بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

STM32N6 من STMicroelectronics يعرض التعرف على الكلام محليًا دون سحابة وباستهلاك 0.2 واط

تمكّن المتحكم الدقيق STM32N6 المزوّد بوحدة NPU مدمجة من التعرف على الكلام الحر مباشرة على الجهاز، دون سحابة وباستهلاك يقارب 0.215 واط. حتى الآن لم يكتمل سوى النموذج الصوتي: فهو يُخرج الفونيمات في الزمن الحقيقي، بينما لا يزال فك الترميز والنموذج اللغوي قيد التطوير. لكن المشروع يُظهر منذ الآن أن الواجهات الصوتية المحلية للمنزل الذكي والصناعة والإلكترونيات القابلة للارتداء باتت عملية.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
STM32N6 من STMicroelectronics يعرض التعرف على الكلام محليًا دون سحابة وباستهلاك 0.2 واط
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1حجم النموذج الصوتي — 8.5 مليون معلمة
حقيقة رئيسية #2استهلاك الطاقة أثناء التعرف — نحو 0.215 واط
حقيقة رئيسية #3زمن استدلال NPU — 52 ملّي ثانية لكل 500 ملّي ثانية من الصوت

بدأت المتحكمات الدقيقة المزوّدة بوحدات NPU مدمجة تدخل مجالًا كان حتى وقت قريب حكرًا شبه كامل على خدمات التعرف على الكلام السحابية. وقد أظهرت تجربة على STM32N6 أنه بات من الممكن تشغيل التعرف على الكلام الحر محليًا على الجهاز نفسه، دون إنترنت وبشكل شبه فوري، باستهلاك يقارب 0.215 واط.

كيف يعمل النظام

قسّم صاحب المشروع نظام التعرف على الكلام إلى ثلاث كتل: نموذج صوتي، ومفكّك ترميز (decoder)، ووحدة إعادة تقييم (rescoring). أثقل هذه الأجزاء هو الجزء الصوتي: فهو يستقبل الإشارة الصوتية الخام من الميكروفون ويحوّلها إلى سلسلة من الفونيمات. ويتولى مفكّك الترميز تجميع الكلمات من هذه الفونيمات، بينما تعيد وحدة إعادة التقييم فحص النتيجة النهائية في ضوء السياق.

في المرحلة الحالية، يعمل على STM32N6 النموذج الصوتي تحديدًا، أي الأساس الجوهري للنظام بأكمله. عمليًا، يستمع الجهاز إلى الكلام في الزمن الحقيقي، ويمرّره عبر NPU، ويُخرج تدفقًا من الفونيمات. وفي العرض التوضيحي تظهر في الأعلى الكلمات والأرقام، وفي الأسفل الفونيمات «الخام» التي يتنبأ بها النموذج.

حتى الآن، يتم تحويل الفونيمات إلى كلمات عبر مطابقة صارمة، لا عبر مفكّك ترميز لغوي متكامل. ولهذا لا يزال النظام محدودًا، لكن مجرد عمل النموذج الصوتي محليًا على متحكم دقيق أهم من «الحشوة» المحيطة به حاليًا.

الأرقام والقيود

أقوى نتيجة هي استهلاك الطاقة. فخلال التعرف النشط يستهلك النظام بأكمله نحو 215 ملّي واط. منها نحو 160 ملّي واط لوحدة NPU ونواة Cortex-M55، ونحو 45 ملّي واط للذاكرة الخارجية Flash وPSRAM، ونحو 10 ملّي واط للمنافذ الخارجية. وهذا ليس وضعًا بعد التحسين: فالنواة لا تعمل حتى الآن بوضع السكون الحاد، ولا تتجاوز نسبة تحميل NPU نسبة 10.4%، ما يعني أن هناك هامشًا إضافيًا لخفض الاستهلاك.

وعلى مستوى الجودة، تبدو النتائج جادة بالنسبة لهذه الفئة من العتاد. يضم النموذج 8.5 مليون معلمة، ولم يفقد تقريبًا من دقته بعد التكميم إلى int8، وسجّل على الجهاز المستهدف معدل PER بلغ 5.3% على dev_clean و14.4% على dev_other. واستغرق الاستدلال على NPU زمنًا قدره 52 ملّي ثانية لكل 500 ملّي ثانية من الصوت، بينما بلغ زمن الاستجابة الكلي 985 ملّي ثانية. ولا يعود نحو نصف هذا التأخير إلى العتاد، بل إلى «نافذة المستقبل» التي يعتمد عليها النموذج لتحسين دقة التنبؤ بالفونيمات.

  • حجم النموذج الصوتي — 8.5 مليون معلمة
  • استهلاك الطاقة أثناء التعرف — نحو 0.215 واط
  • زمن استدلال NPU — 52 ملّي ثانية لكل 500 ملّي ثانية من الصوت
  • فقدان الجودة بعد التكميم إلى int8 — أقل من 0.5%
  • استخدام RAM — 18%، وتحميل NPU — 10.4%

ومن المهم كذلك المقارنة مع الأنظمة الأكبر. فمن حيث PER جاء هذا النموذج قريبًا من wav2vec 2.0 Base وHuBERT Base، رغم أن حجم هذين النموذجين أكبر بنحو 11 مرة، وأنهما غير مصممين للعمل على المتحكمات الدقيقة. ويحدد صاحب المشروع حدود عمله بصراحة: فهو ليس بديلًا عن الإملاء النصي الكامل، بل محرك محلي للأوامر والعبارات القصيرة التي تكون فيها الاستقلالية وتوفير الطاقة عاملين حاسمين.

أين يتفوق المتحكم الدقيق

لا تكمن قوة هذا النهج في الشمولية بأي ثمن، بل في سد الفجوة بين الاستدلال البسيط على الكلمات المفتاحية (keyword spotting) والتعرف السحابي الثقيل على الكلام (ASR). فالواجهات الصوتية المحلية المعتادة تنتظر تطابقًا دقيقًا مع الأمر، أما هنا فيستطيع الجهاز تفسير صيغ مختلفة للطلب نفسه. فبدلًا من عبارة واحدة محددة سلفًا، يمكن للمستخدم أن يقول «اجعلها أدفأ» أو «زد خمس درجات» أو «ارفع الحرارة»، وسيفهم النظام أنه إجراء واحد.

ومن هنا تظهر سيناريوهات تطبيقية واضحة: منزل ذكي دون إرسال الصوت إلى الخارج، وإدخال صوتي للأرقام والمعاملات في المصانع، والعمل في المستودعات والأجهزة الطبية والنقل، حيث تكون الشبكة غير مستقرة أو غير موجودة أصلًا.

وثمة ميزة أخرى هي هامش النمو. فحاليًا لا يشغل STM32N6 سوى 18% من RAM، ولا تُستخدم وحدة NPU إلا بنحو عُشر طاقتها. والخطوات التالية واضحة: إضافة مفكّك ترميز للفونيمات، ونموذج لغوي، وخاصية إزالة الضوضاء. وهذه العناصر هي التي يُفترض أن تحوّل النموذج التقني المقنع إلى واجهة مستخدم مفيدة فعلًا.

ماذا يعني ذلك

لا يلغي STM32N6 التعرف السحابي على الكلام، لكنه يُظهر أن جزءًا من المهام بات يمكن نقله بثقة إلى حافة الشبكة. وحيثما تكون الاستقلالية والخصوصية والتكلفة وانخفاض استهلاك الطاقة عوامل مهمة، تبدأ المتحكمات الدقيقة المزوّدة بـNPU في الظهور لا كتجربة، بل كفئة عملية جديدة من الواجهات الصوتية.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف يعمل النظام؟

قسّم صاحب المشروع نظام التعرف على الكلام إلى ثلاث كتل: نموذج صوتي، ومفكّك ترميز (decoder)، ووحدة إعادة تقييم (rescoring). أثقل هذه الأجزاء هو الجزء الصوتي: فهو يستقبل الإشارة الصوتية الخام من الميكروفون ويحوّلها إلى سلسلة من الفونيمات. ويتولى مفكّك الترميز تجميع الكلمات من هذه الفونيمات، بينما تعيد وحدة إعادة التقييم فحص النتيجة النهائية في ضوء السياق. في المرحلة الحالية، يعمل على STM32N6 النموذج الصوتي تحديدًا، أي الأساس الجوهري للنظام بأكمله.

ما أبرز التفاصيل حول الأرقام والقيود؟

أقوى نتيجة هي استهلاك الطاقة. فخلال التعرف النشط يستهلك النظام بأكمله نحو 215 ملّي واط. منها نحو 160 ملّي واط لوحدة NPU ونواة Cortex-M55، ونحو 45 ملّي واط للذاكرة الخارجية Flash وPSRAM، ونحو 10 ملّي واط للمنافذ الخارجية. وهذا ليس وضعًا بعد التحسين: فالنواة لا تعمل حتى الآن بوضع السكون الحاد، ولا تتجاوز نسبة تحميل NPU نسبة 10.4%، ما يعني أن هناك هامشًا إضافيًا لخفض الاستهلاك. وعلى مستوى الجودة، تبدو النتائج جادة بالنسبة لهذه الفئة من العتاد.

ما أبرز التفاصيل حول أين يتفوق المتحكم الدقيق؟

لا تكمن قوة هذا النهج في الشمولية بأي ثمن، بل في سد الفجوة بين الاستدلال البسيط على الكلمات المفتاحية (keyword spotting) والتعرف السحابي الثقيل على الكلام (ASR). فالواجهات الصوتية المحلية المعتادة تنتظر تطابقًا دقيقًا مع الأمر، أما هنا فيستطيع الجهاز تفسير صيغ مختلفة للطلب نفسه. فبدلًا من عبارة واحدة محددة سلفًا، يمكن للمستخدم أن يقول «اجعلها أدفأ» أو «زد خمس درجات» أو «ارفع الحرارة»، وسيفهم النظام أنه إجراء واحد.

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…