Granite Speech 5.0 2B: نموذج ASR الجديد من IBM ظل على Hugging Face لأسبوعين قبل أن تعلن IBM عنه

أُنشئ مستودع Granite Speech 5.0 2B في 7 أكتوبر 2026. وأُودعت الأوزان في المساء نفسه، برسالة إيداع تقول فقط "Upload granite-speech-5.0-2b checkpoint." ثم ظلت بطاقة النموذج هناك ثلاثة عشر يومًا تُعدَّل علنًا — أُضيفت مخططات المعايير في اليوم الثالث عشر، وأُدرج تاريخ الإصدار ونتائج لوحة الصدارة الرسمية في اليوم التاسع عشر، وملف توقيع النموذج في اليوم العشرين — قبل أن تنشر IBM منشور المدونة الذي أعلن عن النموذج فعليًا، في 21 أكتوبر 2026. لم يمضِ على ذلك المنشور سوى يوم واحد وقت كتابتي هذا، وهو لا يزال الشيء الوحيد الذي قالته IBM عن النموذج في أي مكان: فلا يوجد بيان صحفي، ولا صفحة إعلان على ibm.com، ولا شيء على موقع منتج Granite يتجاوز صفحة الهبوط العامة. تُجمع إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا الإصدار في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة الثقة وعلامة كونه محل نزاع.

إذاً فالوصف الصادق ليس "غير مُعلَن"، وليس "أُطلِق مع ضجيج" أيضاً. بل هو نموذج كان قابلاً للتنزيل بهدوء لمدة أسبوعين، وكُتبت بطاقته علناً، وجاء إعلانه قبل هذا المقال بيوم واحد. ما يلي يفصل بين الأجزاء القابلة للتحقق والأجزاء التي لا تزال مجرد كلام من IBM.

ما الذي يوجد فعليًا في نقطة الحفظ؟

Granite Speech 5.0 2B هو نموذج كلام-لغة: مشفّر صوتي من نوع Conformer يغذّي نموذج لغة صغير عبر مُسقِط. وهو الخليفة المباشر لـ granite-speech-4.1-2b، الذي أُطلق في 29 أبريل 2026 بالعدد نفسه من المعاملات والترخيص نفسه Apache 2.0.

• الحجم والتنسيق — 2B معلمة، BF16 safetensors، Apache 2.0، دون تقييد الوصول إلى المستودع.

• المُشفِّر — 16 كتلة Conformer مُدرَّبة باستخدام CTC ورأسَي تصنيف: 348 مخرجًا حرفيًا (أول 256 مدخلًا من ASCII، إضافةً إلى مجموعة كاتاكانا صوتية من 92 حرفًا للغة اليابانية) و100,353 مخرجًا من BPE مستمدة من مُرمِّز Granite 4.0. الحجم الخفي 1,024، و8 رؤوس انتباه بحجم 128، ونواة التفاف 15، وانتباه كتلي على مدى أربع ثوانٍ.

• Projector — محوّل استعلامات نافذي من طبقتين يعمل على كتل من خمسة عشر تضمينًا صوتيًا بأبعاد 1,024، مع ثلاثة استعلامات قابلة للتدريب لكل كتلة وطبقة. ويقلّل معدل العينات بمقدار 5× فوق تقليل المشفّر البالغ 2×، لذا يرى النموذج اللغوي تضمينات بتردد 10 هرتز بدلًا من إطارات بتردد 100 هرتز.

• نموذج لغوي — نقطة تحقق وسيطة من granite-4.0-1b-base، موسّعة إلى 16k موضعًا باستخدام YaRN، مع محوّلات LoRA مدرّبة بالاشتراك مع المسقِط.

• التدريب — نحو 390,000 ساعة من الصوت العام والاصطناعي، و40 يومًا إجمالًا على 8 وحدات NVIDIA H100 (26 يومًا لتدريب المُشفِّر، و14 يومًا لتدريب أداة الإسقاط) على عنقود Blue Vela التابع لـ IBM.

• اللغات — الإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية واليابانية للنسخ؛ والترجمة من الإنجليزية وإليها لهذه اللغات الست، بالإضافة إلى الترجمة من الإنجليزية إلى الإيطالية ومن الإنجليزية إلى الماندرين.

390,000 ساعة هي الرقم الأهم بالنسبة لما يتفوق فيه النموذج. توضح البطاقة تفصيله، وأكبر كتلة منفردة ليست كلام قراءة نظيفًا: يوفر LibriHeavy 45,600 ساعة من الصوت غير المزود بعلامات ترقيم و45,800 أخرى من الصوت المزود بعلامات ترقيم، ويضيف VoxPopuli Granary 24,000 زائد 23,900 مزودة بعلامات ترقيم، ثم هناك 59,900 ساعة مما تسميه IBM ASR السياقي — وهي نفس المجموعات الصوتية المعاد تقطيعها مع إضافة سياق مقطع سابق صاخب إلى المُحفّز. وهناك أيضًا 7,100 و16,500 ساعة من ASR المنحاز بالكلمات المفتاحية في مجموعتي اللغات الأوروبية واليابانية على التوالي. هذا المزيج هو سبب أن التحسينات الرئيسية تتعلق بعلامات الترقيم والأحرف الكبيرة والمتانة والانحياز بالكلمات المفتاحية بدلًا من معدل خطأ الكلمات الخام في الإنجليزية النظيفة.

رقم 5.06%، والنص الصغير الموجود تحته

الادعاء الرئيسي لـ IBM هو متوسط معدل خطأ الكلمات الإنجليزية بنسبة 5.06% عبر مجموعات الاختبار العامة التسع ذات المقاطع القصيرة في Open ASR Leaderboard، والتي تصفها بأنها تحتل المرتبة #2 بين أفضل نماذج ASR مفتوحة الأوزان. تنشر بطاقة النموذج الرقم نفسه بتسمية مختلفة — "نتائج رسمية اعتبارًا من 20 أكتوبر 2026" — بينما تسمّي مدونة الإعلان التشغيل الأساسي "غير رسمي، اعتبارًا من 15 أكتوبر 2026". يفصل بين هذين الوصفين خمسة أيام وصفة واحدة، ولم يُعِد أي شخص خارج IBM إنتاج أيٍّ منهما.

مخطط المقارنة الموجود على البطاقة جدير بالقراءة عن كثب، لأن قواعد اختياره تؤدي دورًا كبيرًا. فهو يعرض أفضل عشرة نماذج مفتوحة الأوزان من حيث متوسط WER، بواقع نموذج واحد لكل مؤسسة، مع حلول Granite Speech 5.0 2B في المرتبة الثانية:

• #1 Qwen3-ASR-1.7B-hf — متوسط معدل خطأ الكلمات (WER) 4.94%.

• المركز الثاني Granite Speech 5.0 2B — 5.06%.

• المركز الثالث cohere-transcribe-03-2026 — 5.21%.

• #4 Hojo-ASR-V1 و#5 higgs-audio-v3-stt — 5.22% لكل منهما.

• #6 thewhisper-large-v3-turbo — 5.24%. لاحظ أن هذا نقطة تحقق مجتمعية تستعير اسم Whisper، وليس whisper-large-v3-turbo الخاص بـ OpenAI، الذي يسجل 7.83% على لوحة الصدارة نفسها. كثيرًا ما يُخلط بين الاثنين، وهذا الخلط يجمّل أي مقارنة تقرأها.

• #7 canary-qwen-2.5b — 5.38%؛ #8 ARK-ASR-0.6B — 5.44%؛ #9 MOSS-Transcribe-Diarize — 5.54%؛ #10 Voxtral-Small-24B-2507 — 5.81%.

يترتب على ذلك أمران. أولًا، الفارق عن المتصدر هو 0.12 نقطة مئوية، وهو على تسع مجموعات اختبار يقع ضمن الضجيج الناتج عن إعداد فك ترميز مختلف — وهذه تعادل في المركز الأول، لكنها تُوصف بالمركز الثاني. ثانيًا، الفارق بين المركز الثاني والمركز السادس هو 0.18 نقطة. وأيًا كان ما يفصل بين هذه النماذج في الإنجليزية النقية، فهو ليس الدقة. لا بد أن يكون عرض IBM الحقيقي في مكان آخر، وهو كذلك.

حيث يكون الكسب كبيرًا بما يكفي ليُحدث فرقًا: الضوضاء والمسافة

تقيس لوحة صدارة FFASR الكلام المشوّش والمتردّد الصدى — ظروف المجال القريب، ونسبة الإشارة إلى الضوضاء العالية، والمتوسطة، والمنخفضة، مجمّعة معًا. هذا هو التقييم الذي ينفصل فيه جيل 5.0 عن جيل 4.1 بفارق يمكنك استشعاره، وهو الرقم الأكثر فائدة في الإصدار.

• Granite Speech 5.0 2B — متوسط معدل خطأ الكلمات (WER) 14.80%، واحتل المرتبة #4 من بين 42 نموذجًا على اللوحة (النتائج حتى 18 أكتوبر 2026).

• granite-speech-4.1-2b-nar — 15.16%، #6.

• granite-speech-4.1-2b — 16.35٪، #9.

• للمقارنة: يحتل whisper-large-v3 نسبة 18.02% على اللوحة نفسها، بينما يحتل nvidia/parakeet-tdt-0.6b-v2 نسبة 17.66%.

هذا تحسّن بمقدار 1.55 نقطة عن الإصدار السابق المباشر في الصوت بعيد المدى والمشوّش — أي انخفاض نسبي بنحو 9.5% في الأخطاء — بينما انتقل متوسط الإنجليزية النقية من 5.33% إلى 5.06%، أي نحو 5% نسبيًا. بعبارة أخرى، التحسّن أكبر بنحو الضعف في الظروف التي يُنشر فيها النسخ فعليًا: قاعات الاجتماعات، ومراكز الاتصال، وميكروفونات الحواسيب المحمولة، والميكروفونات البعيدة في الأجهزة اللوحية. إذا كانت حزمة التعرف التلقائي على الكلام لديك جيدة بالفعل مع الصوت المسجّل في الاستوديو لكنها تنهار في قاعة اجتماعات، فهذا الإصدار موجّه إليك.

تم تحسين علامات الترقيم؛ أما استخدام الأحرف الكبيرة فلم يتحسّن

الجدول الرقمي الوحيد في البطاقة يقارن 5.0 مقابل 4.1 في معدل أخطاء علامات الترقيم (PER، الأقل أفضل) وF1 لكتابة الأحرف الكبيرة (الأعلى أفضل)، محسوبًا على أزواج كلمات محاذاة بطريقة ليفنشتاين بدلًا من الجمل الكاملة. انتبه إلى اتجاه كل صف، لأن الصورة ليست موحّدة.

• LScln — PER 25.70 → 23.20؛ Cap-F1 89.71 → 90.16.

• LSoth — PER 22.27 → 21.22؛ Cap-F1 91.26 → 91.65.

• VoxPopuli — PER 24.86 → 23.70، لكن Cap-F1 95.35 → 95.07.

• الأرباح-22 — PER 22.87 → 21.64، لكن Cap-F1 95.19 → 94.98.

• CV-EN — PER 9.13 → 9.18 (أسوأ قليلًا)؛ Cap-F1 96.75 → 96.96.

• CV-DE — PER 3.66 → 3.65؛ Cap-F1 99.50 → 99.51 (تكتب الألمانية الأسماء بحرف كبير، ولهذا فإن هذا الصف شبه مثالي).

• CV-ES — PER 11.61 → 11.46، Cap-F1 95.68 → 95.62.

• CV-FR — PER 11.00 → 11.43 (أسوأ)؛ Cap-F1 97.25 → 97.20.

• CV-PT — PER 7.86 → 7.53؛ Cap-F1 98.51 → 98.48.

تحركت علامات الترقيم في الاتجاه الصحيح في سبع مجموعات من أصل تسع؛ بينما تحركت كتابة الأحرف الكبيرة في الاتجاه الخاطئ في خمس من أصل تسع، بفارق يتراوح بين 0.03 و0.28 نقطة. وملخص IBM هو «دقة نسخ أعلى» و«علامات الترقيم وكتابة الأحرف الكبيرة»، وهو أمر يمكن الدفاع عنه على مستوى الإجمالي، ومتسامح قليلًا على مستوى التفاصيل. والقراءة العملية: توقّع عددًا أقل من الفواصل المفقودة، ولا تتوقع أن يضبط النموذج فجأة أسماء الأعلام وبدايات الجمل.

ميزتان تغيّران عمل التكامل

القدرات الأكثر احتمالاً للتأثير في عملية نشر فعلية لا تُخضع للقياس المعياري في البطاقة على الإطلاق، لأنها سمات تحكّم وليست سمات دقة.

التوجيه باستخدام معرّف اللغة. يمكنك أن تضع في البداية "الكلام بالألمانية. انسخه نصًا حرفيًا؛ لا تترجمه." وسينسخ النموذج الكلام الألماني نصًا بدلًا من ترجمته إلى الإنجليزية. وهذا مهم لأن نموذج الكلام الذي يترجم تلقائيًا غير قابل للاستخدام في، مثلًا، أرشيف دعم باللغة الألمانية — فتحصل على نص إنجليزي وتفقد الصياغة الأصلية. كما يعمل التوجيه عندما يُكتب باللغة الهدف، وهي الحالة الأكثر واقعية لخط معالجة متعدد اللغات.

ترجيح الكلمات المفتاحية حتى 2,000 مصطلح. لم يُذكر حدّ الإصدار السابق كرقم صارم في بطاقة 4.1، لكن 5.0 يرفع القائمة المدعومة إلى ألفي مصطلح لكل موجّه، عبر ASR وترجمة الكلام. وبالنسبة إلى أسماء المنتجات أو أسماء الأدوية أو معرّفات التذاكر أو قائمة SKU الخاصة بالعميل، يمثّل هذا الفرق بين نص مفرّغ قابل للاستخدام وآخر يحتاج إلى تصحيح. تعرض البطاقة مقياس F1 لترجيح الكلمات المفتاحية في مخطط بياني مع تطبيق الترجيح وبدونه، لكن لا توجد قيم رقمية في النص، لذا اعتبر حجم التحسين غير مُكمَّم.

هناك أيضًا تفصيل في التصميم الأمني يجدر معرفته: إذا تلقّى النموذج أمرًا مشوّهًا أو غير مألوف، تقول IBM إنه يتجاهل الأمر ويعود إلى النسخ العادي. وهذا قيد متعمّد على مدى ما يمكن للصوت أن يؤثر به في النظام، وتوصي IBM بقرن النموذج بـ Granite Guardian للكشف عن المخاطر في بيئات الإنتاج.

تشغيله

Granite Speech 5.0 2B مدعوم أصلاً في transformers>=4.52.1 عبر AutoModelForSpeechSeq2Seq وAutoProcessor. كما توثّق بطاقة النموذج vLLM وllama.cpp وmlx-audio، وهذا أهم مما يبدو: فهو نموذج يمكن تشغيله على حاسوب محمول، وليس فقط خلف عنقود من وحدات معالجة الرسوميات.

• طول المقطع — فرّغ صوتيًا في كتل تصل إلى نحو دقيقتين، واقسم التسجيلات الأطول باستخدام VAD. سياق YaRN البالغ 16k ليس مبررًا لتلقيمه ساعة من الصوت؛ فالدقة تتدهور قبل أن يتدهور السياق بفترة طويلة.

• llama.cpp — توصي البطاقة باستخدام Q8_0 وتذكر أن التكميم بbits أقل يفقد الدقة في الصوت الأطول من دقيقة تقريبًا. هذا تحذير محدد بشكل غير معتاد ويستحق الأخذ به حرفيًا.

• mlx-audio — الإصدار 0.5.9 أو أحدث، بالإضافة إلى jinja2، الذي يحتاجه mlx-audio لقالب المحادثة لكنه لا يثبّته بنفسه.

• الموجّهات مخصّصة لكل مهمة، وهي مهمة — فقول "انسخ الكلام مع علامات ترقيم وحروف كبيرة صحيحة" يمثّل نمطًا مختلفًا عن موجّه النص الخام، بينما يأخذ النمط المُرجَّح بالكلمات المفتاحية لاحقة "Keywords: …".

ما لا يمكن معرفته بعد

هناك ثلاثة أمور تستحق أن تُقال بوضوح، لأن التغطية المحيطة لن تفعل ذلك.

أولًا، لا يوجد تقييم مستقل. كل رقم أعلاه يأتي من جولة التقييم الخاصة بـIBM أو من مشاركات في لوحة الصدارة قدّمتها IBM. يشير مخطط FFASR إلى «نتائج رسمية»، وهذا يعني أن المشاركة موجودة على اللوحة، لا أن طرفًا ثالثًا شغّل النموذج. لم ينشر أحد إعادة إنتاج، أو تقريرًا عن أنماط الفشل، أو مقارنة مباشرة على صوت لم تختره IBM.

ثانيًا، لا توجد نقطة نهاية مُستضافة. وتنص بطاقة النموذج مباشرةً على أن النموذج «لا ينشره أي مزوّد استدلال»، ولم أتمكن من العثور عليه في كتالوج OrcaRouter أيضًا — فقائمة النماذج البالغ عددها 209 لا تحتوي على أي نقطة تحقق من Granite Speech من أي جيل. اليوم خياراك هما الأوزان، أو لا شيء. هذا طبيعي لنموذج عمره يومان، وسيتغير؛ خطط للاستضافة الذاتية في هذه الأثناء.

ثالثًا، تختلف التراخيص عبر العائلة بطريقة يسهل التعثّر فيها. طراز 2B مرخّص بموجب Apache 2.0 دون أي قيد تجاري. ويُطرح نموذج TurboCTC الصغير في نسختين، إحداهما بموجب Apache 2.0 والأخرى غير تجارية — ولا تجعل التسمية من الواضح للوهلة الأولى أيّهما أيّ.

إلى أين يترك هذا خطَّ معالجة الكلام

البنية الواقعية لنشر Granite Speech 5.0 2B في أواخر 2026 هي مُرمِّز-مُفكِّك مستضاف ذاتيًا يفرّغ الصوت نصًا، واستدعاء منفصل لنموذج لغوي يؤدي ما يأتي بعد ذلك: تلخيص المكالمة، واستخراج الحقول، وتصنيف النية، وتنظيف النص المنقول وفق مخطط. تلك المرحلة الثانية توليد نص عادي، وهي الجزء الذي يستفيد من عدم الارتباط الثابت بمورّد واحد — إذ يذهب النص المنقول إلى نقطة نهاية واحدة متوافقة مع OpenAI يمكنها الوصول إلى أكثر من 200 نموذج بسعر قائمة المزوّد دون إضافة أي هامش، لذا فإن تبديل نموذج التنظيف تغيير في الإعدادات لا إعادة بناء، وانقطاع أحد المزوّدين يُعالَج بالتحويل إلى بديل بدلًا من إسقاط خط المعالجة معه.

بالنسبة لمرحلة الكلام نفسها، فإن القرار هذا الأسبوع أضيق مما يوحي به مخطط المعايير. Granite Speech 5.0 2B نموذج ASR إنجليزي مفتوح الأوزان موثوق ضمن أفضل ثلاثة، وتحسين واضح على سلفه في بالضبط الظروف التي تعطّل ASR في الإنتاج، ونموذج متعدد اللغات فعلاً مع الترجمة والتحكم بالكلمات المفتاحية لا يقدمه معظم المنافسين بهذا الحجم. كما أن عمره يومان فقط، ومقيّم من البائع، ولم يُعاد إنتاجه. شغّله على أصعب تسجيلاتك الصوتية قبل أن تصدّق 5.06%.