تحويل نموذج التضمين إلى تفريغ صوتي: معمارية تقرأ ساعة التسجيل في ثلاث عشرة ثانية

تتعامل مختبرات الذكاء الاصطناعي تقليديًا مع تحويل الصوت إلى نصوص بوصفه مسارًا هندسيًا مستقلًا، يتطلب شبكات عصبية مخصصة للتعرف الصوتي وتدريبًا مكثفًا على آلاف الساعات المسجلة. غير أن تجربة تقنية جديدة كشفت إمكانية تجاوز هذا الافتراض عبر استغلال البنية الكامنة في نماذج التضمين متعددة الوسائط، محولة نموذج «إمبيدينغ جيما 2» من أداة لتمثيل المتجهات إلى محرك تفريغ صوتي فائق السرعة يعمل محليًا على الأجهزة الشخصية.

تقوم الفكرة على استثمار الفضاء المشترك الذي يجمع النصوص والصور والمقاطع الصوتية داخل النموذج الأساسي الذي طورته «جوجل»، حيث تتقارب الإحداثيات الرياضية للكلمة المنطوقة مع موقع الكلمة المكتوبة في فضاء المتجهات نفسه. لم يمس المطورون مشفر الصوت الأصلي في النموذج بأي تعديل، بل اعتمدوا تدريب قارئ خفيف ينقل المقاطع الصوتية القصيرة مباشرة إلى فضاء النصوص، ليختار أقرب متجهة مطابقة من بين نحو 229 ألف كلمة إنجليزية، بينما يتولى نموذج مصغر إضافي تنسيق علامات الترقيم والأحرف الكبيرة. اللافت أن النموذج الأساسي لم يُدرّب أصلًا على مهمة تحويل الكلام إلى نصوص، واقتصر تدريب القارئ المضاف على أقل من ساعتين فقط باستخدام ثماني رقاقات من طراز «إنفيديا إتش 100» بالاعتماد على بيانات كلامية مفتوحة الترخيص.

أظهرت اختبارات الأداء على الأجهزة الشخصية نتائج غير مسبوقة في سرعة المعالجة؛ إذ تمكن النظام من تفريغ ملف صوتي مدته ساعة كاملة في 12.6 ثانية فقط على حاسوب «ماك بوك إير» مزود بشريحة «إم 3» وذاكرة قدرها ثمانية غيغابايت، معتمدًا بالكامل على المحرك العصبي للجهاز، وهو ما يعادل 288 ضعف سرعة التشغيل الفعلي. بالمقارنة على الجهاز نفسه، أنجز نموذج «آي بي إم جرانيت سبيتش 5.0 توربو سي تي سي» المهمة عبر معالج الرسوميات في 25.7 ثانية، أي بنحو 150 ضعف سرعة التشغيل الفعلي. ورغم أن اختبارات منشورة لشرائح متقدمة مثل «إم 5 برو» مع نماذج مثل «فونون 2» تسجل سرعات تصل إلى 480 ضعفًا، إلا أن تشغيل النموذج الجديد بحجم تنزيل لا يتجاوز 715 ميغابايت على عتاد استهلاكي يثبت كفاءة معمارية المتجهات المشتركة.

على مستوى الدقة، يقف معدل الخطأ في الكلمات عند نحو 5 بالمئة حاليًا، مقارنة بنسبة تتراوح بين 2 و3 بالمئة لدى النماذج الرائدة المتخصصة في التعرف الصوتي. يرى مطورو المشروع أن تطوير تدريب طبقة القارئ كفيل بسد هذه الفجوة في التحديثات المقبلة، لكن القيمة التشغيلية الحالية لا تنحصر في الأرقام المجردة، بل في قدرة التطبيق على العمل محليًا بالكامل دون أن تغادر التسجيلات الصوتية ذاكرة الحاسوب أو تمر عبر خوادم وسيطة.

يحمل هذا التحول دلالة عملية مباشرة للفرق التقنية والمؤسسات في الخليج ومصر والمشرق العربي. تقع المؤسسات الإقليمية في قطاعات المصارف والاستشارات القانونية والرعاية الصحية ومراكز الاتصال بين خيارين معقدين: إما إرسال التسجيلات الحساسة إلى واجهات سحابية أجنبية، وهو ما يصطدم بتشريعات حوكمة البيانات والسيادة الرقمية المحلية الصارمة، وإما تحمل نفقات استضافة بنى حوسبية ضخمة لتشغيل نماذج التحويل الصوتي محليًا. تشغيل التفريغ الصوتي الفائق على الأجهزة الطرفية يحرر ميزانيات البنية التحتية من تكاليف الاستدلال السحابي المتكررة، ويمنح المطورين الإقليميين منهجية جديدة، فبدلًا من بناء نماذج صوتية عربية من الصفر بتكاليف باهظة، يصبح تدريب قارئ خفيف يربط الصوت بمتجهات النصوص العربية داخل النماذج متعددة الوسائط مسارًا واقعيًا لتطوير أدوات محلية تحمي خصوصية البيانات وتعمل بأقل عتاد متاح.