Granite Speech 5.0 2B مقابل Whisper large-v3-turbo: IBM تتفوق في الاختبارات المعيارية، وWhisper تتفوق في 99 لغة

بالنسبة إلى الرقمين اللذين يتحقق منهما معظم الناس أولاً، Granite Speech 5.0 2B يتفوق على Whisper large-v3-turbo وليس الفارق طفيفاً. يسجل نموذج IBM متوسط معدل خطأ في الكلمات يبلغ 5.06% عبر مجموعات الاختبار الإنجليزية التسع قصيرة الشكل في Open ASR Leaderboard عند 570 RTFx؛ بينما تسجل نقطة التحقق turbo من OpenAI متوسطاً قدره 7.83% عند 200 RTFx على اللوحة نفسها. أسرع وأدق، على المعيار نفسه، وبفارق نحو عامين في تاريخ الإصدار. إذا كان صوتك بالإنجليزية وكان نقياً، فهذه هي المقارنة كاملة ويمكنك التوقف عن القراءة. تُجمع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثقة الكامنة وراء إصدارات مثل هذا الإصدار في أرشيف حوادث OrcaRouter AI حيث يحمل كل مدخل مصادره الخاصة ودرجة الخطورة وتصنيف الثقة وعلامة النزاع.

سبب استمرار الحاجة إلى هذه الصفحة هو الرقم الثالث: 99. يغطي Whisper large-v3-turbo تسعًا وتسعين لغة؛ بينما يغطي Granite Speech 5.0 2B ست لغات للنسخ، ويترجم إلى لغتين إضافيتين. إن ميزة 2.8 نقطة في معدل خطأ الكلمات (WER) على الإنجليزية لا تساوي شيئًا إذا كان الصوت بالفيتنامية. لذا فالسؤال الحقيقي ليس أي النموذجين أفضل — بل ما إذا كانت مزيج لغاتك يتسع داخل صندوق من ست لغات، وما تكلفة الانتقال إذا كان الأمر كذلك.

ما حقيقة Whisper large-v3-turbo في الواقع

من المفيد أن نكون دقيقين هنا لأن الاسم يُنسب إلى أشياء ليست هي. إن Whisper large-v3-turbo هو النسخة المشذّبة التي أطلقتها OpenAI من large-v3: فالمُرمِّز (encoder) لم يتغير، لكن فاكّ الترميز (decoder) أصبح بـ4 طبقات بدلًا من 32. هذا التغيير الواحد ينقل النموذج من 1,550M معامل إلى 809M ويضاعف الإنتاجية ثلاث مرات تقريبًا، مع التضحية بقدر ضئيل نسبيًا من الدقة — ولهذا أصبح نقطة التحقق الافتراضية للتعرف السريع على الكلام (ASR) عبر المنظومة خلال أشهر من إصداره في أكتوبر 2024.

تنبع ثلاث خصائص من ذلك التصميم، وكلها مهمة لهذه المقارنة:

• إنه نموذج ترجمة جرى تشذيبه بالصدفة، لذا فهو يرث 99 لغة من النسخ والتعرف على اللغة — لكن نسخة turbo غير مدربة على الترجمة. وعلى خلاف large-v3، فإنه ينسخ الكلام ويتعرف على اللغة؛ ولا يحوّل الكلام في لغة ما إلى نص بلغة أخرى. وكثيرًا ما تكتشف الفرق ذلك بعد البناء عليه.

• وحدة فك التشفير تلقائية الانحدار. تكتب الرموز، أربع طبقات في كل مرة، ولهذا يستقر معدل إنتاجيتها عند 200 RTFx بدلاً من الآلاف. جاءت سرعة Whisper من إزالة الطبقات، لا من تغيير نمط فك التشفير.

• إنه مرخّص بموجب MIT، وهو في الممارسة العملية أكثر تسامحًا من Apache 2.0 في جانب واحد بالضبط يهم بعض الفرق القانونية: لا يوجد بند لمنح براءات الاختراع يحتاج إلى تحليل، ولا ملف إسناد يجب إرفاقه.

لم تكن ميزة Whisper الحقيقية يومًا هي نتيجة المعيار القياسي. بل هي عامان من الأدوات — faster-whisper، وwhisper.cpp، ونقاط النهاية المُدارة لدى كل سحابة، ووصفات التكميم، ومكتبات الطوابع الزمنية على مستوى الكلمة، وحزم فصل المتحدثين المبنية فوقها. تلك المنظومة تمثل كلفة تبديل حقيقية، وعلى هذه المقارنة أن تأخذها في الحسبان بأمانة.

أين تكون الفجوة حقيقية، وأين تكون مجرد أثر ناتج عن أداة الاختبار

المقارنة بين 5.06% و7.83% تجري على لوحة الصدارة نفسها، ما يجعلها أكثر موثوقية من معظم الأرقام المقارنة بين موردين مختلفين — لكنها ليست اختبارًا متماثل الظروف، والتفاصيل تصب في الاتجاهين.

• تأتي رقم Granite من تشغيل التقييم الخاص بـ IBM المقدَّم إلى لوحة الصدارة، والموصوف في مدونة الإعلان بأنه "غير رسمي، اعتبارًا من 15 أكتوبر 2026". وتصف بطاقة النموذج النتائج نفسها بأنها "رسمية" اعتبارًا من 20 أكتوبر. اختر أي صفة تريد؛ فلم يُعِد أحد خارج IBM إنتاج هذه النتائج.

• رقم Whisper هو النتيجة المنشورة في لوحة الصدارة لنقطة التحقق، وقد شُغِّل باستخدام أداة التقييم الخاصة بلوحة الصدارة، وهي مسار معالجة مختلف عن مسار IBM.

• كلا الرقمين متوسطان محسوبان على تسع مجموعات اختبار عامة، معظمها كلام إنجليزي مقروء من LibriSpeech وGigaspeech وSPGISpeech وEarnings-22 وAMI وVoxPopuli. وضعف Whisper في هذه اللوحة موثّق جيدًا وهو ضعف بنيوي: فقد دُرّب على 680,000 ساعة من صوت الويب الخاضع لإشراف ضعيف، وهو ما يمنحه الاتساع على حساب التنسيق الدقيق.

• في الصوت البعيد والمشوّش، يظل الترتيب قائمًا. لوحة FFASR — بمتوسط الصوت القريب، وSNR العالي، وSNR المتوسط، وSNR المنخفض — تضع whisper-large-v3 عند 18.02%، مع Granite Speech 5.0 2B عند 14.80%. لاحظ أن هذا هو large-v3 وليس turbo؛ فـ turbo أسوأ قليلًا عمومًا من النموذج الأصل الذي اشتُق منه على الصوت الصعب لأنه يملك طبقات فك تشفير أقل للتعافي من تخمين صوتي سيئ.

إذن ففجوة الدقة حقيقية على الأرجح من حيث الاتجاه، وربما تكون أصغر من 2.8 نقطة في مقارنة عادلة. وما لا شك فيه هو مصدرها: يُطلب من مفكك ترميز Whisper القيام بالتعرف على اللغة والنسخ وعلامات الترقيم وحالة الأحرف ومحاذاة الطوابع الزمنية في آن واحد بأربع طبقات، بينما تفصل بنية Granite العمل الصوتي (مُرمِّز CTC برؤوس للأحرف وBPE) عن توليد النص (نموذج لغوي بحجم 1B).

صندوق اللغة، بالقياس الكمي

هنا يُتخذ القرار، لذا يستحق أكثر من مجرد رقم في نقطة تعداد.

• يفرّغ Granite Speech 5.0 2B الكلام باللغات الإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية واليابانية، ويترجم بين هذه اللغات الست والإنجليزية، فضلًا عن الترجمة من الإنجليزية إلى الإيطالية ومن الإنجليزية إلى الماندرين.

• ينسخ Whisper large-v3-turbo تسعًا وتسعين لغة، ويحدّد أيّ لغة يسمع. وهو لا يترجم.

• شقيق Granite ذو اللغات السبع، Granite Speech 5.0 470M TurboCTC، يضيف اللغة الإيطالية إلى مجموعة لغات النسخ — لتغطي العائلة بذلك سبع لغات أوروبية ويابانية، لا ستًا.

تسعة وتسعون مقابل سبعة هي الحجة الكاملة لصالح Whisper، وهي حجة قوية. لكن التوزيع العملي أهم من العدد. إذا كانت ملفاتك الصوتية بالإنجليزية أو الفرنسية أو الألمانية أو الإسبانية أو البرتغالية أو اليابانية أو الإيطالية، فإن Granite يغطيها. أما إذا كنت تحتاج إلى الهندية أو العربية أو الكورية أو التركية أو البولندية أو الفيتنامية أو الإندونيسية أو الهولندية أو السويدية أو أي من اللغات التسعينية الأخرى، فإن Whisper هو الوحيد بين هذين الاثنين الذي يعمل — ولا يغيّر ذلك أي قدر من تفوّق WER في الإنجليزية.

الحالة الوسطى هي الحالة التي توجد فيها معظم الفرق فعليًا: منتج باللغة الإنجليزية في معظمه، مع ذيل طويل من اللغات يظهر بنسبة بضعة في المئة من الوقت. وجود نموذجين، واحد لكل فئة، إجابة طبيعية وصحيحة — وهو أرخص مما يبدو، لأن الذيل هو حيث يكون الحجم منخفضًا.

الصوت الطويل والطوابع الزمنية والأشياء التي تتعطل عند التوسع

قصة نشر Whisper ناضجة بطرق لا تظهر في أي معيار قياس. الطوابع الزمنية على مستوى الكلمة، وكشف النشاط الصوتي، وتقسيم المتحدثين، والبث المتدفق مع فك التشفير المجزأ — كل ذلك موجود، وكل ذلك مجرَّب ميدانيًا، وكثير منه يفترض نافذة Whisper البالغة 30 ثانية ورموز الطوابع الزمنية الخاصة به.

يأخذ Granite Speech 5.0 2B شكلًا مختلفًا. توصي IBM بمقاطع يصل طولها إلى نحو دقيقتين، تُقسَّم باستخدام VAD للتسجيلات الأطول، ويرى نموذج اللغة تضمينات بتردد 10 Hz داخل سياق ممتد بـ YaRN بطول 16k. لا يوجد رأس طوابع زمنية على مستوى الكلمة في نقطة التحقق الأساسية 2B — فقد أطلق جيل 4.1 نسخة منفصلة "-plus" للتعرف على الكلام المنسوب إلى المتحدث والطوابع الزمنية على مستوى الكلمة، ولا توجد بعد نسخة مكافئة في 5.0.

هذه فجوة حقيقية إذا كنت تبني ترجمات نصية، أو نصوص اجتماعات مع تسميات المتحدثين، أو أي شيء يحتاج إلى الانتقال إلى عبارة معينة. تصف مدونة 5.0 تحسينات الطوابع الزمنية، لكنها تخص granite-speech-4.1-2b-plus المحدّث، وليس 5.0 2B.

• تحتاج إلى طوابع زمنية على مستوى الكلمة — Whisper large-v3-turbo اليوم؛ Granite 4.1-2b-plus إذا كنت تريد عائلة Granite ويمكنك قبول النموذج الصوتي الأقدم.

• يلزم إسناد المتحدث — الإجابة نفسها؛ إذ لا يقوم 5.0 2B بذلك.

• الحاجة إلى دقة في النصوص الطويلة تتجاوز بضع دقائق — إرشادات Granite لتقسيم المقاطع إلى دقيقتين تُعد حدًا عمليًا، كما أن تقطيع Whisper إلى أجزاء مدتها 30 ثانية مع الاعتماد على النص السابق له نمط فشل معروف (حلقات تكرار عند الصمت). لا يبدو أي منهما أفضل بشكل واضح؛ وكلاهما يحتاج إلى VAD قبله.

ميزتان يمتلكهما Granite ولا يمتلكهما Whisper turbo

تحييد الكلمات المفتاحية وفق ترجيحها. يقبل Granite Speech 5.0 2B قائمة كلمات مفتاحية تصل إلى 2,000 مصطلح لكل طلب، وقد دُرِّب على 23,600 ساعة من الصوت المرجَّح بالكلمات المفتاحية عبر مجموعات اللغات الأوروبية واليابانية. لا يقدّم Whisper واجهة مكافئة — فأقصى ما يمكنك الحصول عليه هو سلسلة توجيه تُؤثّر في الأسلوب والمفردات، دون أي تدريب يقف خلفها. أما في حالة النشر المخصّص لتفريغ أسماء المنتجات أو أسماء الأدوية أو معرّفات التذاكر أو معجم العميل الخاص، فهذا هو الفرق الأكثر فائدة بين النموذجين، وهو لا يظهر في أي متوسط لمعدل خطأ الكلمات (WER).

التلقين بمعرّف اللغة. يمكنك إخبار Granite بلغة الصوت وإرشاده إلى النسخ بدلًا من الترجمة. يكتشف Whisper اللغة تلقائيًا، وفي نسخة turbo يقتصر على النسخ. وبالنسبة لمجموعة نصوص مختلطة اللغات تعرف لغتها مسبقًا من البيانات الوصفية، فإن فرضها يزيل فئة كاملة من الأخطاء — إذ يخطئ Whisper أحيانًا في تحديد مقطع قصير ثم ينسخ بثقة باللغة الخاطئة.

الترحيل، بخطوات تعمل فعلاً

إذا اتضحت مسألة اللغة، فإن التبديل أقل إيلامًا مما توحي به الفجوة في النظام البيئي، لأن معظم خطوط المعالجة القائمة على Whisper تملك بالفعل نقطة الوصل التي تحتاجها.

1. احتفظ بـ VAD الخاص بك. كلا النموذجين يريدان مقاطع، لا ملفات. أيًّا كان ما تستخدمه لتقسيم الصوت إلى مقاطع من أجل Whisper فسيعمل مع Granite حتى دقيقتين لكل مقطع بدلًا من ثلاثين ثانية.

{{2}}2. استبدل استدعاء فك الترميز، لا البنية الأساسية. يُحمَّل Granite عبر AutoModelForSpeechSeq2Seq وAutoProcessor في transformers>=4.52.1، أو عبر vLLM، أو llama.cpp بدقة Q8_0، أو mlx-audio على Apple Silicon. إذا كانت خدمتك تستدعي faster-whisper كأمر خارجي، فأنت تستبدل استدعاء نموذج محلي بآخر.{{/2}}

3. أعد كتابة المطالبة. إن Granite يعمل بالتعليمات، والمطالبة هي التي تحدد النمط: {{1}}تفريغ خام{{/1}}، {{2}}تفريغ مع علامات الترقيم{{/2}}، {{3}}موجّه بالكلمات المفتاحية{{/3}}، {{4}}مثبّت على معرّف اللغة{{/4}}. هذه هي الخطوة التي تتخطاها الفرق، ثم تستنتج أن النموذج أسوأ لأنها زوّدته بسلوك Whisper الافتراضي.

4. أعد تأسيس خط الأساس لمقياس WER لديك على صوتك الخاص، لا على LibriSpeech. هذا ليس إجراءً شكليًا. يكمن ضعف Whisper في لوحة الصدارة في التنسيق والانحراف في النصوص الطويلة؛ إذا كانت مقاطعك الصوتية عبارة عن مقاطع إنجليزية نظيفة بطول 30 ثانية وكانت خطوتك اللاحقة نموذجًا لغويًا يصحح التنسيق، فقد تكون الفجوة المقاسة لديك قريبة من الصفر — أو، إذا كان صوتك ذا لكنة وبعيد المدى، أكبر من 2.8 نقطة.

5. احتفظ بمسار احتياطي. تُعدّ تغطية Granite Speech 5.0 2B للغات غير الإنجليزية حدًا صارمًا، ولا غنى عن كاشف لغة أمام النموذج في أي منتج متعدد اللغات. وأي مدخل يقع خارج اللغات السبع يُوجَّه إلى Whisper.

حيث تستحق طبقة التوجيه مكانها

الخطوة الخامسة هي الجزء من هذا الترحيل الذي يتحول إلى هندسة معمارية. توجيه حسب اللغة والجودة أمام نموذجَي كلام، بالإضافة إلى أي نموذج لغوي ينظّف النص المكتوب لاحقًا، يعني ثلاث استدعاءات للنماذج لكل ملف، وثلاث عمليات تكامل منفصلة مع موردين هي الطريقة التي يتحول بها خط أنابيب بسيط إلى مشكلة صيانة.

OrcaRouter هو نقطة نهاية واحدة متوافقة مع OpenAI لأكثر من 200 نموذج بسعر قائمة المزوّد دون أي هامش ربح مضاف، لذا يمكن تبديل مرحلة المعالجة اللاحقة — التنظيف والتلخيص واستخراج الحقول — أو اختبارها عبر A/B دون المساس بشيفرة الكلام، كما ينتقل النظام تلقائياً إلى مزوّد بديل عند انقطاع أحد المزوّدين بدلاً من فشل المهمة. يمكن لـ DSL التوجيه أن يحمل قاعدة الإرسال نفسها: اكتشاف اللغة، وإرسال اللغات السبع المدعومة إلى نقطة تفتيش Granite المستضافة ذاتياً، وإرسال كل ما عداها إلى Whisper، وتسليم النص المفرّغ إلى نموذج التنظيف الذي تتطلبه المهمة. هذه القفزة الأخيرة هي ما يمكننا تقديمه فعلياً اليوم؛ فلا Granite Speech 5.0 2B ولا Whisper large-v3-turbo موجودان في كتالوجنا، لذا تبقى نماذج الكلام على عتادك الخاص ويبدأ التوجيه خطوة واحدة لاحقاً في مسار المعالجة، حيث لا يزال يزيل معظم عمل التكامل.

من ينبغي أن يبدّل، ومن لا ينبغي له

بدّل إذا كانت موادك الصوتية بالإنجليزية إضافةً إلى لغات Granite الست، وكانت الدقة تهمك أكثر من إلمامك بمنظومتك البيئية، وكنت بحاجة إلى ترجيح الكلمات المفتاحية أو فرض اللغة، ويمكنك الاستغناء عن الطوابع الزمنية على مستوى الكلمة في الوقت الحالي. إن 5.06% مقابل 7.83% فجوة حقيقية في اتجاه ذي أهمية، ويعني 570 RTFx مقابل 200 RTFx أن التبديل من المرجح أن يخفض فاتورة GPU لديك في الوقت نفسه.

لا تقم بالتبديل إذا كنت بحاجة إلى أي من اللغات الاثنتين والتسعين الأخرى، أو الطوابع الزمنية على مستوى الكلمة، أو نسب المتحدث، أو نقطة نهاية مُدارة — فـ Granite Speech 5.0 2B غير منتشر من قبل أي مزوّد استدلال وقت كتابة هذا النص، والاستضافة الذاتية هي السبيل الوحيد إليه اليوم. أما Whisper large-v3-turbo فهو متاح في كل مكان، بما في ذلك الأماكن التي لن تسمح لك بتشغيل وحدات GPU الخاصة بك.

شغّل كليهما إذا كان لديك ذيل لغوي طويل. الإرسال رخيص، والذيل منخفض الحجم بحكم التعريف، وهو يزيل الحجة الوحيدة التي بقيت لـWhisper.