Granite Speech 5.0 2B مقابل Granite Speech 5.0 470M TurboCTC: إنتاجية أكبر بـ35× مقابل 0.45 نقطة في معدل خطأ الكلمة

أصدرت IBM نقطتي فحص لـ Granite Speech 5.0 بفارق يوم واحد، والجانب المثير للاهتمام بشأنهما ليس أن إحداهما أكبر، بل إن Granite Speech 5.0 2Bتسجّل 5.06% كمتوسط لمعدل خطأ الكلمات (WER) في الإنجليزية عند 570 RTFx على لوحة Open ASR Leaderboard، بينما Granite Speech 5.0 470M TurboCTCتسجّل 5.51% عند 19,870 RTFx — أي نحو خمسة وثلاثين ضعفًا في الإنتاجية مقابل خسارة في الدقة تقل كثيرًا عن نصف نقطة مئوية. إذا كنت تفترض أن عدد المعلمات يمنحك شيئًا يتناسب معه، فليس الأمر كذلك. بل يمنحك الترجمة، والانحياز بالكلمات المفتاحية، والتحكم في تعريف اللغة، ونموذجًا لغويًا يمكنه اتباع موجه. السرعة ليست ضمن تلك القائمة. تُجمع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثقة الكامنة وراء إصدارات مثل هذا الإصدار في OrcaRouter AI Incident Archive حيث يحمل كل إدخال مصادره الخاصة ودرجة خطورته وتصنيف الثقة به وعلامة كونه محل نزاع.

كلا الرقمين من IBM نفسها، وقيسا على لوحة المتصدرين نفسها وبفارق أقل من أسبوع بين تاريخيهما، ما يجعل هذه إحدى أنظف المقارنات داخل العائلة المتاحة — وهي أيضًا مقارنة ينبغي معها افتراض أن التقييم أجرته الجهة المصنّعة لا أنه تقييم مدقّق. لا يوجد لأي من النموذجين تكرار مستقل، وحتى وقت الكتابة لا يقدّم أي منهما أي مزوّد استدلال أستطيع العثور عليه، بما في ذلك كتالوجنا الخاص.

في الأسبوع نفسه، قصتان مختلفتان للإصدار

هذان النموذجان ليسا توأمين بأحجام مختلفة. فقد صدرا بشكل مختلف وبُنيا بشكل مختلف، وتشرح سجلات الإصدار سبب اختلاف بطاقتي النموذج الخاصتين بهما إلى هذا الحد.

• Granite Speech 5.0 2B — أُنشئ المستودع في 7 أكتوبر 2026، ورُفعت الأوزان في ذلك المساء، وعُدّلت بطاقة النموذج علنًا لمدة أسبوعين، وخُتم تاريخ الإصدار بـ20 أكتوبر، ومدونة الإعلان في 21 أكتوبر. نموذج جديد، بداية هادئة، نهاية مدوّية.

• Granite Speech 5.0 470M TurboCTC — شُحن أول مرة في 25 أغسطس 2026 كنموذج باللغة الإنجليزية فقط مع ادعاء ببلوغ 12,600 RTFx. إصدار 21 أكتوبر هو تحديث، وليس نموذجًا جديدًا: البنية نفسها، ورأس BPE متعدد اللغات جديد من 16,384 رمزًا، وست لغات مضافة، ودعم أصلي لعلامات الترقيم وكتابة الأحرف الكبيرة.

هذا الفرق مهم عند قراءة الأرقام. نسبة 5.06% الخاصة بـ2B هي تقييم جديد لنقطة تحقق جديدة. ونسبة 5.51% الخاصة بـ470M تحسّن على رقم 5.78% نُشر في أغسطس، ومدونة IBM تصوغ ذلك على أنه "WER إنجليزي أفضل رغم إضافة ست لغات"، وهذا هو التفسير الصحيح للقراءة — فالتحديث متعدد اللغات لم يكلّف دقة الإنجليزية شيئًا، بل كسب بعضًا منها.

معماريتان، ونتيجة واحدة

Granite Speech 5.0 2B هو نموذج كلام-لغة. يُغذّي مُرمِّز Conformer CTC المكوَّن من 16 كتلة مُسقِّطَ محوّلِ استعلامٍ نافذيٍّ من طبقتين، يخفض التردد بمقدار 10× إلى تضمينات صوتية بتردد 10 هرتز، تدخل إلى نقطة تفتيش وسيطة من granite-4.0-1b-base موسّعة إلى 16k موضعًا باستخدام YaRN. الضبط الدقيق الخاضع للإشراف هو LoRA على المُسقِّط ونموذج اللغة معًا. التوليد تلقائي الانحدار: يكتب نموذج اللغة النص المنسوخ رمزًا تلو الآخر.

Granite Speech 5.0 470M TurboCTC هو مُرمِّز. ست عشرة كتلة Conformer، وهدف CTC، ورأس تصنيف BPE متعدد اللغات ذو 16,384 وحدة، وتقليل عينات زمني بمعامل 8 لخفض إطارات 100 هرتز إلى 12.5 هرتز، وفك تشفير جشع غير انحدار ذاتي. لا مُسقِط، ولا نموذج لغوي، ولا حلقة توليد. تأتي المخرجات مزوّدة بعلامات الترقيم ومراعاة حالة الأحرف لأن النموذج دُرِّب على إخراج علامات الترقيم ضمن تدفق الرموز، لا لأن نموذجًا ثانيًا أضافها لاحقًا.

النتيجة المترتبة هي المقارنة بأكملها. نموذج بحجم 2B يولّد الرموز له حد أدنى من الكمون لكل رمز لا يزيله أي قدر من التجميع في دفعات إزالةً كاملة؛ أما المشفّر غير الانحداري الذاتي فيُصدر مخرجاته كاملة في تمريرة أمامية واحدة، لذا تتناسب الإنتاجية مع حجم الدفعة ولا شيء آخر تقريبًا. وهكذا ينتهي نموذج يمتلك ربع المعاملات إلى أن يكون أسرع بخمسة وثلاثين مرة بدلًا من أربع مرات.

وهذا أيضًا سبب تخلي 470M عن أشياء يمتلكها 2B. لا يوجد موجّه يجب اتباعه، لذا لا توجد تعليمة لتحديد اللغة ولا قائمة كلمات مفتاحية، ولا ترجمة — فرأس CTC يربط الصوتيات بالرموز، ولا يمكن إخباره بتحويل الكلام الألماني إلى نص إنجليزي.

لوحة النتائج، ومن أين جاء كل رقم

• المعلمات — Granite Speech 5.0 2B يبلغ 2B؛ Granite Speech 5.0 470M TurboCTC يبلغ 470M.

• معدل خطأ الكلمات (WER) في الإنجليزية، متوسط مجموعات البيانات التسع في Open ASR — 5.06% مقابل 5.51%. كلا دورتي تقييم IBM، 15–20 أكتوبر 2026.

• الإنتاجية، RTFx — 570 مقابل 19,870. نفس أداة اختبار لوحة الصدارة، نفس النطاق الزمني.

• معدل خطأ الكلمات (WER) في ظروف الضوضاء والصدى، FFASR — 14.80% (المرتبة #4 من 42) مقابل 17.57% (المرتبة #12). ويتمتع طراز 2B بمتانة أكبر بنحو 2.8 نقطة.

• الترخيص — Apache 2.0 لكليهما. ولدى TurboCTC أيضاً نسخة شقيقة -NC بموجب CC-BY-NC-SA-4.0؛ تحقّق من اسم المستودع قبل الإصدار.

• اللغات — ست لغات للنسخ (En، Fr، De، Es، Pt، Ja) بالإضافة إلى الترجمة، مقابل سبع لغات (بإضافة الإيطالية) دون ترجمة.

• ميزات التحكم — التلقين بمعرّف اللغة، وانحياز الكلمات المفتاحية حتى 2,000 مصطلح، وترجمة الكلام على 2B؛ ولا شيء على 470M.

• التدريب — 390,000 ساعة على مدى 40 يومًا على 8 وحدات H100 للطراز 2B؛ 153,000 ساعة على مدى 24 يومًا على 8 وحدات H100 للطراز 470M.

فجوة المتانة هي الصف الذي يتجاهله الناس. سرعة تبلغ خمسة وثلاثين ضعفًا تلفت الانتباه، لكن نسبة خطأ الكلمات (WER) البالغة 17.57% في الصوت البعيد المليء بالضجيج مقابل 14.80% تعني فرقًا نسبيًا في الخطأ قدره 19%، والصوت المليء بالضجيج هو ما تواجهه معظم عمليات النشر الفعلية. وإذا كان صوتك يأتي من حاسوب محمول في مطبخ، فإن ميزة السرعة لدى النموذج الصغير تُنفَق على نصّ عليك تصحيحه بعد ذلك.

المكان الوحيد الذي يتفوق فيه 470M فعليًا من حيث الدقة

اليابانية. تدّعي بطاقة TurboCTC أنها تتفوق على نموذج 2B في معدل خطأ الأحرف عبر CSJ eval1 وCommonVoice-17 وFLEURS — مجموعات الاختبار الثلاث كلها — وتصرّح بذلك صراحةً في نص البطاقة بدلًا من دفنه في مخطط. الأرقام نفسها موجودة فقط في شكل بياني، لذا لا يمكن الاقتباس بحجم الفوز، لكن الاتجاه هو ادعاء IBM عن نموذجيها هما، ما يجعله أكثر مصداقية من مقارنة بين موردين مختلفين.

هناك آلية معقولة. يتعامل نموذج 2B مع اليابانية بإضافة مجموعة كاتاكانا صوتية من 92 حرفًا إلى رأس الأحرف، و16,500 ساعة من ASR الياباني المنحاز إلى الكلمات المفتاحية، إضافةً إلى 9,600 ساعة من TTS الخاص بـ Fineweb-2 إلى التدريب، لكنه لا يزال يمرّر النتيجة عبر نموذج لغوي دُرّب في معظمه على نصوص أوروبية. أما نموذج 470M فيستخدم مفردات BPE متعددة اللغات واحدة بحجم 16,384 وحدة تتضمن اليابانية منذ البداية، ويقضي 8,130 ساعة على ReazonSpeech و1,860 ساعة على اليابانية الاصطناعية. إذا كان منتجك يقوم بالنسخ الياباني بكميات كبيرة، فهذه هي المواجهة الوحيدة التي يكون فيها النموذج الصغير أسرع وأفضل في آنٍ واحد، ويستحق اختبارًا مباشرًا قبل اللجوء افتراضيًا إلى 2B بسبب الحجم.

التكلفة، تُحتسب بدلًا من أن تُقتبس

لا تنشر IBM سعرًا لأي من الطرازين. كلاهما أوزان بترخيص Apache 2.0، لذا فإن تكلفة تشغيلهما هي تكلفة العتاد، وأرقام RTFx هي الرافعة الوحيدة المتاحة لديك لتقديرها.

لنأخذ عبئًا عمليًا قدره 1,000 ساعة من الصوت يوميًا — أرشيف مركز اتصال متوسط الحجم. عند 570 RTFx، يحتاج نموذج 2B إلى نحو 6,300 ثانية من وقت GPU، أي ما يزيد قليلًا على 1.7 ساعة GPU. وعند 19,870 RTFx، يحتاج نموذج 470M إلى نحو 181 ثانية، أو 0.05 ساعة GPU. على H100 بتكلفة تتراوح نحو 2–3 دولارات في الساعة، يمثل ذلك بضعة دولارات يوميًا مقابل بضعة سنتات. كلا الرقمين صغير، وهذا هو المقصد: على هذا النطاق، لا يُعد أي من النموذجين مكلفًا، وينبغي اتخاذ القرار بناءً على الدقة والقدرات، لا على الحوسبة.

تتغيّر الحسابات عند الطرف الآخر. إذا كنت تفرّغ بثًا صوتيًا واحدًا نصًا في الوقت الفعلي على حاسوب محمول، أو تشغّل تطبيقًا على الجهاز، فإن 2B يحتاج إلى GPU ليبقى متقدمًا على الوقت الفعلي، بينما يمتلك 470M هامشًا وفيرًا — ولهذا تضع IBM TurboCTC لأجهزة الحواسيب المحمولة والهواتف والأجهزة الطرفية، وتوثّق mlx-audio لأجل Apple Silicon. يعمل 2B أيضًا على llama.cpp وmlx-audio، لكن عند Q8_0 مع تحذير من أن التكميم ببتات أقل يفقد الدقة بعد نحو دقيقة من الصوت.

الاختيار، بالترتيب الذي يحدث به القرار فعليًا

لا تبدأ بالمعيار المرجعي. ابدأ بما تتطلبه المهمة، لأن ثلاثة من الاختلافات متطلبات صارمة وليست مقايضات.

هل يجب أن يكون الناتج بلغة مختلفة عن لغة المدخل؟ إذن فالمقصود هو 2B، ولا مجال لعقد أي مقارنة. فطراز 470M غير قادر على الترجمة. هذا الشرط الوحيد يستبعده من خطوط معالجة الترجمة النصية، وملاحظات الاجتماعات متعددة اللغات، وأي أرشيف باللغة الإنجليزية يُبنى من محتوى صوتي غير إنجليزي.

هل يحتاج النص المكتوب إلى أن يحتوي على مصطلحات محددة؟ أسماء المنتجات، وأسماء الأدوية، ومعرّفات التذاكر، وقائمة SKU الخاصة بالعميل — يقبل 2B ما يصل إلى 2,000 مصطلح كقائمة كلمات مفتاحية، وقد دُرّب على 23,600 ساعة من الصوت المنحاز إلى الكلمات المفتاحية لهذا الغرض تحديدًا. لا يملك 470M واجهة أوامر نصية. النشر المدعوم بمسرد مصطلحات على النموذج الصغير غير ممكن.

هل الصوت نقي؟ إذا كان الجواب نعم، فإن فجوة اللغة الإنجليزية البالغة 0.45 نقطة صغيرة، وميزة السرعة البالغة 35× تكاد تكون مجانية. وإذا كان الجواب لا — الاجتماعات، ومراكز الاتصال، والميكروفونات البعيدة المدى — فإن فجوة FFASR البالغة 2.8 نقاط تقول إن أخطاء النموذج الصغير ستكلّفك أكثر مما توفّره سرعته.

هل هي يابانية؟اختبر 470M أولاً. تقول IBM إنه يفوز في مجموعات الاختبار اليابانية الثلاث جميعها.

هل هو على جهاز؟ صُمم الطراز 470M لهذا الغرض. يمكن للطراز 2B أن يعمل على جهاز، لكنه لم يُصمم لهذا الغرض.

الخلاصة الصادقة هي أن هذين ليسا مجرد حجمين مختلفين من المنتج نفسه. أحدهما نظام نسخ وترجمة مزوّد بواجهة تحكم؛ والآخر محرك نسخ سريع جدًا ورخيص جدًا بلا أي عناصر تحكم. معظم الفرق التي تظن أنها تحتاج «الخيار الأفضل» تحتاج في الواقع إلى الإجابة عن سؤالي الترجمة والمصطلحات أولًا، وهاتان الإجابتان تحسمان الأمر.

تشغيل كليهما دون تبديل

الشكل الإنتاجي المعقول لفريق يختبر هذه العائلة هو نشر الطرازين معًا، لأن لديهما أنماط فشل متعاكسة. يتولى 470M التعامل مع النسخ النظيف بالجملة بتكلفة تكاد تكون صفرًا؛ بينما يتولى 2B الصوت الصعب، والصوت غير الإنجليزي، وأي شيء يحتاج إلى قائمة مصطلحات. أما الموجّه الذي يصنّف كل ملف وارد — كشف اللغة، وتقدير نسبة الإشارة إلى الضوضاء، والتحقق مما إذا كانت قائمة مصطلحات مرفقة — ثم يرسله إلى نقطة التحقق المناسبة، فهو ربما خمسون سطرًا من الشيفرة، ويقلل معدل الخطأ لديك في الحالات الطرفية دون دفع أسعار 2B على الكميات الكبيرة.

مرحلة التصنيف تلك عبارة عن استدعاء نموذج صغير، وهي الجزء الذي يستحق التشغيل عبر نقطة نهاية واحدة بدلاً من تضمين حزمة SDK لمورّد ثانٍ: تكشف OrcaRouter أكثر من 200 نموذج خلف واجهة برمجة تطبيقات واحدة متوافقة مع OpenAI بسعر قائمة المزوّد دون أي هامش مضاف، وتستطيع لغة DSL للتوجيه الخاصة بها التعبير عن التوجيه حسب اللغة والجودة كقاعدة بدلاً من كود التطبيق. يكتسب التحويل التلقائي عند الفشل أهمية قصوى في الأسبوع الذي يلي إصدار مثل هذا، حين تكون نقطة تحقق عمرها يومان، ولا شيء تم التحقق منه بشكل مستقل، وأأمن طريقة لتجربته هي إبقاء مسار ثانٍ جاهزًا. لا شيء من ذلك يساعدك في تشغيل Granite Speech نفسه بعد — فلا يتم تقديم أي من نقطتي التحقق من قِبَلنا اليوم، لذا تبقى نماذج الكلام مستضافة ذاتيًا وتبدأ طبقة التوجيه على بُعد خطوة واحدة في اتجاه المصب.

إذا كنت ستنشر نموذجًا واحدًا فقط، فانشر 2B. فهو النموذج القادر على فعل كل ما يستطيع 470M فعله، بسرعة لا تزال أسرع من الزمن الحقيقي بخمسة وثلاثين مرة، ودقة أفضل في كل معيار قياس نشره IBM باستثناء اليابانية. أما 470M فهو المتخصص الذي تضيفه عندما تبرر الفاتورة أو ملف زمن الاستجابة ذلك — وليس الافتراضي الذي تبدأ منه.