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

ذكاء اصطناعي صوتي بالروسية في 21 ميغابايت: tiny-voca-ru يعمل دون إنترنت على المعالج المركزي

كيّف المطوّر نموذج تحويل النص إلى كلام المفتوح tiny-voca مع اللغة الروسية. يبلغ حجم النموذج نحو 21 ميغابايت، ويضم 4.5 مليون معلمة، ويعمل دون إنترنت على معالج عادي. جرى التدريب على 12 ساعة من الكلام المسجَّل في استوديو من مجموعة بيانات Dialogs، فيما تتولى RUAccent وضع علامات النبر، مع بديل احتياطي عبر eSpeak. وللعرض التجريبي بُني بوت يجمع الميكروفون والتعرف على الكلام ونموذج qwen3.5:9b المحلي والنطق الصوتي. وللردود القصيرة والإشعارات وبوتات الهاتف يكفي ذلك دون اشتراك سحابي.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
ذكاء اصطناعي صوتي بالروسية في 21 ميغابايت: tiny-voca-ru يعمل دون إنترنت على المعالج المركزي
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
التدريب الكامل لمدة 100 000 خطوةنحو 12.5 ساعة على V100 مقابل 35–38 ساعة على P40
حقيقة رئيسية #2حدّ استهلاك 125 واط على V100 أعطى 2.26 خطوة/ث بدلًا من 1.66 عند 225 واط
حقيقة رئيسية #3صوتان وترخيص Apache-2.0، لكن البيانات تخضع لترخيص OpenRAIL: اطّلعوا على الشروط قبل أي استخدام تجاري

تصطدم المساعدات الصوتية عادةً بالعقبة نفسها: التركيب الصوتي عالي الجودة يتطلب مئات الميغابايتات من الأوزان، وبطاقات رسوميات، أو واجهة API سحابية. وهذا يعني تكلفة حركة البيانات، والاعتماد على خدمة طرف آخر، وتساؤلات حول وجهة أصوات المستخدمين. أما المطوّر الذي أصدر tiny-voca-ru فسلك الاتجاه المعاكس: أخذ نموذجًا مفتوحًا صغيرًا وعلّمه التحدث بالروسية. والنتيجة نحو 21 ميغابايت بصيغة ONNX و4.5 مليون معلمة. ويعمل النموذج دون إنترنت على معالج CPU عادي.

ما الذي أُنجز بالتحديد

اعتُمد في الأساس على نموذج tiny-voca المفتوح. ولم يكن فيه ملف تعريف للغة الروسية، فأضافه المطوّر ودرّب النموذج من الصفر على بيانات روسية. واختار مجموعة بيانات Dialogs، وهي حوارات استوديو انفعالية لممثلين. ومنها انتقى صوتين: نسائيًا M1 ورجاليًا D1. بلغ المجموع في البداية 17.42 ساعة، وبعد الترشيح بحسب دقة المحاذاة وثقة الوسم والفونيمات المجهولة بقي نحو 12 ساعة من الكلام النظيف. وأظهر فحص عيّنة من 60 مقطعًا عبر التعرف على الكلام نسبة خطأ في الكلمات بلغت 3.3%. وهذا ليس ضمانًا لبيانات مثالية، لكنه مؤشر على أن الوسم لا ينهار.

وثمة جزء مستقل من العمل هو «الواجهة الأمامية» الروسية، أي تحويل النص إلى أصوات. وتُستخدم eSpeak NG لاستخراج الفونيمات. أما علامات النبر فتؤخذ من Dialogs للعبارات الموجودة في المدوّنة، وفي النصوص الحرة تضعها RUAccent التي تحل كذلك مشكلة المتجانسات اللفظية. وهي ليست نقطة الفشل الوحيدة: فإذا تعذّر وضع النبر يعود النظام إلى eSpeak. وهناك أيضًا قاموس صغير للاستثناءات يخص أسماء الخدمات والكلمات التي ينبغي أن يبقى نطقها ثابتًا. ويجري تحويل النص إلى فونيمات بجمل كاملة، وإلا قد تُنطق حرف الجر «с» كحرف منفصل.

العتاد وأثر غير متوقع لحدّ الاستهلاك

استغرقت التجربة الأولية بـ15 000 خطوة نحو 4.7 ساعة على Tesla P40. وحتى في هذه المرحلة تعرّف Whisper large-v3 على العبارات الاختبارية دون أخطاء، مع بقاء التنغيم فاترًا. أما التدريب الكامل بـ100 000 خطوة فكان سيستغرق على P40 ما بين 35 و38 ساعة، بينما أنجزه Tesla V100 بسعة 32 غيغابايت في نحو 12.5 ساعة من زمن GPU. وبلغ التسارع 4–5 أضعاف في المرحلة التي تسبق GAN، ونحو 2.4 ضعف في مرحلة GAN.

وثمة ملاحظة لافتة: على V100 أعطى خفض حدّ الاستهلاك إلى 125 واط سرعة 2.26 خطوة في الثانية عند 70 °C، في حين كانت السرعة عند 225 واط 1.66 خطوة/ث عند 74 °C. ويفسّر المطوّر ذلك بأن البطاقة عملت بثبات أكبر عند الحدّ المنخفض، وأن تجهيز البيانات كان يواكبها. ويشدد على أن هذه ليست قاعدة عامة، ففي معظم المهام يؤدي خفض الاستهلاك إلى تقليل السرعة. والاستنتاج العملي أكثر تواضعًا: إذا كان التدريب يصطدم بمحمّل البيانات، فمن المجدي قياس عدة حدود للاستهلاك، فهذا اختبار مجاني.

المساعد التجريبي والقيود

لم يُعرض النموذج على أنه مجرد زر «انطق النص». ففي voice.lmchat.ru يمكن إدخال نص واختيار الصوت والسرعة، وتبادل رسائل صوتية مع البوت، أو الاتصال به من المتصفح. وتسلسل العمل كالتالي: الميكروفون، فالتعرف على الكلام، فنموذج qwen3.5:9b المحلي عبر Ollama، فالواجهة الأمامية الروسية، فالتركيب الصوتي، فالتشغيل. وفي الاتصال الهاتفي الفعلي تُستخدم حزمة Asterisk وAudioSocket: يستقبل البوت المكالمة، وتتولى tiny-voca نطق الرد.

والقيود هنا صريحة. فالجودة أدنى من خدمات TTS السحابية الكبرى، خصوصًا في التنغيم المعقد والنصوص الطويلة. وتُخطئ علامات النبر أحيانًا في الكلمات النادرة. والنموذج مصمم للعبارات القصيرة، لا للكتب الصوتية. وتُظهر مقاييس التجربة الأولية (خطأ في طبقة الصوت 3.07 نصف نغمة، ودقة الوقفات نحو 92%) أن الكلام مفهوم، لكن معدل الخطأ في الكلمات (WER) على العبارات الاختبارية لا يقيس الطبيعية.

وهناك أيضًا جانب قانوني. فالكود والنموذج بترخيص Apache-2.0، لكن بيانات التدريب موزَّعة بترخيص OpenRAIL، والأصوات تعود إلى ممثلين حقيقيين. وفي المشاريع التجارية ينبغي التحقق من الشروط بشكل مستقل، وعدم إنتاج إعلانات باسم هذه الأصوات دون الحصول على حقوقها.

والخلاصة للممارسين أن بوت صوتيًا للإشعارات أو الأجهزة الطرفية أو سيناريوهات الاتصال أو الأجهزة المدمجة لم يعد يتطلب TTS سحابيًا. فالجمع بين نموذج تركيب صوتي صغير ونموذج لغوي محلي بـ9 مليارات معلمة يُلغي مدفوعات API الدائمة ويُبقي البيانات داخل المحيط. ولا ينبغي انتظار كلام مثالي، لكن عتبة الدخول تنخفض بشكل حاد.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما الذي أُنجز بالتحديد؟

اعتُمد في الأساس على نموذج tiny-voca المفتوح. ولم يكن فيه ملف تعريف للغة الروسية، فأضافه المطوّر ودرّب النموذج من الصفر على بيانات روسية. واختار مجموعة بيانات Dialogs، وهي حوارات استوديو انفعالية لممثلين. ومنها انتقى صوتين: نسائيًا M1 ورجاليًا D1. بلغ المجموع في البداية 17.42 ساعة، وبعد الترشيح بحسب دقة المحاذاة وثقة الوسم والفونيمات المجهولة بقي نحو 12 ساعة من الكلام النظيف. وأظهر فحص عيّنة من 60 مقطعًا عبر التعرف على الكلام نسبة خطأ في الكلمات بلغت 3.3%.

ما أبرز التفاصيل حول العتاد وأثر غير متوقع لحدّ الاستهلاك؟

استغرقت التجربة الأولية بـ15 000 خطوة نحو 4.7 ساعة على Tesla P40. وحتى في هذه المرحلة تعرّف Whisper large-v3 على العبارات الاختبارية دون أخطاء، مع بقاء التنغيم فاترًا. أما التدريب الكامل بـ100 000 خطوة فكان سيستغرق على P40 ما بين 35 و38 ساعة، بينما أنجزه Tesla V100 بسعة 32 غيغابايت في نحو 12.5 ساعة من زمن GPU. وبلغ التسارع 4–5 أضعاف في المرحلة التي تسبق GAN، ونحو 2.4 ضعف في مرحلة GAN.

ما أبرز التفاصيل حول المساعد التجريبي والقيود؟

لم يُعرض النموذج على أنه مجرد زر «انطق النص». ففي voice.lmchat.ru يمكن إدخال نص واختيار الصوت والسرعة، وتبادل رسائل صوتية مع البوت، أو الاتصال به من المتصفح. وتسلسل العمل كالتالي: الميكروفون، فالتعرف على الكلام، فنموذج qwen3.5:9b المحلي عبر Ollama، فالواجهة الأمامية الروسية، فالتركيب الصوتي، فالتشغيل. وفي الاتصال الهاتفي الفعلي تُستخدم حزمة Asterisk وAudioSocket: يستقبل البوت المكالمة، وتتولى tiny-voca نطق الرد. والقيود هنا صريحة. فالجودة أدنى من خدمات TTS السحابية الكبرى، خصوصًا في التنغيم المعقد والنصوص الطويلة.

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…