NVIDIA تفتح أوزان Nemotron 3.5 Transcribe لتفريغ ساعة صوت وتمييز المتحدثين بأربعين لغة

نشرت NVIDIA أوزان Nemotron 3.5 Transcribe، وهو نموذج صوتي يعمل دون اتصال ويفرّغ تسجيلات تصل إلى ساعة كاملة في 40 لغة ضمن سياق يبلغ 65,536 token (وفقاً لبطاقة النموذج على Hugging Face). والرقم الذي تبرزه الشركة، أي 2,238 ثانية صوت تُفرَّغ في كل ثانية، لا تحققه الأوزان التي ستنزّلها اليوم. هذا أول ما يجب أن يعرفه أي فريق يحسب تكلفة التشغيل قبل الحماسة للإصدار. كل ما يرد هنا مصدره وحيد هو بطاقة النموذج التي كتبتها NVIDIA نفسها، ولم يتسنَّ التحقق من أرقامها بشكل مستقل.

تسمّي الشركة النموذج SALM، أي نموذجاً لغوياً معزَّزاً بالكلام. يستقبل الصوت مع تعليمة نصية وسياق اختياري، ويُخرج نصاً يمكن أن يرافقه توقيت كل كلمة. وإلى جانب التفريغ الحرفي أو المكتوب، يتولى الترجمة الصوتية والتفريغ المستند إلى سياق، ونسبة الكلام إلى المتحدثين والتفريغ الغني، والتنبؤ بالتوقيت وتحديد اللغة، والإجابة عن أسئلة حول محتوى التسجيل. وبحسب البطاقة، تضمّن مزيج التدريب قدراً صغيراً من اتباع التعليمات النصية ومن وسم البيانات الشخصية (PII) وحجبها. تتيح رخصة OpenMDW-1.1 الاستخدام التجاري وغير التجاري في كل المناطق الجغرافية. وصدر النموذج في 28 أكتوبر 2026 على build.nvidia.com وNGC وHugging Face، وعبر مستودع NeMo Speech على GitHub (وفقاً لبطاقة النموذج على Hugging Face). والجمهور المستهدف بحسب NVIDIA هم بناة الواجهات الصوتية وأدوات التفريغ والترجمة، ومعالجة الاجتماعات والإعلام، وتحليلات خدمة العملاء.

تحت الغطاء، يضم النموذج 34 مليار معامل لا يعمل منها في كل خطوة سوى نحو 4.3 مليار. يتوزع هذا الرقم بين عمود لغوي يشغّل قرابة 3.5 مليار معامل نشط، وبين مشفّر صوتي مشترك بحجم يقارب 800 مليون (وفقاً لبطاقة النموذج على Hugging Face). العمود مأخوذ من Nemotron-3.5 Lightning 30B-A3B، وهو هجين من Mamba-2 وTransformer بتقنية مزيج الخبراء (MoE). أما المشفّر فيجمع مشفّر ASR بمعمارية Transformer بحجم 600 مليون معامل، ومشفّر متحدثين من نوع Sortformer باسم Nemotron-3-Diarization بحجم يقارب 99 مليون، ومعهما رأس محاذاة زمنية من نوع CTC. تمر خصائص الصوت عبر موصل بأبعاد 1,280، ثم عبر إسقاط مُتعلَّم إلى 2,688 بُعداً قبل دمجها بالموجّه النصي. ولتسريع التوليد، دُرّب تنبؤ متعدد الرموز (MTP) على عمقين بإعادة استخدام طبقة مكررة، ما يسمح بما يصل إلى 8 رموز تخمينية. وتوفر NVIDIA كذلك نموذج مسودة اختيارياً اسمه DFlash2، يعتمد الانتشار الكتلي ومبني على DFlash. الأوزان المرجعية بدقة BF16، ومعها نسختان مضغوطتان بدقتي FP8 وNVFP4 (وفقاً لبطاقة النموذج على Hugging Face).

على مستوى الدقة، تقدّم البطاقة نتائج التُقطت في 12 أكتوبر 2026، وكلها أرقام معلنة من الشركة نفسها. في تفريغ الجلسات الكاملة متعددة المتحدثين على AMI وCALLHOME وMixer 6 وNOTSOFAR-1، بلغ متوسط cpWER لدى النموذج 15.80%، مقابل 16.83% لتركيبة DiCoW v3.3 + DiariZen، وهي بحسب NVIDIA أفضل نتيجة منشورة إطلاقاً. وفي اختبار Preference-ASR للتحكم في الأسلوب، سجّل 7.56% في الوضع الافتراضي و6.16% مع التعليمات، مقابل 8.16% و8.36% لنموذج Canary-Qwen. وبين النماذج المفتوحة الأوزان، بلغ متوسط WER على مجموعات Open ASR Leaderboard العامة التسع للإنجليزية 4.71%، مقابل 4.94% لنموذج Qwen3-ASR-1.7B. وفي التسجيلات الطويلة سجّل 10.98% مقابل 13.37% لنموذج Parakeet-TDT-0.6B-v3. أما على اللوحة متعددة اللغات بلغاتها السبع فسجّل 4.62% مقابل 6.49% لنموذج Qwen3-ASR-1.7B (وفقاً لبطاقة النموذج على Hugging Face). الفارق في الإنجليزية القصيرة ضئيل. أما التقدم الحقيقي، إن صحّت الأرقام، فهو في التسجيلات الطويلة وفي اللغات غير الإنجليزية.

نعود إلى رقم السرعة. تقول NVIDIA إن بطاقة RTX PRO 6000 Blackwell Server Edition واحدة تفرّغ ما يصل إلى 2,238 ثانية صوت في الثانية بدقة NVFP4 مع فك الترميز التخميني DFlash2، وتعيد نص تسجيل مدته 30 ثانية خلال 0.13 ثانية، وهي أرقام معلنة من الشركة نفسها (وفقاً لبطاقة النموذج على Hugging Face). لكن هذه النتيجة تأتي من تنفيذ vLLM محسّن داخل خدمة Nemotron Transcribe NIM، وتحسيناته ليست جزءاً من الإصدار المفتوح. تنوي الشركة نقلها إلى NeMo Speech وvLLM لاحقاً، ولم يُحدد الموعد بعد. أما تكامل vLLM الذي صدر يوم الإطلاق فمخصص لتطوير النموذج، ويُتوقع أن يكون أبطأ بنحو الضعف (وفقاً لبطاقة النموذج على Hugging Face). النتيجة العملية أن الأوزان مفتوحة، بينما يبقى أعلى أداء اليوم مرتبطاً بمنصة NVIDIA التجارية.

وهناك حدود أخرى تذكرها البطاقة صراحة. النموذج يعمل offline، وتقسيمه الداخلي للصوت إلى مقاطع لا يجعله خدمة تفريغ فوري متدفق، فمن يبني مساعداً يرد لحظياً عليه أن يبحث في مكان آخر. وفهم الصوت والاستدلال واتباع التعليمات المنطوقة لم تُقيَّم إلا بالإنجليزية، وقد لا تعمل بموثوقية في غيرها. والترجمة مدعومة في الاتجاهين بين الإنجليزية وكل لغة مدرجة فقط، لا بين لغتين غير إنجليزيتين. وتُعامل المتغيرات الإقليمية المذكورة بين قوسين في المصفوفة على أنها جزء من لغتها الأم. وتصنّف البطاقة جودة كل لغة على درجات، أعلاها مستوى Leading، أي أداء يبلغ أحدث ما وصل إليه المجال أو يقاربه دون تعديل. ووسوم المتحدثين تميّز الأصوات داخل التسجيل فقط، ولا تثبت هوية أصحابها. والنص المتاح لنا من البطاقة لا يُظهر قائمة اللغات الأربعين كاملة. لذلك إن كانت العربية أو لهجتك شرطاً لمشروعك، فراجع مصفوفة دعم اللغات في صفحة النموذج قبل أي التزام.

إن قررت التجربة، فهذا المسار كما تصفه البطاقة:

1. ابدأ من المساحة التجريبية على Hugging Face وارفع تسجيلاً من بيئتك الفعلية، كمكالمة دعم أو اجتماع بلهجتك، قبل أن تنزّل أي وزن.
2. جهّز بطاقة H100 بذاكرة 80 GB واحدة، وهي البيئة الموصى بها لأوزان BF16. وإن كانت مواردك أضيق، فجرّب نسختي FP8 أو NVFP4 بعد مراجعة جدول توافق العتاد في البطاقة.
3. ثبّت vLLM 0.32.0 مع أحدث نسخة من الفرع الرئيسي في NeMo Speech، ثم اضبط المتغيرات البيئية. فعّل الإضافة nemo_speechlm، وارفع الحد الأقصى لمدة الصوت إلى 3600 ثانية وحجم الملف إلى 180 ميغابايت. وثبّت مشغّل النماذج V1 عبر VLLM_USE_V2_MODEL_RUNNER=0 لأن توقيت الكلمات يتطلبه (وفقاً لبطاقة النموذج على Hugging Face).
4. شغّل الخادم بطول سياق 65536 مع ضبط فك الترميز التخميني بطريقة mtp و8 رموز، وفعّل محلّل الاستدلال nemotron_v3 وطبقة الوسيط الخاصة بتوقيت CTC. وإن كنت تفضّل SGLang، فهناك دليل تشغيل مخصص للنموذج.
5. أرسل الصوت مرمّزاً بصيغة base64 عبر عميل متوافق مع OpenAI API، مع تعليمة نصية مثل “Transcribe the following audio.” وقيمة temperature تساوي 0 وenable_thinking على False. والبديل هو تشغيل النموذج داخل العملية عبر مكتبة Transformers بعد تثبيتها من المصدر.
6. اختر التعليمة المناسبة للمهمة، واترك موجّه النظام فارغاً في التفريغ والترجمة. تعرض البطاقة سبعة استخدامات نموذجية. الأول تفريغ حرفي بكلمات الحشو والتكرار لنصوص الأبحاث. والثاني نص مقروء بلا حشو للترجمة النصية المرئية والملاحظات. والثالث تمرير المصطلحات والأسماء كسياق لمكالمات الأرباح والدعم الفني. والرابع وسوم المتحدثين من spk:0 إلى spk:3 مع توقيت الكلمات لمراجعة الاجتماعات. والخامس تفريغ صوت الأقرب إلى الميكروفون فقط للإملاء، وهو استخدام تجريبي. والسادس الترجمة إلى لغة مستهدفة للتوطين. والسابع سؤال محدد عن التسجيل مع تفعيل الاستدلال، وفيه تُرفع temperature إلى 0.6 مع top_p بقيمة 0.95.

تقديرنا أن الإصدار جاد، وأن قيمته الحقيقية في الجمع بين التفريغ وتمييز المتحدثين والتوقيت والترجمة داخل نموذج واحد مفتوح يقبل الـfine-tuning، بعد أن كانت هذه المهام تتطلب سلسلة من الأدوات المتفرقة. أما من يبني قراره على رقم 2,238، فهو يقيس منتجاً تجارياً لا الأوزان المنشورة. ولمن يتابع بقية العائلة، تجمع صفحة Nemotron للمطورين النماذج الأخرى، وتذكر البطاقة تقريراً تقنياً مرافقاً لم يُتح رابطه ضمن مصادرنا.

مقالات ذات صلة

GitHub تتيح Copilot Fusion لجميع الخطط وتعد بنصف تكلفة المهمة البرمجية

اليوم

OpenAI تعلن نقض فرضية الزمن الأسي وتسلّم التحقق للجان علماء خارجيين

اليوم

OpenAI تتيح Decisions API للجميع بإجابات مصنّفة أسرع عشر مرات من Responses

اليوم