إنفيديا تفتح أوزان نموذج يفرّغ 40 لغة بينها العربية ويميّز 8 متحدثين

الملخص

• Nemotron 3.5 Transcribe مفتوح الأوزان يجمع التفريغ والترجمة وتمييز المتحدثين والإجابة عن أسئلة التسجيل في نقطة تحقق واحدة
• النموذج بنحو 4 مليارات معامل نشطة يتصدر النماذج المفتوحة على لوحة Open ASR بمعدل خطأ 5.33%
• النموذج يعمل على معالج رسومي واحد ويُستضاف ذاتياً عبر vLLM وSGLang، ويقبل التكييف لمفردات مجال بعينه ولهجاته

خبر

نموذج واحد مفتوح الأوزان يفرّغ الكلام في 40 لغة بينها العربية، ويترجم 31 لغة من الإنجليزية وإليها، ويسمّي حتى 8 متحدثين في تسجيلات تصل إلى ساعة، هو ما أطلقته إنفيديا في 28 أكتوبر 2026 تحت اسم Nemotron 3.5 Transcribe مع الإصدار الثاني من مجموعة بيانات Granary. النموذج يُوجَّه بأوامر لغوية طبيعية، ونقاط تحققه متاحة على Hugging Face وModelScope من اليوم الأول.

تفصيل

• البنية: نحو 30 مليار معامل إجمالاً ونحو 4 مليارات نشطة لكل رمز، في تصميم يجمع مشفّر كلام مع نموذج لغوي هجين Mamba–Transformer من نوع مزيج الخبراء. التقرير التقني يذكر أن النموذج مرخّص بـOpenMDW-1.1 ومدرّب على تسجيلات حتى ساعة واحدة، في حين تعرض صفحة Hugging Face حجماً إجمالياً يبلغ 34 مليار معامل.
• اللغات: 40 لغة للتفريغ، و31 لغة للترجمة من الإنجليزية وإليها، و13 لغة لتمييز المتحدثين. التقرير التقني يدرج العربية في جدول لغات التدريب بنحو 16.4 ألف ساعة فريدة، في حين تبقى الإجابة عن الأسئلة الصوتية مدرّبة بالإنجليزية فقط، ويختلف دعم اللغات بحسب المهمة.
• الأرقام: 5.33% متوسط معدل خطأ الكلمات على لوحة Open ASR الإنجليزية، الأول بين النماذج مفتوحة الأوزان، و4.62% على المسار متعدد اللغات بسبع لغات، و10.98% على المسار الطويل. وفي Artificial Analysis سجّل 2.8% بالتساوي في المركز الأول بين النماذج المفتوحة بنحو 4 مليارات معامل نشطة مقابل 24 ملياراً للنموذج المنافس.
• تمييز المتحدثين: 18.26% معدل خطأ على اختبار DAI-ASR-I18N في 21 لغة، الأدنى بين 14 نظاماً، و32.4% على Diarization-Bench الإنجليزي في المركز الأول من 14 نظاماً، مع حذف 8.32% فقط من كلمات المرجع مقابل وسيط يقارب 31% لبقية الأنظمة المقيّمة.
• السرعة: 100 ساعة من الصوت في أقل من 3 دقائق على معالج رسومي واحد من طراز RTX PRO 6000 Blackwell، باستخدام النسخة المكمّاة NVFP4 القادمة على مقاطع 30 ثانية بتزامن عالٍ. النموذج يعمل أيضاً على vLLM وSGLang-Omni منذ اليوم الأول، ولدى Baseten وDeepInfra وSimplismart كنقاط نهاية مستضافة.
• التكييف الطبي: في اختبار Eka Care على تسجيلات أطباء من الهند، انخفض معدل الخطأ على متحدثين خارج التدريب من 22.44% إلى 12.17%، أي 45.8% نسبياً، بعد نحو 14 ساعة تدريب على معالج GB300 واحد، مقابل ارتفاع طفيف في الخطأ على LibriSpeech من 1.54% إلى 1.69%.
• مجموعة البيانات: Granary v2 تضم 463,062 ساعة في 48 لغة من 16 مجموعة مصدرية، مقابل 25 لغة في الإصدار الأول. الملفات الوصفية عامة على Hugging Face وModelScope، ويُحمَّل الصوت من كل مصدر برخصته، وتُرفق بكل تسجيل ثلاث صيغ نصية وترجمات مع درجات جودة.
• القيود: النموذج مصمم للتسجيلات لا للبث المباشر، وتنصح إنفيديا بمراجعة الأسماء وتبدّل المتحدثين والإجابات مقابل التسجيل. وفي الدراسة الطبية بقي النموذج الطبي المتخصص متقدماً في مطابقة أسماء الأدوية التجارية والتشخيصات، والنسخ المكمّاة والنشر المحلي عبر NeMo-Speech.cpp لم تصدر بعد.

ماذا بعد؟

صدور النسخ المكمّاة من النموذج والنشر المحلي عبر NeMo-Speech.cpp، وهو ما وصفته إنفيديا بالقريب من دون تحديد موعد.

المصدر: إنفيديا