علي بابا تطلق «Qwen-Audio-3.1-Realtime».. نموذج صوتي يفكر وينفذ المهام ويختار توقيت الكلام
كتب – نبيل الخوارزمى
أطلق فريق Qwen التابع لمجموعة علي بابا الصينية نموذج Qwen-Audio-3.1-Realtime، وهو نموذج للمحادثة الصوتية الفورية صُمم ليعمل داخل أنظمة الوكلاء الأذكياء، إذ يستطيع الاستماع والكلام في الوقت نفسه، واستدعاء الأدوات الخارجية والبحث في الويب أثناء المحادثة، مع تحسن ملحوظ في دقة فهم الكلام مقارنة بالإصدار السابق.
ويعتمد النموذج على ما يُعرف بالتفاعل «ثنائي الاتجاه الكامل»، أي أن المستخدم يستطيع مقاطعة النموذج أثناء حديثه كما يحدث في المحادثة البشرية الطبيعية، فيتوقف النموذج ويستمع ثم يرد. وتشير البيانات المنشورة إلى أن النموذج يتوقف عن الكلام بعد نحو 1.1 ثانية من مقاطعته. ويتيح النموذج أيضًا استدعاء الدوال لتنفيذ مهام عملية، وإخراج بيانات منظمة، والتخزين المؤقت للسياق لتقليل التكلفة، إلى جانب إمكانية الضبط الدقيق للشركات.
وعلى صعيد الأداء، ارتفع متوسط دقة النموذج في أربع عشرة لغة من 81.7 في المئة إلى 88.1 في المئة، وانخفض معدل الخطأ في التعرف على الكلمات في اختبار FLEURS من 9.01 إلى 3.98، كما تحسنت نتيجته في اختبار Audio MultiChallenge للمحادثات الصوتية المعقدة من 47.12 إلى 52.21. وفي دراسة تقييم بشري، سجل النموذج 92 في المئة مقابل 96 في المئة لنموذج GPT-Realtime-2 من «أوبن إيه آي»، ما يعني أنه لا يزال خلف منافسه الأمريكي بفارق محدود. ويدعم النموذج أيضًا التعرف على عدد من اللهجات الصينية.
ويقول الفريق إن تدريب النموذج اعتمد على طريقة تعلم معزز تُسمى GRPO، موزعة على ثلاث طبقات متكاملة، الأولى للتفكير والاستدلال، والثانية لتنفيذ الأدوات، والثالثة لاتخاذ قرار الكلام وتوقيته، أي متى يتحدث النموذج ومتى ينتظر. ويستوعب النموذج سياقًا يصل إلى 262 ألف رمز.
ويتوفر النموذج عبر واجهة برمجية فقط من خلال منصة QwenCloud، دون إتاحة أوزانه للعامة، بسعر 6.40 دولار لكل مليون رمز صوتي مُدخل، و24 دولارًا لكل مليون رمز مُخرج. ويعكس الإطلاق اتجاه الشركات الصينية إلى المنافسة في سوق المساعدات الصوتية الذكية التي تنفذ المهام، لا التي تكتفي بالرد على الأسئلة.
ــــــــــــــــــــ
هذا المحتوي تم باستخدام أدوات الذكاء الإصطناعي
