Tencent تفتح مصدر Covo-Audio: نموذج بـ7 مليارات معامل للحوارات الصوتية والاستدلال الصوتي

فتحت Tencent AI Lab الشيفرة المصدرية لنموذج Covo-Audio، وهو نموذج من فئة Large Audio Language Model بـ7 مليارات معامل، مصمم للحوارات الصوتية في الوقت الفعلي. يجمع هذا التطوير بين معالجة الكلام وفهم اللغة في بنية واحدة شاملة (end-to-end): يستقبل النظام تدفقًا صوتيًا متواصلًا ويعيد الرد بصيغة صوتية أيضًا.

ماذا أطلقت Tencent

الأهم في إصدار Covo-Audio ليس أنه مجرد نموذج جديد بسبعة مليارات معامل، بل أنه محاولة لتجميع الذكاء الصوتي في حلقة واحدة. فبدلًا من السلسلة المعتادة المؤلفة من التعرف على الكلام ونموذج نصي وتركيب الكلام، تقترح Tencent نهجًا شاملًا (end-to-end) يُعالَج فيه الصوت المتواصل داخل منظومة واحدة. وهذه الصيغة ضرورية لحوارات أكثر طبيعية: تحويلات وسيطة أقل، وتأخير أقل، ومواضع أقل تضيع فيها النبرة والوقفات وسياق الكلام الحي.

ونشرت Tencent AI Lab مع النموذج مسار الاستدلال (inference pipeline) للعمل في سيناريوهات الوقت الفعلي. وهذا جزء مهم من الإصدار، لأن الأوزان وحدها، من دون حلقة تشغيل عملية، نادرًا ما تمنح طريقًا سريعًا إلى المنتج. ويتركز الاهتمام هنا على الاستخدام العملي: المساعدات الصوتية، والواجهات الحوارية، ودعم العملاء (customer support)، وغيرها من الخدمات التي لا تقتصر أهميتها على دقة الرد، بل تشمل سرعة الاستجابة. وهذا أنفع لمنظومة المصادر المفتوحة من نشر عرض بحثي تجريبي وحده.

كيف يعمل هذا النهج

تتحدث Tencent في وصف Covo-Audio عن أربعة مكونات أساسية في البنية، لازمة للتفاعل السلس بين الصوت والمنطق اللغوي. والفكرة ألا يكتفي النموذج بتحويل الصوت إلى نص، بل أن يتعامل مع الإشارة الصوتية بوصفها حاملًا كاملًا للمعنى. وهذا مهم للمهام التي لا ينتقل فيها المعنى بالكلمات وحدها، بل أيضًا بالإيقاع والوقفات والتشديد أو بالبنية العامة للحوار.

عمليًا، يتجه Covo-Audio نحو صيغة يصبح فيها تحليل الكلام والاستدلال وتوليد الرد أجزاءً من عملية واحدة. وهذا لا يضمن تفوقًا تلقائيًا على السلاسل التقليدية المتتالية (cascades)، لكنه يغيّر المفاضلة الهندسية. فلا تحتاج الفرق إلى ربط وحدات ASR وLLM وTTS المنفصلة بهذه الصرامة، ما يعني إمكانية تجربة منتجات صوتية جديدة بسرعة أكبر، واختبار مدى أفضلية نموذج صوتي موحد في الحوار الفعلي.

• 7 مليارات معامل في نموذج واحد
• معالجة شاملة (end-to-end) للمدخل الصوتي والمخرج الصوتي
• التعامل مع الكلام المتواصل، لا مع مقاطع منفصلة فقط
• التركيز على الحوارات في الوقت الفعلي ومهام الاستدلال (reasoning)
• نشر النموذج ومسار الاستدلال (inference pipeline) معًا

أين المعنى العملي

يهم هذا الإصدار مطوري الواجهات الصوتية لأكثر من سبب. أولًا، يمكن دراسة نموذج مفتوح المصدر من هذه الفئة وإعادة تدريبه ودمجه في مسارات العمل الخاصة دون انتظار واجهة API مغلقة. وثانيًا، يتجه السوق بوضوح نحو أنظمة تتحدث مباشرة، من دون طبقة نصية زائدة بين المستخدم والرد. ويزداد هذا أهمية حيث يُسمع التأخير حرفيًا: في المساعدات والروبوتات الصوتية والمترجمات وخدمات الدعم.

ويستحق التركيز على الاستدلال (reasoning) اهتمامًا خاصًا. فكثير من الأنظمة الصوتية يتعرف على الكلام ويركّب الصوت بجودة جيدة، لكن الصعوبة الأكبر تكمن في الاحتفاظ بالسياق وتقديم رد ذي معنى في حوار حي. وإذا كان Covo-Audio يجمع فعلًا بين الإدراك الصوتي والاستدلال اللغوي في بنية واحدة، فإن ذلك يجعله بارزًا لا بوصفه إصدارًا بحثيًا فحسب، بل بوصفه مرجعًا للجيل القادم من أنظمة الذكاء الاصطناعي الحوارية. وحتى من دون إعلان عن دمج جماهيري فوري، فإن اتجاه التطور هنا واضح.

ماذا يعني ذلك

تُظهر Tencent أن المنافسة في الذكاء الاصطناعي الصوتي تنتقل من الحلول المتسلسلة البسيطة، أي «التعرف على النص ثم توليد النص ثم النطق»، إلى نماذج صوتية أصلية تستمع وترد في تدفق واحد. وبالنسبة إلى الفرق التي تبني وكلاء صوتيين، فهذه إشارة إلى ضرورة النظر لا إلى جودة التعرف على الكلام فحسب، بل أيضًا إلى زمن التأخير وطبيعية الحوار وقدرة النموذج على الاستدلال مباشرة داخل القناة الصوتية.