Ming-3.0-audio-tiny مقابل VibeVoice-ASR-Streaming 1.5B: خمس شرطات ضد بثّ منسوب إلى المتحدث

افتح صورة التعرف الموجودة داخل مستودع Ming-3.0-audio-tiny على Hugging Face، ومرّر إلى الأسفل. خمسة صفوف — تجزئة المتحدثين وخطأ التبديل الأدنى المدمج لـ AISHELL-4 وAliMeeting وAMI — تحمل شرطة في العمود الصغير. ليس رقمًا سيئًا. بل فراغ. قاس البائع نظيره الأكبر في الصفوف الخمسة كلها، وامتنع عن قياس النموذج الصغير. افتح الآن بطاقة النموذج الخاصة بـ VibeVoice-ASR-Streaming 1.5B واقرأ النقطة الأولى: إنه يفرّغ من قال ماذا، باستمرار، مع وصول الكلام. تلك هي الصفوف الخمسة نفسها، مقلوبة. أحد النموذجين ينشر كل شيء تقريبًا باستثناء إسناد المتحدث؛ والآخر موجود أساسًا لينشره. إن إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة خلف إصدارات مثل هذا الإصدار مجموعة في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وإشارة كونه محل نزاع.

لم يتم تقييم أي منهما بشكل مستقل. وهذا يقلّ أهمية هنا عن المعتاد، لأن هذه المواجهة يحسمها قرار تصميمي لا رقم: ما الذي يحدث عندما لا يتوقف وصول الصوت. Ming-3.0-audio-tiny نموذج ملفات ذو نافذة كبيرة وإخراج كلامي اختياري. VibeVoice-ASR-Streaming 1.5B نموذج بثّ يُصدر نصًا كل ثلاث ثوانٍ تقريبًا ويوسم كل مقطع بالمتحدث. إذا كان عبء عملك تسجيلًا، فإنهما يتنافسان. وإذا كان عبء عملك غرفة، فواحد فقط منهما يحاول.

ما تكلفة «البث» في الإعدادات

مستودع Microsoft واضح بشكل غير معتاد بشأن ميزانية الكمون الخاصة به، مما يجعل المقايضة قابلة للفحص بدلًا من كونها تسويقًا. المُرمِّزات الصوتية والدلالية سببية وتعمل بضغط 3,200× مقابل إدخال 24 kHz، لذا فإن تدفق الرموز يبلغ نحو 7.5 رمز لكل ثانية من الصوت. يجمّع غلاف البث 22 إطار رمز لكل جزء مع 4 إطارات من الاستشراف: 22 مقسومة على 7.5 تساوي تقريبًا 2.9 ثانية لكل إصدار، و4 مقسومة على 7.5 تساوي نحو نصف ثانية من الصوت المستقبلي المسموح للنموذج برؤيته قبل الالتزام.

• وتيرة الإخراج — نحو 2.9 ثانية؛ والاستباق هو الجزء الذي يشتري الدقة على حساب الكمون.

• Backbone — وحدة فك ترميز من عائلة Qwen2، بـ28 طبقة، و1,536 بُعدًا مخفيًا، و12 رأسًا مع رأسَي مفتاح-قيمة، ونافذة من 64,000 رمز.

• الحجم — ثلاث شظايا safetensors بإجمالي 5.63 GB. وهذا ليس 1.5B من المعاملات؛ إذ يتبيّن أن 5.63 GB بصيغة bf16 أقرب إلى 2.8 مليار، والأفضل قراءة 1.5B في الاسم على أنه العمود الفقري اللغوي لا المنظومة بأكملها.

• اللغات — عشر: الصينية، والإنجليزية، والفرنسية، والألمانية، والإيطالية، واليابانية، والكورية، والبرتغالية، والروسية، والإسبانية.

• إضافات — كلمات ساخنة مخصّصة تُمرَّر كسياق، وتسمية متحدث مرفقة بكل مقطع صادر.

• التأريخ — أُنشئ المستودع في 2 سبتمبر 2026 الساعة 15:51 UTC، وآخر تعديل له صباح اليوم التالي. لم يُعلَن عنه إلا عبر سطر أخبار في ملف README الخاص بـ VibeVoice على GitHub، أي أنه لم يُعلَن عنه إلا بالكاد على الإطلاق.

نافذة الـ64K تلك هي الرقم الذي ينبغي أن تقارنه بـ131,072 لدى Ming. قد تبدو وكأنها نصف السعة، لكنها ليست النوع نفسه من السعة. لا يحتاج نموذج البثّ إلى الاحتفاظ بساعة كاملة، لأنه سبق أن دوّن الدقائق التسع والخمسين الأخيرة. النافذة هي الذاكرة العاملة للجزء الحالي بالإضافة إلى أي سياق حوار يحمله النموذج معه إلى الأمام. أما 131K لدى Ming فهي الرهان المعاكس: إبقاء كل شيء حيًا والاستدلال عليه.

رهان مينغ، وما يعود به

نقطة بيع النموذج الصغير ليست دقة التعرف — فوفق جداول inclusionAI الخاصة به، يتخلف عن شقيقه الأكبر بمقدار 0.34 نقطة في اللغة الصينية (3.79 مقابل 3.45 في خطأ الأحرف) و0.89 في اللهجات (10.29 مقابل 9.40). نقطة البيع هي أن نقطة تحقق واحدة تقوم بالتعرف والفهم والاستدلال والكلام في التمريرة الأمامية نفسها، عبر نافذة طويلة بما يكفي ليصبح «ماذا قالت في أول عشر دقائق» سؤالاً يمكن طرحه.

أرقامه في الذكاء الصوتي محترمة بالنسبة لحجمه، وهي سبب تفضيله على مُفرِّغ صوتي محض: MMAU ‏75.90، وMMAR ‏67.70، وMMSU ‏73.06، وBigBenchAudio ‏99.20، وMuchoMusic ‏58.07 للموسيقى. جميعها مُشغَّلة من قِبل المورّد، مع علامات نجمية على صفوف التقييم الذاتي، وتُفصح البطاقة عن أن نماذج المقارنة أُعيد إنتاجها باستخدام مطالبات inclusionAI الخاصة بها وفك الترميز الخاص بها. اقرأها على أنها موجز تصميمي.

ما لا تخبرك به الجداول هو مَن تحدّث. تلك هي الفجوة التي تشير إليها الشرطات الخمس، وهي فجوة بنيوية لا عرضية. النموذج الذي يجيب عن أسئلة حول تسجيل ما لا يحتاج إلى تقسيم حسب المتحدثين ليجيب عنها؛ أما النموذج الذي ينتج نصًا مكتوبًا لاجتماع فيحتاج إلى ذلك. ربما يمكن دفع Ming عبر التوجيه إلى شيء يشبه وسم المتحدثين، وما تبرزه البطاقة حول "التسجيلات متعددة المتحدثين" يوحي بأنه دُرّب قريبًا من المشكلة. لكن كلمة "ربما" تقوم بعمل خمسة صفوف غير منشورة.

خطّا أنابيب، مرسومان بصدق

تخيّل نفس التسجيل البالغ مدته تسعين دقيقة وهو يمرّ عبر كلٍّ منها.

مع VibeVoice-ASR-Streaming 1.5B، يصل الصوت في كتل مدتها نحو ثلاث ثوانٍ ويخرج النص بالإيقاع نفسه، بحيث يحمل كل مقطع متحدثًا. يمكنك عرضه مباشرة. الثمن هو أن كل قرار محلي الطابع إلى حد ما: فقد رأى النموذج نصف ثانية إلى الأمام وأي سياق يحتفظ به، لذا قد يعود متحدث توقف أربع ثوانٍ بتسمية مختلفة، ولا يمكن استرداد اسم قُدِّم في الدقيقة الثانية إلا عبر آلية hotwords التي توفرها أنت. الاتساق عبر الكتل هو ما يجب اختباره وهو ما لا تحدد البطاقة مقداره كميًا.

مع Ming-3.0-audio-tiny، يصل الملف، ويكون كل شيء في السياق، وتصل الإجابة عندما تصل. اتساق ما بين القطع ليس خطرًا لأنه لا توجد قطع — حتى حدود النافذة. الثمن هو أنه لا يتوفر شيء حتى ينتهي النموذج، ويُحجز الذاكرة بحجم النافذة الكاملة: ملف ASR المرجعي يشغل 0.92 من بطاقة مع دفعة من 32,768 رمزًا. يمكنك خفض max_model_len؛ لكن لا يمكنك جعله يبث، لأنه لا يوجد مسار بث في المستودع.

• شكل زمن الاستجابة — VibeVoice: مستمر، بتأخر ~3 ثوانٍ. Ming: إجابة واحدة في النهاية.

• الإسناد — VibeVoice: لكل مقطع، بحسب التصميم. Ming: غير منشور.

• السياق — VibeVoice: نافذة عمل بسعة 64K بالإضافة إلى النص الخاص بها. Ming: 131,072 موضعًا، أي نحو ثلاث ساعات من الصوت بحسب الحساب على المُرمِّز، إذا كان المعالج يغذّي تدفقًا واحدًا متواصلًا.

• الإخراج — VibeVoice: نص. Ming: نص، أو نص بالإضافة إلى كلام مُصنَّع عبر Talker اختياري على وحدة معالجة رسومات ثانية.

• العتاد — VibeVoice: نقطة تحقق بحجم 5.63 GB، لذا تكفي بطاقة واحدة متاحة تجاريًا. Ming: 17.74 GB من Thinker، بطاقة واحدة للنص، وبطاقتان للكلام.

الرخصة والأوراق الرسمية متطابقة، وهذا أمر غير معتاد.

كلاهما بترخيص MIT. كلاهما إصداران هادئان. كلاهما نشر الأوزان قبل أن يلحق التوثيق بهما، وكلاهما يعتمد على مستودع GitHub لا يحمل اسم نقطة التحقق: توجد ملفات تعريف النشر الخاصة بـ Ming في inclusionAI/Ming-3.0-audio-flash، وتعليمات استخدام VibeVoice موجودة في microsoft/VibeVoice إلى جانب الشقيق 7B.

تكمن الفروق في ما يخبرك به كل مستودع. تُصدر Microsoft تقريرًا تقنيًا — arXiv 2609.02812 — وشكلًا يوضح النتائج في البطاقة، وهو صورة وليس جدولًا، لذا لا يمكن استخراج الأرقام منه، ولا يُذكر في النص أي معدل خطأ لكل لغة. وتُقدّم inclusionAI ثلاث صور لاختبارات مرجعية، هي صور أيضًا، إضافة إلى بطاقة لا تسمّي نقاط ضعفها إلا ضمنيًا، عبر ترك خلايا فارغة. ولا يقدّم أيٌّ من المورّدين رقمًا يمكنك لصقه في جدول بيانات دون نسخه يدويًا.

ثمة عدم تماثل يستحق التنبيه إليه لأي شخص يعمل في المشتريات: لا يحتوي مستودع Ming على Hugging Face على أي ملف LICENSE، بل فقط رابط في البيانات الوصفية للبطاقة إلى ترخيص في المستودع الآخر. تنص بطاقة VibeVoice على MIT في البيانات الوصفية، ويحمل المستودع ملف الترخيص. كلا الادعاءين صحيح؛ واحد فقط منهما داخل الأثر.

فيمَ يُستخدم الموجّه وفيمَ لا يُستخدم هنا

لا يقدّم OrcaRouter أيًّا من هذين النموذجين. فـ Ming-3.0-audio-tiny نقطة تحقّق (checkpoint) وVibeVoice-ASR-Streaming 1.5B نقطة تحقّق أيضًا؛ ولا يوجد أيٌّ منهما في فهرسنا، ولا شيء في هذا المقال يُعدّ عرضًا لاستضافتهما. وموقع الراوتر في خطّ أنابيب كهذا يأتي بعد النسخ الصوتي وقبل القرار: تلخيص المكالمة، واستخراج الالتزامات، وتصنيف ما إذا كان المقطع يحتاج إلى تدخّل بشري، وترجمة الأجزاء التي لم تكن باللغة العاملة. تلك المهام نصّية، ونقطة نهاية واحدة لـأكثر من 200 نموذج دون أي هامش ربح — إذ يُمرَّر سعر قائمة المزوّد كما هو، بحيث يصل تغيير سعر أي بائع إلى جانبنا في اليوم نفسه — تُغني عن عقد لكل بائع في عملية البناء. والتحويل التلقائي عند الفشل هو الميزة المحدّدة التي تهمّ عندما يتعيّن على مهمة نسخ تستغرق ساعتين أن تسلّم ناتجها إلى مكان موثوق في الثانية صباحًا.

ما لن يفعله الموجّه هو التوفيق بين تسميتَي متحدثين متعارضتين، أو أن يقرر ما إذا كانت صفوف فصل المتحدثين المفقودة لدى Ming تمثل ضعفًا حقيقيًا أم عيبًا لم يُقَس. تلك مهمة خاصة بتسجيلك الصوتي.

الاختبار الذي يفصل بينهم في ظهيرة واحدة

سجّل عشرين دقيقة مع ثلاثة أشخاص، أحدهم يقاطع الآخرين مرتين وآخر يستخدم ميكروفون حاسوب محمول. مرّر التسجيل عبر VibeVoice-ASR-Streaming 1.5B مع ملء قائمة الكلمات المفتاحية بالأسماء الثلاثة، لأن تلك هي الآلية التي يوفرها النموذج لهذا الغرض تحديدًا. مرّر الملف نفسه عبر Ming-3.0-audio-tiny باستخدام الموجّه المعتمد الذي يطلب تسمية اللغة، ثم علامة جدولة، ثم النص المنسوخ — ثم اطلب منه، في دور ثانٍ، أن ينسب كل جملة إلى قائلها.

قيّم أربعة أمور: عدد تغييرات المتحدثين التي أصاب فيها النموذج الأول، وما إذا كانت أي تسمية متحدث قد انقلبت في منتصف التسجيل، وما إذا كان إسناد النموذج الثاني مستقرًا عبر الملف، وأي مخرجات يمكنك تصحيحها يدويًا بشكل أسرع. الأمر الأخير ليس معيارًا وسيتنبأ بتجربتك في الإنتاج بشكل أفضل من أرقام أي من البائعين.

وضع الشرطات في الحسبان أثناء قيامك بذلك. المورّد الذي ينشر جدول لهجات حتى منزلتين عشريتين ويترك خمس خلايا لتحديد المتحدثين فارغة قد أخبرك بشيء محدد عن الموضع الذي تنتهي عنده ثقته. أما مايكروسوفت، من جانبها، فقد نشرت رقمًا بدلًا من جدول وتركتك لتقرأ الصورة. لم يقدّم أي منهما رقمًا تحقّق منه شخص غريب.

حيث ينتمي كل واحد منها فعليًا

التسميات التوضيحية المباشرة، ومراقبة مراكز الاتصال، ومساعدو الاجتماعات الذين يحتاجون إلى اسم بجانب كل سطر: صُمم VibeVoice-ASR-Streaming 1.5B لهذا النمط، وبحجم 5.63 GB يعمل على عتاد تمتلكه على الأرجح بالفعل. أما مراجعة الامتثال لأرشيف ما، و"اعثر على كل إشارة إلى التسوية في هذه التسجيلات الأربعين"، وأي حالة يأتي فيها السؤال بعد الصوت لا أثناءه: فنافذة Ming-3.0-audio-tiny الواحدة الكبيرة ودرجات الفهم لديه هما الخيار الأنسب، ولا يعود لغياب صفوف تمييز المتحدثين أهمية إذا لم يسأل أحد عمّن تحدث.

سيكون الخطأ هو اختيار Ming لوظيفة بث لأن 131,072 ضعف 64,000، أو اختيار VibeVoice لوظيفة استدلال لأن 1.5B تبدو أرخص من 9.3B. كلا الرقمين يصفان شيئًا آخر غير ما تفترضه الجملة، وهو أكثر ما أثبتته هذه المقارنة موثوقية.