OpenMOSS تطلق MOSS-Audio: نموذج صوتي مفتوح يتفوق على منافسين أكبر حجمًا

قدمت OpenMOSS إصدارًا نادرًا في مجال النماذج الصوتية مفتوحة المصدر: يحاول MOSS-Audio تغطية منظومة فهم الصوت بأكملها ضمن نموذج واحد. فبدلًا من مجموعة حلول منفصلة لتفريغ الكلام وتحليل المشاعر والضوضاء الخلفية والموسيقى والإجابة عن الأسئلة المرتبطة بالطوابع الزمنية، بنى الفريق بنية موحدة تتفوق، بحسب اختبارات المشروع نفسه، على جميع النظائر المفتوحة التي جرى اختبارها، ومن بينها أنظمة يزيد حجمها على أربعة أضعاف حجمه.

أُنجز المشروع من OpenMOSS بالتعاون مع MOSI.AI ومعهد شنغهاي للابتكار (Shanghai Innovation Institute). ويضم الإصدار أربع نسخ: MOSS-Audio-4B-Instruct وMOSS-Audio-4B-Thinking وMOSS-Audio-8B-Instruct وMOSS-Audio-8B-Thinking. صُممت نسخ Instruct لتنفيذ الطلبات مباشرة مع صيغة إجابة يمكن التنبؤ بها، أما نسخ Thinking فهي مخصصة لتحليل أعقد يعتمد على استدلال متعدد الخطوات. وتقوم النماذج على Qwen3-4B وQwen3-8B، ويبلغ الحجم الإجمالي لها نحو 4,6 و8,6 مليار معامل.

لا يقتصر الرهان الرئيسي هنا على الحجم، بل يشمل الشمولية. يستطيع MOSS-Audio التعرف على الكلام مع ربط الكلمات والعبارات بالزمن، وتحديد خصائص المتحدث ومشاعره، واستخراج السياق من الأصوات المحيطة، وتحليل النمط الموسيقي والآلات، والإجابة عن أسئلة تتعلق بالبودكاست والمقابلات والاجتماعات، فضلًا عن استخلاص استنتاجات من المقاطع الصوتية الطويلة. وبالنسبة للمطورين، يعني ذلك مسارًا أبسط للمعالجة: فبدلًا من سلسلة تضم ASR ومصنِّف أحداث ونموذجًا موسيقيًا منفصلًا ومعالجة لاحقة للطوابع الزمنية، يمكن استخدام نظام واحد.

تتألف البنية من ثلاثة أجزاء: مرمّز صوتي خاص بالفريق، ومهايئ للوسائط (modality adapter)، ونموذج لغوي. يتحول الصوت الخام أولًا إلى تمثيلات زمنية متصلة بتردد 12,5 هرتز، ثم تُسقَط هذه السمات في فضاء التضمينات (embeddings) الخاص بالنموذج اللغوي الكبير (LLM)، وبعدها يولّد النموذج إجابة نصية. ويؤكد الفريق بصورة خاصة أنه لم يعتمد واجهة صوتية أمامية جاهزة، بل درّب المرمّز من الصفر للحصول على تمثيلات أكثر ثباتًا للكلام، ودقة زمنية أفضل، وقابلية للتوسع إلى أنواع مختلفة من الصوت.

تبرز فكرتان تقنيتان بوجه خاص. الأولى هي DeepStack Cross-Layer Feature Injection: فالنموذج لا يكتفي بالطبقة العليا من المرمّز، بل يحقن في الطبقات المبكرة من النموذج اللغوي سمات من المستويات الوسيطة، حتى لا يفقد النبرة والإيقاع والجرس والأحداث الصوتية القصيرة وبنية الخلفية. والثانية هي time-aware representation مع رموز زمنية صريحة بين الإطارات الصوتية أثناء التدريب المسبق. وبفضل ذلك يفهم النظام بصورة أفضل لا ما حدث فحسب، بل متى حدث تحديدًا، وهو أمر حاسم لـ timestamp ASR وتحديد مواضع الأحداث والأسئلة المتعلقة بالخط الزمني.

وفق النتائج المعلنة، يحقق MOSS-Audio-8B-Thinking متوسطًا قدره 71,08 نقطة في أربعة اختبارات صوتية عامة: 77,33 في MMAU، و64,92 في MMAU-Pro، و66,53 في MMAR، و75,52 في MMSU. وهذا أعلى من Step-Audio-R1 ذي 33 مليار معامل الذي سجل 70,67، وأعلى من Qwen3-Omni-30B-A3B-Instruct الذي بلغت نتيجته 67,91. وحتى النسخة الأصغر 4B-Thinking سجلت متوسطًا قدره 68,37 وتفوقت على عدد من الأنظمة الأكبر من فئة instruct-only. وفي speech captioning تتصدر نسخة 8B-Instruct في 11 فئة من أصل 13 وتحصل على متوسط تقييم 3,7252، أما في ASR فتحقق أفضل CER إجمالي قدره 11,30. وفي المهام المرتبطة بالطوابع الزمنية يسجل النموذج AAS بقيمة 35,77 على AISHELL-1 و131,61 على LibriSpeech، متفوقًا بوضوح على البدائل الأساسية المفتوحة.

الخلاصة الرئيسية أن مجال الصوت مفتوح المصدر يشهد تحولًا من النماذج المتخصصة الضيقة إلى أنظمة شاملة تفهم الكلام والموسيقى والبيئة الصوتية ضمن مسار واحد. وإذا تأكدت هذه الأرقام في اختبارات مستقلة، فقد يصبح MOSS-Audio لبنة أساسية للمساعدات الصوتية وتحليلات المكالمات والبحث في أرشيفات الوسائط وأدوات العمل مع الصوت الطويل، خصوصًا حيث تلزم السيطرة على النموذج وتشغيله محليًا بدلًا من الاعتماد على واجهة API مغلقة.