث والسماع في آن واحد. لا ينتظر Haru-4B حتى تنهي عبارتك. فالنموذج يعالج الصوت الوارد باستمرار ويقرر ما يفعله: يواصل الكلام، أو يتوقف، أو يُدخل «أها» قصيرة، أو يبدأ الحديث فوق صوت محاوره.
ويذكر المطورون ثلاث قدرات لافتة: الكلام المتداخل، وعبارات التأكيد الحوارية («نعم، نعم»، «فهمت»)، والعمل بتسع لغات رئيسية. تخيّل مركز اتصال أو مدرّب لغات. فالمشغّل البشري يومئ استجابةً لكلامك ولا يلتزم الصمت بينما تشرح المشكلة. أما بالنسبة إلى الروبوت الصوتي التقليدي فهذا شبه مستحيل، لأنه ينتظر نهاية الجملة.
يقوم النموذج على نموذج اللغة Qwen3.5-4B الذي أضيفت إليه مكونات صوتية. ووفق ما يقوله المؤلفون، جرى التدريب على أكثر من 40 مليون ساعة من الكلام الحقيقي. ومنها أكثر من 13 مليون ساعة هي حوارات يتحدث فيها المتحاورون في وقت واحد. وتغطي بيانات الكلام أكثر من 160 لغة. كما يستطيع النموذج التكيف مع الشخصيات والأصوات: يكفي تزويده بعينة صوتية.
الأرقام والعتاد
أكثر ما في الإصدار فائدة عملية هو متطلبات العتاد. فبطاقة Nvidia تحتاج إلى نحو 12 غيغابايت من ذاكرة الفيديو. ويبلغ حجم نقطة التحقق (ملف الأوزان) بصيغة BF16 نحو 10.5 غيغابايت. ولتقديم الخدمة من الخوادم على GPU يُقترح استخدام vLLM-Omni. أما مستخدمو Mac فتتوافر لهم نسخة أصلية على MLX بنوى Metal خاصة.
وعلى MacBook بشريحة Apple M1 Max يذكر المطورون أن وسيط زمن المعالجة يبلغ 65.2 مللي ثانية. ويتلقى النموذج إطاراً صوتياً جديداً كل 133 مللي ثانية. بعبارة بسيطة: تستغرق معالجة مقطع الصوت نحو نصف مدة المقطع نفسه. ولذلك يبدو، بحسب هذه البيانات، أن النموذج قادر على العمل في الزمن الحقيقي على الحاسوب المحمول. وثمة تحفظ مهم: كل الأرقام مأخوذة من تصريحات المؤلفين ونُقلت في المنشور. ولا توجد في المادة قياسات مستقلة.
وتستحق الرخصة وقفة منفصلة. فرخصة Apache 2.0 تشمل الأوزان وكود الاستدلال معاً. وهذا يعني أنه يمكن دمج النموذج في منتج تجاري دون التفاوض مع المالك ودون دفع مقابل كل طلب إلى API تملكه جهة أخرى.
ماذا نفعل بذلك وأين العيوب
بالنسبة إلى مطوري الواجهات الصوتية، هذه فرصة لاختبار هذا النهج دون عقود سحابية. وتناسب هذا النهج تطبيقات تعليم اللغات، والشخصيات غير القابلة للعب (NPC) في الألعاب، والمساعدات في السيارات، والسماعات الذكية حيث تهمّ الخصوصية ويجب ألا يغادر الصوت إلى خادم غريب. وثمة أمر آخر يهم مدير المنتج: فطبيعية المحادثة كثيراً ما تحدد ما إذا كان الناس سيستخدمون الميزة الصوتية أصلاً.
والقيود واضحة أيضاً. فهذا نموذج بـ 4 مليارات معامل، ومن غير المرجح أن يضاهي الأنظمة السحابية الكبيرة في جودة الاستدلال. ولا يقدم المنشور على X بيانات عن أداء Haru مع الأسئلة المعقدة أو الضجيج في الخلفية أو تعدد المتحدثين. كما أن دعم تسع لغات رئيسية والتدريب على بيانات 160 لغة ليسا الشيء نفسه: فالجودة في اللغات النادرة ينبغي اختبارها على حدة. وقد تكون القدرة على المقاطعة والتحدث بالتزامن مزعجة إذا ضُبطت بصورة سيئة. وثمة خطر آخر هو استنساخ الصوت انطلاقاً من عينة صوتية: فالمنتج سيحتاج إلى قواعد للموافقة وإلى حماية من التزييف.
والخطوة العملية بسيطة: نزّل نقطة التحقق، وجرّبها على سيناريوهاتك، وقارنها بالسلسلة المعتادة «التعرف على الكلام — نموذج اللغة — تحويل النص إلى كلام». وإذا كانت حيوية الحوار مهمة لمنتجك، وكانت لديك بالفعل بطاقة رسوميات بذاكرة 12 غيغابايت، فسيستغرق الاختبار أمسية واحدة.
- 20 نوفمبر 2026Nvidia ضخّت 58,1 مليار دولار في شركات أخرى خلال 9 أشهر، أي 12 ضعف ما استثمرته قبل عام
- 20 نوفمبر 2026أربع ساعات على RTX 5090 بـ 348 ₽، وبحد أدنى يومي — من 1 730 ₽
- 20 نوفمبر 2026Nvidia تقترب من شراء Inception مقابل 500 مليون دولار على الأقل لأجل نماذج LLM الانتشارية
- 20 نوفمبر 2026Nvidia تنسحب من سوق H200 في الصين، وقواعد أمريكية جديدة تهدد إيراداتها بخسارة 44–62 مليار دولار
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ماذا يعني «يستمع أثناء حديثه»؟
المصطلح التقني لهذا النمط هو full-duplex، أي الاتصال الثنائي الكامل. وتعمل المكالمة الهاتفية بالطريقة نفسها: يستطيع الطرفان التحدث والسماع في آن واحد. لا ينتظر Haru-4B حتى تنهي عبارتك. فالنموذج يعالج الصوت الوارد باستمرار ويقرر ما يفعله: يواصل الكلام، أو يتوقف، أو يُدخل «أها» قصيرة، أو يبدأ الحديث فوق صوت محاوره. ويذكر المطورون ثلاث قدرات لافتة: الكلام المتداخل، وعبارات التأكيد الحوارية («نعم، نعم»، «فهمت»)، والعمل بتسع لغات رئيسية. تخيّل مركز اتصال أو مدرّب لغات.
ما أبرز التفاصيل حول الأرقام والعتاد؟
أكثر ما في الإصدار فائدة عملية هو متطلبات العتاد. فبطاقة Nvidia تحتاج إلى نحو 12 غيغابايت من ذاكرة الفيديو. ويبلغ حجم نقطة التحقق (ملف الأوزان) بصيغة BF16 نحو 10.5 غيغابايت. ولتقديم الخدمة من الخوادم على GPU يُقترح استخدام vLLM-Omni. أما مستخدمو Mac فتتوافر لهم نسخة أصلية على MLX بنوى Metal خاصة. وعلى MacBook بشريحة Apple M1 Max يذكر المطورون أن وسيط زمن المعالجة يبلغ 65.2 مللي ثانية. ويتلقى النموذج إطاراً صوتياً جديداً كل 133 مللي ثانية. بعبارة بسيطة: تستغرق معالجة مقطع الصوت نحو نصف مدة المقطع نفسه.
ما أبرز التفاصيل حول ماذا نفعل بذلك وأين العيوب؟
بالنسبة إلى مطوري الواجهات الصوتية، هذه فرصة لاختبار هذا النهج دون عقود سحابية. وتناسب هذا النهج تطبيقات تعليم اللغات، والشخصيات غير القابلة للعب (NPC) في الألعاب، والمساعدات في السيارات، والسماعات الذكية حيث تهمّ الخصوصية ويجب ألا يغادر الصوت إلى خادم غريب. وثمة أمر آخر يهم مدير المنتج: فطبيعية المحادثة كثيراً ما تحدد ما إذا كان الناس سيستخدمون الميزة الصوتية أصلاً. والقيود واضحة أيضاً. فهذا نموذج بـ 4 مليارات معامل، ومن غير المرجح أن يضاهي الأنظمة السحابية الكبيرة في جودة الاستدلال.
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.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.