ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

محرك Wavo المكتوب بلغة Rust يفرّغ ساعة من الصوت في 18 ثانية، أسرع 200 مرة من الزمن الحقيقي

لم يجد المؤلف برنامجاً أصيلاً للإملاء الصوتي، فكتب مع وكلاء الذكاء الاصطناعي محرك التعرف على الكلام wavo بلغة Rust. على MacBook Pro المزوّد بشريحة M5 يفرّغ المحرك تسجيلاً مدته ساعة في نحو 18 ثانية على المسرّع العصبي من Apple، أي أسرع 200 مرة من الزمن الحقيقي. وعلى بطاقة الرسوميات يبلغ أداؤه 160× مقابل 107× لـ transcribe.cpp. كُتبت الشيدرات مرة واحدة عبر wgpu، دون C++ ودون شيفرة مخصصة لكل بطاقة رسوميات. الخلاصة: الوكلاء باتوا قادرين على كتابة الشيدرات، لكن السرعة يجب قياسها على كل عتاد على حدة.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
محرك Wavo المكتوب بلغة Rust يفرّغ ساعة من الصوت في 18 ثانية، أسرع 200 مرة من الزمن الحقيقي
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
محوّل فورييه السريع (FFT) من تطويره176 سطراً مقابل 55 ألفاً في rustfft، وزمن إعادة البناء انخفض من 11,9 إلى 2,1 ثانية
Whisper turbo على RTX 4060تسجيل قصير في 201 مللي ثانية مقابل 226 لـ transcribe.cpp
نموذج GigaAM v3 الروسي330 ضعف الزمن الحقيقي مقابل 262 لـ transcribe.cpp

ماذا تعني عبارة «أسرع 200 مرة من الزمن الحقيقي»؟ يُفرَّغ تسجيل مدته ساعة في نحو 18 ثانية (نقسم 3600 ثانية على 200). هذه هي النتيجة التي حصل عليها مطوّر لم يكن يريد سوى برنامج إملاء صوتي مريح، لكنه انتهى بكتابة محرك خاص للتعرف على الكلام باسم wavo بلغة Rust بمساعدة وكلاء الذكاء الاصطناعي. يعمل المحرك على MacBook Pro المزوّد بشريحة M5 ويتفوق على الحلول الجاهزة الشائعة. والقصة مفيدة لكل من يبني أدوات ذكاء اصطناعي محلية: فهي تبيّن أين يفيد الوكلاء فعلاً، وأين لا غنى عن الاختبار على العتاد الحقيقي.

كيف بدأ كل شيء

انتقل المؤلف إلى MacBook Air M5، وقرر في الوقت نفسه استبدال البرمجيات الثقيلة ببدائل أصيلة: VS Code بـ Zed، وChrome بـ Helium. وللإملاء الصوتي أثناء العمل مع الوكلاء كان يستخدم برنامج Handy، لكنه مكتوب بإطار Tauri، بينما كان المطوّر يريد تطبيقاً أصيلاً. لم يجد الوكيل بديلاً مناسباً، فقرر المطوّر كتابة برنامجه الخاص. وبالتوازي جرّب خيارات متعددة للواجهة (GPUI Kit وegui وعناصر التحكم في النظام)، وانتهى بكتابة مكتبة واجهات خاصة به: استغرق محرك العرض نفسه نحو 3 آلاف سطر بلغة Rust، والمكونات الأساسية نحو 6 آلاف سطر أخرى.

الجزء الرئيسي من المشروع هو محرك التعرف على الكلام. فمشروع transcribe.cpp الجاهز كان يستغرق نحو دقيقة في الربط عند كل إعادة بناء، كما أنه يُدخل شيفرة C++ إلى مشروع Rust. وفي داخله مكتبة ggml التي تحمل شيفرة مستقلة وأدوات بناء مستقلة لكل بطاقة رسوميات (Metal وVulkan وCUDA). أما البديل فهو wgpu: تُكتب الشيدرات مرة واحدة بلغة WGSL، وتعمل على أي بطاقة رسوميات، وتُبنى بأمر cargo build المعتاد. جرّب المؤلف تشغيل نموذج GigaAM v3 عليه، وكتب الوكيل الشيدرات بسهولة، وجاءت النتيجة مقارِبة للأصل.

ثمة تفصيل مهم عن صيغة GGUF: فهي تخزّن الأوزان والبيانات الوصفية فقط (اسم البنية، وأحجام الطبقات، والمعجم). أما الحسابات نفسها فليست في الملف، بخلاف TensorFlow أو Core ML اللذين يصفان رسماً بيانياً للعمليات. لذلك تُكتب الحسابات لكل عائلة نماذج على حدة: GigaAM وParakeet وWhisper. واضطر المؤلف إلى فهم آلية العمل: يُقطَّع الصوت إلى مقاطع، ويتحول عبر تحويل فورييه السريع إلى مخطط طيفي (أي أي الترددات تُسمع في كل لحظة)، ثم يحوّله المشفّر إلى متجهات، ويجمّع منها المفكّك (CTC أو RNN-T أو TDT) النص.

كتب Codex النسخة الأولى من دعم Parakeet v2 في ليلة واحدة، لكن الشيفرة جاءت فوضوية. فتخلص منها المؤلف وأعاد كتابتها مع Claude Code. ثم أُضيف Parakeet v3 وWhisper كمرجع للمقارنة.

أين وُجدت التسريعات

قبل النشر انشغل المؤلف بسرعة البناء. فحزمة rustfft كانت تبطّئ إعادة البناء، وعند استخدام wavo كمكتبة كان كل مستخدم سيتحمل هذا التأخير. فكتب محوّل FFT خاصاً بمهمة واحدة: 176 سطراً مقابل 55 ألفاً في rustfft، وتسارعت إعادة البناء من 11,9 إلى 2,1 ثانية. ويثني المؤلف على rustfft نفسها: فهي مصمَّمة لتناسب كل الحالات، بينما كان المطلوب حالة واحدة فقط.

أظهرت الاختبارات على عتاد مختلف أداءً ضعيفاً على Windows مع بطاقة NVIDIA. وكان السبب flash attention. فآلية attention العادية تكتب جدول المقارنات بين جميع متجهات المقطع الصوتي في ذاكرة بطاقة الرسوميات ثم تقرأه من جديد. أما flash attention فتحسب الشيء نفسه على دفعات صغيرة في ذاكرة سريعة قرب الأنوية، ولا تخزّن الجدول كاملاً. وعلى أجهزة Mac كان الوكيل قد صنع شيدرات كهذه لكتل المصفوفات في Apple، أما لدى NVIDIA فالكتل بحجم مختلف، ولذلك سلكت الشيفرة المسار القياسي. وبعد إضافة شيدرات خاصة بـ NVIDIA صار wavo يتعرف على تسجيل قصير بنموذج Whisper turbo في 201 مللي ثانية مقابل 226 لـ transcribe.cpp (كان الزمن سابقاً 637 مللي ثانية).

وعلى M5 ظهر اكتشاف آخر: ففي كل نواة من أنوية بطاقة الرسوميات ظهر مسرّع عصبي يضرب المصفوفات أسرع بثلاث مرات (0,60 مللي ثانية مقابل 1,89 مللي ثانية). لكن الوصول إليه ممكن عبر Metal 4 فقط، وwgpu لا يدعمه بعد. وتجاوز المؤلف هذا القيد بشيدر Metal منفصل خاص بـ M5 وحده، وفتح issue في wgpu.

الأرقام والقيود

في مقارنة Parakeet v3 بالإنجليزية (MacBook Pro M5)، يفرّغ wavo على Neural Engine، وهو وحدة مستقلة في شرائح Apple مخصصة للشبكات العصبية، عبارة مدتها 5 ثوانٍ في 0,12 ثانية، ويفرّغ ساعة من التسجيل أسرع 200 مرة من الزمن الحقيقي. أما FluidAudio على Neural Engine فيحقق 175×، وwavo على GPU يحقق 160×، وtranscribe.cpp على GPU يحقق 107×، وparakeet.cpp يحقق 90×، وparakeet-mlx يحقق 61×، وsherpa-onnx على CPU يحقق 39×. وفي الروسية مع GigaAM v3 الفارق مشابه: wavo أسرع 330 مرة من الزمن الحقيقي، وtranscribe.cpp أسرع 262 مرة.

وهناك تحفظات مهمة. فقياسات Windows أُجريت على بطاقة رسوميات واحدة هي RTX 4060، ولم يختبر المؤلف AMD Radeon إطلاقاً ويطلب إرسال النتائج في issues. وقد جُمع الجدول على جهاز Mac واحد، والمشروع شخصي، وليس معياراً مستقلاً.

الخلاصة العملية: الوكلاء قادرون اليوم على كتابة الشيدرات ومحرك استدلال كامل، بشرط أن يفهم الإنسان بنية النماذج ويتحقق من النتيجة. لكن أغلى الاكتشافات، مثل الأداء الضعيف على NVIDIA وكتل M5 غير المستغلة، لم تظهر إلا على العتاد الحقيقي. وإذا كنتم تبنون أداة ذكاء اصطناعي محلية، فخصصوا وقتاً للاختبار على بطاقات رسوميات مختلفة.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف بدأ كل شيء؟

انتقل المؤلف إلى MacBook Air M5، وقرر في الوقت نفسه استبدال البرمجيات الثقيلة ببدائل أصيلة: VS Code بـ Zed، وChrome بـ Helium. وللإملاء الصوتي أثناء العمل مع الوكلاء كان يستخدم برنامج Handy، لكنه مكتوب بإطار Tauri، بينما كان المطوّر يريد تطبيقاً أصيلاً. لم يجد الوكيل بديلاً مناسباً، فقرر المطوّر كتابة برنامجه الخاص.

ما أبرز التفاصيل حول أين وُجدت التسريعات؟

قبل النشر انشغل المؤلف بسرعة البناء. فحزمة rustfft كانت تبطّئ إعادة البناء، وعند استخدام wavo كمكتبة كان كل مستخدم سيتحمل هذا التأخير. فكتب محوّل FFT خاصاً بمهمة واحدة: 176 سطراً مقابل 55 ألفاً في rustfft، وتسارعت إعادة البناء من 11,9 إلى 2,1 ثانية. ويثني المؤلف على rustfft نفسها: فهي مصمَّمة لتناسب كل الحالات، بينما كان المطلوب حالة واحدة فقط. أظهرت الاختبارات على عتاد مختلف أداءً ضعيفاً على Windows مع بطاقة NVIDIA. وكان السبب flash attention.

ما أبرز التفاصيل حول الأرقام والقيود؟

في مقارنة Parakeet v3 بالإنجليزية (MacBook Pro M5)، يفرّغ wavo على Neural Engine، وهو وحدة مستقلة في شرائح Apple مخصصة للشبكات العصبية، عبارة مدتها 5 ثوانٍ في 0,12 ثانية، ويفرّغ ساعة من التسجيل أسرع 200 مرة من الزمن الحقيقي. أما FluidAudio على Neural Engine فيحقق 175×، وwavo على GPU يحقق 160×، وtranscribe.cpp على GPU يحقق 107×، وparakeet.cpp يحقق 90×، وparakeet-mlx يحقق 61×، وsherpa-onnx على CPU يحقق 39×. وفي الروسية مع GigaAM v3 الفارق مشابه: wavo أسرع 330 مرة من الزمن الحقيقي، وtranscribe.cpp أسرع 262 مرة.

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…