IBM تطلق Granite 4.0 1B Speech: نموذج صوتي مدمج متعدد اللغات للذكاء الاصطناعي على الأجهزة الطرفية

أطلقت IBM نموذج Granite 4.0 1B Speech، وهو نموذج صوتي-لغوي مدمج للتعرف على الكلام متعدد اللغات والترجمة ثنائية الاتجاه. المهم في هذا الخبر ليس مجرد إصدار جديد، بل رهان IBM على سيناريوهات الإنتاج الفعلي، حيث تكتسب الذاكرة وزمن الاستجابة وتكلفة الاستدلال أهمية توازي جودة النتائج في المقاييس المرجعية (benchmarks).

ما الذي تغيّر

حلّ Granite 4.0 1B Speech محل إعدادات أثقل في سلسلة Granite Speech، ويركّز على الكفاءة. وبحسب IBM، يملك النموذج نصف عدد معاملات granite-speech-3.3-2b، ومع ذلك حصل على دقة أفضل في التعرف على الكلام الإنجليزي (ASR)، ودعم للتعرف على الكلام الياباني، وخاصية keyword list biasing، وسرعة استدلال أعلى بفضل مواصلة تدريب المشفّر (encoder) واستخدام speculative decoding. والفكرة بسيطة: عدم تضخيم الحجم بأي ثمن، بل التخلص من الوزن الزائد دون خسارة القدرات الأساسية التي تحتاجها الفرق في التشغيل الفعلي.

وتشدد IBM بصورة منفصلة على نهجها في التدريب. فقد بُني النموذج على granite-4.0-1b-base، الذي أُعيد تدريبه على مهام الكلام عبر modality alignment. وضمّ مزيج التدريب مجموعات بيانات مفتوحة لمهام ASR وAST، إضافة إلى مجموعات بيانات اصطناعية للغة اليابانية ولـ keyword-biased ASR وللترجمة الصوتية. وهذه إشارة مهمة للمطوّرين: فـ IBM لا تبني حزمة صوتية مغلقة للسحابة فقط، بل تطوّر نموذجًا مفتوحًا يمكن تكييفه مع مسارات العمل والعتاد الخاص بكل فريق.

اللغات والمهام

صُمّم Granite 4.0 1B Speech لسيناريوهات المؤسسات التي تحتاج إلى التفريغ النصي وإلى ترجمة الكلام في الاتجاهين. وتشمل لغات الإدخال المدعومة أساسًا الإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية واليابانية. وفي الترجمة، تقدّم IBM النموذج أداةً لتحويل الكلام إلى نص (speech-to-text) وللترجمة الصوتية من الإنجليزية وإليها لهذه اللغات، وتذكر على حدة سيناريوهي English-to-Italian وEnglish-to-Mandarin. ويجعل ذلك الإصدار مفيدًا لا لمراكز الاتصال وواجهات الصوت فحسب، بل لمسارات الترجمة الداخلية أيضًا.

• التعرف على الكلام بالإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية واليابانية
• ترجمة صوتية ثنائية الاتجاه للأزواج التي تتضمن الإنجليزية
• سيناريوهان منفصلان: English-to-Italian وEnglish-to-Mandarin
• Biasing بقائمة كلمات مفتاحية للأسماء والعلامات التجارية والاختصارات
• العمل في السيناريوهات التي يهم فيها انخفاض زمن الاستجابة ومحدودية الذاكرة

ومن المزايا العملية الأخرى الترخيص Apache 2.0. فهو يقلّل الاحتكاك أمام فرق المؤسسات في مرحلة التجربة التجريبية (pilot) والتقييم القانوني: يمكن نشر النموذج محليًا ودمجه في الحزمة التقنية الخاصة، دون الارتهان لوصول عبر API فقط منذ المراحل المبكرة. وفي سوق تتوفر فيه كثير من أنظمة الكلام كخدمة سحابية فقط بقيود تجارية، يمنح هذا الشكل حرية أكبر في التخصيص والنشر دون اتصال بالإنترنت والتحكم في البيانات.

النشر والمقاييس

وفق بطاقة النموذج، احتلّ Granite 4.0 1B Speech المركز الأول في OpenASR leaderboard بمتوسط WER قدره 5.52 وRTFx قدره 280.02. وفي التفصيل حسب مجموعات البيانات، تعرض IBM مثلًا 1.42 على LibriSpeech Clean و2.85 على LibriSpeech Other و3.10 على Tedlium. وهذه حجة مهمة لإصدارات من هذا النوع: فالنموذج لا يُقدَّم بوصفه «صغيرًا ورخيصًا» فحسب، بل كنظام مدمج ما زال يحافظ على مستوى قوي جدًا في الاختبارات العامة القياسية.

ومن حيث التبنّي، سعت IBM إلى إزالة العوائق غير الضرورية. فالنموذج مدعوم في transformers 4.52.1+، ويعمل عبر vLLM، ويتوفر له مسار منفصل عبر mlx-audio على Apple Silicon. ويستخدم خط المعالجة المرجعي صوتًا أحادي القناة (mono) بتردد 16 كيلوهرتز، ويُبنى الطلب عبر البادئة `<|audio|>`، ويمكن إضافة keyword biasing مباشرة في الـ prompt. ومن الناحية المعمارية، يبقى Granite Speech نظامًا ثنائي المرحلة: يحوّل النموذج الصوت أولًا إلى نص، ثم يعالج استدعاء منفصل لنموذج لغوي النص المفرَّغ عند الحاجة. وهذا مريح في بيئة الإنتاج، لأنه يتيح توسيع نطاق التعرف على الكلام والمنطق اللاحق (downstream) وضبط كل منهما بصورة مستقلة.

ماذا يعني ذلك

تراهن IBM على شريحة الذكاء الاصطناعي الصوتي التي لا يفوز فيها النموذج الأكبر، بل النموذج الذي يمكن تشغيله فعليًا على موارد محدودة دون خسارة في الجودة. وإذا ترسّخ Granite 4.0 1B Speech في عمليات النشر الإنتاجية، فسيحصل السوق على خيار مفتوح المصدر قوي آخر للتفريغ النصي المحلي وترجمة الكلام وخدمات الأجهزة الطرفية دون اعتماد ثقيل على السحابة.