سبيربانك ديفايسز تطلق GigaAM-v3 مفتوحة المصدر: تعرّف على الكلام الروسي أفضل بنسبة 10% على الأقل
أطلقت SberDevices نموذج GigaAM-v3 المفتوح، وهو يحوّل الكلام الروسي إلى نص مع علامات الترقيم والأرقام مباشرة. ويعتمد أسلوب التدريب المسبق الجديد HuBERT-CTC على نموذج تعرّف جاهز يؤدي دور المعلّم، ويحقق تحسّنًا في الجودة لا يقل عن 10% مقارنة بالأساليب الشائعة. وتضاعف حجم التسجيلات الموسومة تقريبًا ليبلغ 4000 ساعة، بينها تسجيلات مراكز الاتصال. وبالنسبة إلى خدمات الصوت الروسية، يوفّر النموذج أساسًا جاهزًا للاستخدام.
معالج بواسطة الذكاء الاصطناعي من SberDevices؛ بتحرير Hamidun News
إذا كنت تبني مساعدًا صوتيًا أو تفريغًا للمكالمات أو ترجمة نصية لمقاطع فيديو ناطقة بالروسية، فأنت لا تحتاج إلى نموذج يسمع الكلمات فحسب. تحتاج إلى نص مقروء: بفواصل وعلامات استفهام وأرقام بدلًا من «خمسة وعشرين بالمئة» مكتوبة حرفيًا. قدّمت SberDevices نموذج GigaAM-v3، وهو إصدار جديد من عائلة النماذج الصوتية المفتوحة للغة الروسية، وركّزت فيه على هذه النقطة تحديدًا. والادعاء الرئيسي للمطوّرين: أسلوب التدريب المسبق الجديد HuBERT-CTC يحقق تحسّنًا في الجودة لا يقل عن 10% حتى مقارنة بالأساليب الشائعة في الصناعة.
كيف يُدرَّب المُرمِّز: HuBERT-CTC
تُدرَّب نماذج التعرّف على الكلام (ASR) الحديثة أولًا تدريبًا مسبقًا على كميات ضخمة من الصوت غير الموسوم. والفكرة تشبه BERT في النصوص: يُخفى جزء من المقطع الصوتي بقناع، وعلى النموذج أن يخمّن ما كان فيه. وفي HuBERT الكلاسيكي تُستخرج «الإجابات الصحيحة» للتخمين هكذا: تؤخذ سمات الصوت وتُجمَّع بطريقة k-means، فينتج مجموعة من الرموز المنفصلة، أشبه بـ«أبجدية صوتية».
غيّر المطوّرون في Sber نقطة الانطلاق. فبدلًا من مُرمِّز (encoder) عام، استخدموا مُرمِّزًا سبق أن دُرِّب لاحقًا على التعرّف على الكلام بدالة CTC. تعبّر تمثيلاته الداخلية بصورة أفضل عن الصوتيات والمعنى، ولذلك تصبح «الأبجدية الصوتية» أقرب إلى المهمة الفعلية. وبعد ذلك يجري كل شيء كما في HuBERT: تُحجب أجزاء من الصوت ويُدرَّب النموذج على استعادة الرموز. وببساطة، تُنقل معرفة نموذج ASR الجاهز إلى مرحلة التدريب المسبق، مع استخدام كمية كبيرة جدًا من الصوت غير الموسوم.
ماذا أظهرت التجارب. في اختبار بمُرمِّز مجمَّد، تتحسّن جودة التعرّف من الطبقات الدنيا إلى العليا. أما في الطريقة المنافسة BEST-RQ فكثيرًا ما تُبلَغ أدنى نسبة أخطاء في الكلمات (WER) في الطبقات الوسطى. ويأتي WER النهائي بعد الضبط الدقيق أقل منه في HuBERT التقليدي، حتى عند استخدام كامل حجم البيانات الموسومة. وإذا كانت البيانات الموسومة قليلة، أي 10% أو 1% أو 0,1% من المجموعة الكاملة، يصبح الفارق أوضح.
البيانات: ساعات أكثر وسياقات أكثر تنوعًا
دُرِّب GigaAM-v2 تدريبًا مسبقًا على نحو 50 ألف ساعة من الكلام الروسي، وزيد هذا الحجم في v3. وتُنظَّف التسجيلات بأسلوب بسيط: يقطّع كاشف النشاط الصوتي (VAD) الملفات الطويلة إلى مقاطع مدة كل منها دقيقة، ويستبعد المقاطع التي فيها صمت أكثر من اللازم. جُرِّبت مرشّحات أكثر «ذكاءً»، لكنها بالكاد أثّرت في الجودة واستلزمت حسابات ملحوظة، فاكتُفي بـVAD.
وتضاعفت البيانات الموسومة تقريبًا لتبلغ 4000 ساعة، وهي أكثر تنوعًا:
- نصوص صعبة أخطأت فيها نماذج أخرى — 950 ساعة؛
- كلام عفوي محكي — 450 ساعة؛
- مراكز الاتصال والتسجيلات الهاتفية — 350 ساعة؛
- كلام على خلفية موسيقى — 110 ساعات؛
- كلام مصطنع (مُصنَّع بالتخليق الصوتي) — 100 ساعة؛
- كلام ذو خصائص خاصة — 50 ساعة.
على المجموعات المفتوحة (Golos وCommon Voice وRussian LibriSpeech) بقيت الجودة عند مستوى v2. ويفسّر المطوّرون ذلك بأن حصة المجالات الداخلية الصعبة ارتفعت ارتفاعًا ملحوظًا، ولذلك يعرضون على حدة نتائج تسجيلات مراكز الاتصال والكلام ذي الخصائص الخاصة. وهذه إشارة صادقة للممارس: على المعايير «النظيفة» لا يتفوّق v3 على v2، وينبغي البحث عن المكسب في الظروف الصعبة.
نص جميل بدلًا من تفريغ تقني
تحفظ مجموعات البيانات المعتادة التفريغات النصية بصيغة تقنية: بلا علامات ترقيم، والأرقام والرموز مثل % و$ مكتوبة بالكلمات. وهذا مريح للتدريب لكنه غير مريح للقراءة. وللحصول على مدوّنة بنصوص سليمة، استخدم الفريق GigaChat Audio. أُعطي النموذج الصوت والتفريغ الأصلي وتعليمات مفصّلة و10 أمثلة ثابتة. والصوت ضروري لفهم السؤال من نبرة الصوت ومعالجة الوقفات معالجة صحيحة.
تُصاب النماذج التوليدية بالهلوسة، ولذلك رُشِّحت النتيجة بالإجراءات التالية:
- التحقق من أن طول النص لم يتغير تقريبًا؛
- حذف الرموز الواقعة خارج الأبجدية المحددة، مثل الرموز التعبيرية؛
- إزالة Markdown والإدراجات من نوع «(صمت)»؛
- التأكد من أن علامة % ظهرت فقط حيث كانت في الأصل كلمة «بالمئة»، وعلامة $ حيث كانت كلمة «دولار»؛
- مراقبة التباين وفق مقياسي CER وWER.
وكان البديل هو forced decoding: تُضاف علامات الترقيم مباشرة أثناء فك الترميز، ولا يتغير النص المرجعي، فلا يسوء WER قطعًا. وعيوب هذه الطريقة أن مرونة التطبيع تنخفض، وأن الترقيم الناتج أسوأ منه عند الوسم بمساعدة LLM. وقورنت المقاربتان على بيانات داخلية وسم مقيِّمون بشريون فيها التفريغ النصي وعلامات الترقيم.
ماذا نفعل بهذا
نموذج GigaAM-v3 مفتوح، ويمكن تشغيله لديك دون إرسال مكالمات حساسة إلى واجهات API خارجية. لكن الدرس أوسع من النموذج نفسه. فإذا كانت لديك تفريغات «خام»، يمكن لنموذج LLM يتاح له الوصول إلى الصوت وتُفرض عليه مرشّحات صارمة أن يحوّلها إلى بيانات تدريب بعلامات ترقيم. وعند اختيار نموذج ASR، لا تنظر إلى WER على المجموعات المفتوحة وحدها، بل إلى مجالاتك الخاصة: المكالمات الصاخبة والموسيقى والكلام غير المعتاد. وقد استعان المطوّرون أنفسهم في التقييم عبر عدة مجالات بـLLM-as-a-judge، أي تقييم يجريه نموذج لغوي آخر فوق WER الكلاسيكي، لأن نسبة الكلمات الخاطئة وحدها لا تعكس جيدًا مقروئية النص المرقَّم.
- 27 أكتوبر 2026Glas يعيد تدريب نموذج التعرف على الكلام GigaAM-v3: المصطلحات التقنية تُكتب صحيحة في 87% من الحالات بدل 44%
- 10 أكتوبر 2026مطوّر تطبيق الإملاء دون اتصال المبني على GigaAM ينشر «Писарь» على Google Play ويبحث عن مختبرين
- 12 نوفمبر 2026«كريبتونيت» تعلّم GigaAM فهم الكلام الروسي-الإنجليزي: انخفاض WER بنسبة 13.6%
- 8 نوفمبر 2026بروتوكول استقبال مدعوم بالذكاء الاصطناعي في موسكو يملأ 50 خانة خلال 35 ثانية، فيما تلتزم العيادات الخاصة الصمت
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف يُدرَّب المُرمِّز: HuBERT-CTC؟
تُدرَّب نماذج التعرّف على الكلام (ASR) الحديثة أولًا تدريبًا مسبقًا على كميات ضخمة من الصوت غير الموسوم. والفكرة تشبه BERT في النصوص: يُخفى جزء من المقطع الصوتي بقناع، وعلى النموذج أن يخمّن ما كان فيه. وفي HuBERT الكلاسيكي تُستخرج «الإجابات الصحيحة» للتخمين هكذا: تؤخذ سمات الصوت وتُجمَّع بطريقة k-means، فينتج مجموعة من الرموز المنفصلة، أشبه بـ«أبجدية صوتية». غيّر المطوّرون في Sber نقطة الانطلاق. فبدلًا من مُرمِّز (encoder) عام، استخدموا مُرمِّزًا سبق أن دُرِّب لاحقًا على التعرّف على الكلام بدالة CTC.
ما أبرز التفاصيل حول البيانات: ساعات أكثر وسياقات أكثر تنوعًا؟
دُرِّب GigaAM-v2 تدريبًا مسبقًا على نحو 50 ألف ساعة من الكلام الروسي، وزيد هذا الحجم في v3. وتُنظَّف التسجيلات بأسلوب بسيط: يقطّع كاشف النشاط الصوتي (VAD) الملفات الطويلة إلى مقاطع مدة كل منها دقيقة، ويستبعد المقاطع التي فيها صمت أكثر من اللازم. جُرِّبت مرشّحات أكثر «ذكاءً»، لكنها بالكاد أثّرت في الجودة واستلزمت حسابات ملحوظة، فاكتُفي بـVAD.
ما أبرز التفاصيل حول نص جميل بدلًا من تفريغ تقني؟
تحفظ مجموعات البيانات المعتادة التفريغات النصية بصيغة تقنية: بلا علامات ترقيم، والأرقام والرموز مثل % و$ مكتوبة بالكلمات. وهذا مريح للتدريب لكنه غير مريح للقراءة. وللحصول على مدوّنة بنصوص سليمة، استخدم الفريق GigaChat Audio. أُعطي النموذج الصوت والتفريغ الأصلي وتعليمات مفصّلة و10 أمثلة ثابتة. والصوت ضروري لفهم السؤال من نبرة الصوت ومعالجة الوقفات معالجة صحيحة.
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.