NVIDIA Nemotron 3.5 Transcribe: نسخ متعدد اللغات بـ5.33% WER
بقلم علي المنتصر — محلل ومحرر تقني أول
أطلقت NVIDIA نموذج Nemotron 3.5 Transcribe مفتوح الأوزان على Hugging Face وModelScope، يجمع النسخ والتعرف على المتحدثين والترجمة والأسئلة الصوتية في نقطة تحقق واحدة. يتصدر لوحة Hugging Face Open ASR للغة الإنجليزية بمعدل خطأ 5.33%، ويسجل 2.8% AA-WER على Artificial Analysis، مع دعم 40 لغة نسخاً و31 ترجمة و13 لغة في تحديد المتحدثين. يأتي مع خط بيانات Granary v2 المفتوح (463,062 ساعة و48 لغة) ووصفات ضبط دقيق خفضت WER بنسبة 45.8% في دراسة طبية.
الموجز الإحصائي السريع
أعلنت NVIDIA رسمياً عن إتاحة نموذج Nemotron 3.5 Transcribe مفتوح الأوزان على Hugging Face وModelScope، وهو نموذج موحد للنسخ والتعرف على المتحدثين والترجمة والأسئلة الصوتية، يتصدر لوحة Hugging Face Open ASR للغة الإنجليزية بمعدل خطأ 5.33%، ويأتي مصحوباً بخط بيانات Granary v2 المفتوح الذي يغطي 463,062 ساعة عبر 48 لغة.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | نموذج مفتوح الأوزان (Open-Weight) مجاني التحميل والاستخدام من Hugging Face وModelScope؛ لا توجد تسعيرة توكنز معلنة في البيان الرسمي، والتكلفة الفعلية تعتمد على استضافة GPU (مثل RTX PRO 6000 Blackwell Server Edition) أو الاستدعاء عبر vLLM. |
| 🌐 المنصات والتوفر الفوري | Hugging Face وModelScope (متاح الآن)؛ تقديم عبر vLLM (متاح اليوم)؛ تشغيل محلي قادم عبر NeMo-Speech.cpp والنسخ المكممة على RTX Spark وDGX Spark وJetson AGX Thor ووحدات Blackwell数据中心. |
| ⚡ الأداء ومؤشرات السرعة | 5.33% WER إنجليزي (الأول بين النماذج المفتوحة)؛ 4.62% WER متعدد اللغات؛ 10.98% WER طويل؛ 2.8% AA-WER؛ 1.8% WER على AA-AgentTalk؛ 18.26% DER على 21 لغة؛ 32.4% cpWER على VoiceArena؛ معالجة 100 ساعة صوت في أقل من 3 دقائق على RTX PRO 6000 Blackwell واحدة (نسخة NVFP4). |
| 🛡️ الأمان ومقاومة الاختراق | لم يذكر البيان معايير أمان صريحة أو مقاومة Prompt Injection؛ يتضمن خط Granary v2 فحص الهلوسة (Hallucination Check) في مرحلة ASR وعلامة جودة لكل سجل (Per-Record Quality Flag). |
| 🧠 سياق الذاكرة (Context Window) | يعالج تسجيلات صوتية تصل إلى ساعة كاملة (60 دقيقة) في تمريرة واحدة، مع دعم الطوابع الزمنية على مستوى الكلمة (Word-Level Timestamps). |
| 🌍 دعم اللغة العربية والمنطقة | 40 لغة نسخاً، 31 لغة ترجمة من/إلى الإنجليزية، 13 لغة لتحديد المتحدثين؛ العربية غير محددة صراحة في البيان ويجب التحقق من بطاقة النموذج ومصفوفة المهام حسب اللغة. |
تفاصيل الإعلان والميزات التقنية الجديدة
يعتمد Nemotron 3.5 Transcribe معمارية هجينة تربط مشفر صوتي (Speech Encoder) بنموذج لغوي من نوع Mixture-of-Experts يجمع بين Mamba وTransformer، بحيث يُنشّط نحو 4 مليارات معامل فقط من أصل 30 ملياراً لكل توكن. هذا التصميم يضعه على حدود Pareto التي ترصدها Artificial Analysis بين الدقة والمعاملات النشطة، ويتفوق على واجهات برمجة تطبيقات صوتية تجارية واسعة الاستخدام في مخطط AA الشامل. النموذج قادر على تنفيذ مهام متعددة من نقطة تحقق واحدة عبر أوامر لغة طبيعية: النسخ مع وسم المتحدثين، الترجمة إلى الإنجليزية، أو الإجابة على أسئلة حول الاجتماع، مع دعم توجيه المفردات الطبية مثل HbA1c وmetformin داخل الأمر النصي.
على صعيد البيانات، يقدم Granary v2 خط تنقية قابل لإعادة الاستخدام مبني على NVIDIA NeMo Curator، يغطي 463,062 ساعة عبر 48 لغة و16 مجموعة بيانات مصدرية (مقابل 25 لغة في الإصدار الأول). ينتج الخط ثلاثة أشكال نصية لكل تسجيل (tn_raw وitn_raw وitn_clean)، إضافة إلى تسميات المهام، وتعليقات صوتية قصيرة، واستعادة تبديل الشيفرة (Code-Switching)، وأزواج أسئلة وأجوبة مرتبطة بالصوت، ومصطلحات ASR السياقية، وترجمات مع درجات جودة تلقائية. في مرحلة High Fidelity خُفضت بيانات VoxPopuli من 354 ألف ساعة إلى 111 ألف ساعة عبر 22 لغة أوروبية.
المقارنة المعيارية والأداء التنافسي
على Hugging Face Open ASR Leaderboard يتصدر النموذج فئة النماذج مفتوحة الأوزان في الإنجليزية بمعدل 5.33% WER، ويسجل 4.62% في المتعدد اللغات و10.98% في الطويل. على Artificial Analysis يتعادل على المركز الأول بين النماذج المفتوحة عند 2.8% AA-WER بمعاملات نشطة نحو 4 مليارات مقابل 24 ملياراً للنموذج المتعادل معه، ويسجل 1.8% WER على AA-AgentTalk مقابل 2.3% لأقرب منافس مفتوح. في تحديد المتحدثين، يسجل 18.26% DER على لوحة David AI عبر 21 لغة (أفضل من Nemotron 3 Diarization عند 18.38%)، ويتصدر VoiceArena بـ32.4% cpWER مع نسبة حذف كلمات 8.32% مقابل وسيط يقارب 31%. في دراسة حالة طبية على معيار Eka Care (3,619 مقطعاً)، خفض الضبط الدقيق WER بنسبة 45.8% نسبةً إلى أفضل أمر نصي، كما خفض تسمية اللغة والإخطاط في الأمر WER من 30.8% إلى 23.8%.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
غياب ذكر العربية صراحةً ضمن اللغات الـ40 للنسخ والـ31 للترجمة والـ13 لتحديد المتحدثين يعني أن الفرق العربية يجب أن تتحقق من بطاقة النموذج ومصفوفة المهام حسب اللغة قبل الاعتماد الإنتاجي. في المقابل، يتيح النموذج المفتوح الأوزان والضبط الدقيق عبر NeMo Speech بناء قدرات عربية مخصصة بتكلفة استضافة GPU فقط دون رسوم توكنز، وهو ما يخفض كلفة التطوير للمشاريع الناشئة في العالم العربي بشكل جوهري. معالجة 100 ساعة صوت في أقل من 3 دقائق على وحدة RTX PRO 6000 Blackwell واحدة تجعل معالجة أرشيفات صوتية عربية كبيرة (محاضرات، مكالمات دعم، تسجيلات طبية) عملية اقتصادياً. حالات الاستخدام الواعدة تشمل تحويل المحاضرات الجامعية إلى نصوص مع طوابع زمنية، وتوثيق الاجتماعات متعددة المتحدثين، والنسخ الطبي الموجّه بالمصطلحات، مع ضرورة فحص الأسماء وتغييرات المتحدثين يدوياً.
الخلاصة والتطلعات القادمة
يمثل Nemotron 3.5 Transcribe خطوة نوعية في توحيد النسخ والتعرف على المتحدثين والترجمة والأسئلة الصوتية في نقطة تحقق مفتوحة واحدة بكفاءة معاملات استثنائية. الخطوة التالية الحاسمة هي إصدار النسخ المكممة ودعم NeMo-Speech.cpp للتشغيل المحلي، إلى جانب توضيح تغطية اللغة العربية في بطاقة النموذج، وهو ما سيحدد جاهزية النموذج للتبني الواسع في الأسواق العربية.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
