Mistral تطلق نموذجًا مفتوحًا لتوليد الكلام للهواتف الذكية والساعات الذكية

أطلقت شركة الذكاء الاصطناعي الفرنسية Mistral نموذجًا مفتوحًا جديدًا لتوليد الكلام. ويتمثل الفارق الرئيسي بينه وبين المنافسين في أنه يعمل مباشرة على الهاتف الذكي أو الساعة الذكية، دون اللجوء إلى خوادم خارجية.

كانت الشبكات العصبية الصوتية تتطلب تقليديًا موارد حاسوبية كبيرة. وحتى أنظمة تحويل النص إلى كلام (TTS) الخفيفة نسبيًا كانت تشغل في كثير من الأحيان مئات الميغابايت وتبطؤ بوضوح على المعالجات المحمولة. أما الحل المعتمد في الإنتاج فهو الاستدلال السحابي: يُرسَل الطلب إلى الخادم، ويعود الملف الصوتي خلال أجزاء من الثانية. وهذا النهج يعمل، لكنه يعاني من قيود جوهرية. فالاعتماد على الإنترنت يجعل هذه الأنظمة عديمة الفائدة في المناطق التي لا تتوافر فيها التغطية. وتتراكم كلفة كل استدعاء لـ API عند التوسع. كما يثير نقل بيانات المستخدمين إلى خوادم أطراف ثالثة مشكلات في الخصوصية، خصوصًا في القطاع الطبي وقطاع الشركات. ولهذا لا يناسب هذا النهج التضمين في الأجهزة القابلة للارتداء.

تقترح Mistral مسارًا مختلفًا. فقد بنت الشركة سمعتها على النماذج اللغوية: إذ أصبح Mistral 7B وMixtral 8x7B مرجعًا في مجتمع المصادر المفتوحة بفضل جودتهما العالية مع حجم مدمج. والآن تُطبَّق الفلسفة نفسها على تركيب الكلام.

تمثّل الساعات الذكية بيئة حوسبة أشد صرامة بكثير من الهاتف الذكي. فمعالجات ARM في الأجهزة القابلة للارتداء تعمل باستهلاك طاقة لا يتجاوز بضعة واط، ونادرًا ما تتجاوز الذاكرة العشوائية غيغابايت واحدًا. وللمقارنة: يتراوح وزن معظم نماذج TTS الحديثة بين 300 ميغابايت وعدة غيغابايتات، وتتطلب وحدة GPU جيدة أو على الأقل معالجًا محمولًا سريعًا. وللالتزام بقيود الأجهزة القابلة للارتداء مع الحفاظ على جودة صوت مقبولة، يلزم إما تكميم (quantization) شديد للأوزان إلى 4 بت وما دون، أو بنية غير تقليدية لا تعتمد على العمليات المصفوفية الثقيلة. ولم تكشف الشركة حتى الآن عن التفاصيل التقنية، لكن مجرد الإعلان عن دعم الساعات الذكية يحدد سقفًا هندسيًا طموحًا.

ويضيف انفتاح النموذج قيمة استراتيجية. فاللاعبون التجاريون الرائدون في قطاع الذكاء الاصطناعي الصوتي، وهم ElevenLabs وPlayHT وOpenAI TTS، يعملون حصريًا عبر واجهات API سحابية. أما Mistral فتنشر النموذج للنشر المحلي. ويتيح ذلك استخدامه حيث لا تكون السحابة مقبولة: الأجهزة الطبية ذات متطلبات السرية، وأنظمة الشركات التي لا يحق لها إخراج البيانات من محيطها، وأجهزة إنترنت الأشياء (IoT) في المناطق التي لا يتوافر فيها إنترنت مستقر، والأنظمة المدمجة في وسائل النقل والمعدات الصناعية.

بالنسبة إلى مطوري تطبيقات الأجهزة المحمولة والقابلة للارتداء، يفتح هذا الإصدار الباب أمام فئة كاملة من المنتجات. فبوسع المساعدات الصوتية أن تعمل دون اتصال بالكامل. وبوسع تطبيقات القراءة الصوتية توليد الصوت دون اشتراك في خدمة طرف ثالث ودون تأخير الشبكة. وبوسع أدوات الوصول لذوي الإعاقة البصرية أن تعمل دون اتصال دائم. أما أجهزة الملاحة والمترجمات والمكبرات الذكية، فتحصل جميعها على إمكانية إخراج صوتي عالي الجودة دون الاعتماد على السحابة.

وتوجد في السوق بالفعل بدائل مفتوحة المصدر لتحويل النص إلى كلام: Piper TTS وStyleTTS2 وCoqui. بعضها يعمل بشكل مقبول على المعالج المركزي (CPU)، وبعضها يتطلب GPU أو يتخلف عن الأنظمة التجارية في طبيعية الصوت. أما Mistral فتحظى بمستوى مختلف من الشهرة والثقة في مجتمع المطورين. فقد أثبتت الشركة قدرتها على بناء نماذج مدمجة بجودة تفوق التوقعات. وإذا سار النموذج الصوتي على النهج نفسه، فقد يتغير سوق TTS مفتوح المصدر تغيرًا كبيرًا.

ويتسق هذا الإصدار مع الاستراتيجية العامة للشركة. فـ Mistral تبني موقعها باطراد بوصفها بديلًا أوروبيًا لعمالقة الذكاء الاصطناعي الأمريكيين والصينيين، وتراهن على الانفتاح والاستقلال عن منصات بعينها. والنموذج الصوتي للأجهزة الطرفية (edge) يواصل هذا الخط: ذكاء اصطناعي على الجهاز نفسه، دون وسطاء ودون اشتراكات، وتحت سيطرة المطوّر.