يستبدل Nemotron 3.5 Transcribe خط أنابيب مكوّنًا من خمسة نماذج. لكن لا يزال البناء المفتوح يعاني من ثغرات.

كانت مكالمة مجلس إدارة مدتها 45 دقيقة مع ستة متحدثين تتطلب سابقًا خمسة أجزاء متحركة: كشف النشاط الصوتي، ونموذج ASR، وأداة تمييز المتحدثين، وأداة محاذاة قسرية، ونموذج لغوي لتنظيم المخرجات الخام إلى شيء يقرأه الإنسان. NVIDIA Nemotron 3.5 Transcribe، الذي صدر في 28 أكتوبر 2026 بموجب رخصة OpenMDW-1.1، هو محاولة NVIDIA لاختزال تلك المنظومة إلى تمرير أمامي واحد. وما يجعل الإصدار جديرًا بقراءة ثانية ليس الاختزال نفسه، بل قائمة الأشياء التي لا يزال مسار الخدمة مفتوح المصدر لا يقوم بها بعد.

إن نقطة الحفظ هي نموذج لغوي معزّز بالكلام، وليست نموذج ASR أُلحقت به إضافات. ومعظم بارامتراته البالغة 34 مليارًا يتكوّن في الأساس من Nemotron 3.5 Lightning 30B-A3Bهيكل أساسي هجين Mamba–Transformer قائم على مزيج الخبراء؛ نحو 4.3 مليار منها نشطة لكل رمز، بما في ذلك نحو 800 مليون في مشفّر الصوت. لا يزال اسم المستودع يظهر باسم 30B-A4B، وهو يحتسب المُفكِّك فقط لا النظام المجمّع. إن مصفوفة الدعم الخاصة بـ NVIDIA وجداول قياس الأداء والترخيص كلها موجودة على بطاقة النموذج، وتلك البطاقة هي الوثيقة الأكثر فائدة في الإصدار.

خمس مهام، نقطة تحقق واحدة

الفكرة المطروحة هي أن الموجّه يختار النص المكتوب. تدرّب NVIDIA خمسة أنماط إخراج في الأوزان نفسها، ويختار المستدعي أحدها عبر تعليمات باللغة الطبيعية بدلًا من نموذج منفصل أو برنامج نصي للمعالجة اللاحقة:

• حرفيًا — مع الحفاظ على الترددات والبدايات الزائفة والتكرارات، لأغراض السجلات القانونية والامتثال.

• الصيغة المكتوبة — علامات ترقيم وحالة أحرف مُنقّاة، للعناوين الفرعية والمحاضر القابلة للقراءة.

• سياقي — قائمة الكيانات المقدمة في المطالبة توجّه تهجئة الأسماء والمنتجات والمصطلحات التقنية.

• منسوب إلى المتحدث — يحمل كل مقطع وسم متحدث، يُنتَج داخل تمريرة ASR.

Rich — النمط الشامل الذي يجمع تسميات المتحدثين وعلامات الترقيم وحالة الأحرف والتنسيق معًا.

{{1}}إلى جانب النسخ، تقوم نقطة التحقق نفسها بالترجمة الشفهية في الاتجاهين بين الإنجليزية و31 لغة، والتعرف على اللغة المنطوقة، وفهم الصوت — الإجابة عن الأسئلة واتباع التعليمات المنطوقة من التسجيل.{{/1}} وهي تتعامل مع تسجيلات تصل مدتها إلى ساعة واحدة داخل سياق من 65,536 رمزًا، باستخدام مقاطع فك ترميز داخلية مدتها 30 ثانية تُعد تفصيلًا هندسيًا وليست حدًّا للتسجيل. وتأتي الطوابع الزمنية للكلمات من محوّل CTC خفيف الوزن بعد فك الترميز.

من أين تأتي تسميات المتحدثين فعليًا

تدّعي معظم ادعاءات «نموذج واحد يفعل كل شيء» بالانهيار عند التمييز بين المتحدثين، لأن هوية المتحدث مسألة تجميع (clustering) بينما النسخ مسألة تسلسل، وعادةً ما يُحلّ الاثنان بشكل منفصل. وتتمثل إجابة NVIDIA في مُشفّر خبير متوازٍ: إذ يُنتج نموذج Nemotron 3 Diarization المجمّد تمثيلات لنشاط المتحدث تُحقن في مخرجات مُشفّر الكلام، بحيث يرى العمود الفقري اللغوي مَن يتحدث أثناء تحديده ما قيل. ولا يُعاد تدريب النموذج اللغوي الكبير نفسه على هذه المهمة.

هذا التصميم هو السبب في أن الشركة يمكنها الادعاء بمرور واحد بدلاً من سلسلة تعاقبية. وتُبلغ NVIDIA عن متوسط معدل خطأ الكلمات بأدنى تبديل ومُجمّع قدره 15.80 على مجموعة تقييمها متعددة المتحدثين، مقابل 16.83 لأفضل سلسلة تعاقبية متخصصة تجمع بين التعرّف التلقائي على الكلام وتحديد المتحدثين، وتصف النتيجة بأنها أول نموذج لغوي كبير للكلام يتفوق على هذا النوع من الأنظمة في النسخ المنسوب إلى المتحدث مع كلام متداخل. وهذه أرقام مورّد من مجموعة تقييم بناها المورّد، ولم يُعِد إنتاجها أي مختبر محايد بعد. اعتبر الاتجاه معقولاً والهامش مؤقتاً.

الأرقام، مع الملصقات المرفقة بها

تُبلغ بطاقة NVIDIA عن متوسط معدل خطأ في الكلمة قدره 4.71% عبر مجموعات الاختبار التسع العامة الإنجليزية في Open ASR Leaderboard. والتباين الكامن وراء ذلك المتوسط واسع ويجدر معرفته قبل الاقتباس منه: إذ يقع LibriSpeech test-clean عند 1.09% وSPGISpeech عند 1.91%، بينما يبلغ AMI 7.81% وURGENT24 11.00%. أما اللوحة متعددة اللغات فيبلغ متوسطها 4.62% عبر سبع لغات، مع الألمانية عند 2.81% والهندية عند 9.15% وفق مقياسها الخاص للكلمات خارج المفردات.

لقد اقتبست التغطية الصحفية للإطلاق أيضًا نسبة 5.33% للوحة الإنجليزية. ذلك تجميع مختلف على تكوين مجموعة مختلف، وليس تصحيحًا، ولا ينبغي أبدًا وضع الاثنين في الصف نفسه. نسبة 4.71% الخاصة بالبطاقة هي الرقم الذي ينبغي الاستشهاد به إذا كنت تستشهد بالبطاقة.

إن ادعاء التوجيه السياقي هو أكثر الأمور ملموسية في الإصدار. على ContextASR-Bench، ينتقل معدل WER الإجمالي من 3.33% دون أي قائمة كيانات إلى 1.71% مع قائمة دقيقة التفصيل؛ وينخفض WER الخاص بالكيانات المسماة من 12.21% إلى 2.20%، ومعدل السلبيات الكاذبة للكيانات المسماة من 14.99% إلى 1.32%. هذه آلية حقيقية قابلة للتحقق — زوّد النموذج بأسماء منتجاتك فيتوقف عن تخمينها — حتى لو جاءت الدرجات المطلقة من أداة الاختبار الخاصة بـ NVIDIA.

الصورة المستقلة أقل إطراءً وأكثر فائدة. تُدرج Artificial Analysis نموذج Nemotron 3.5 Transcribe عند 3.4% في جدول AA-WER v2 غير التدفقي، في مركز متعادل حول المرتبة 20 إلى 23، بينما تصف الأسئلة الشائعة الخاصة بها النموذج عند 2.8%. ينتمي الرقمان إلى اللوحة نفسها في الصفحة نفسها. الفجوة هي اختلاف في هدف القياس — نقطة النهاية، أو التكميم، أو شريحة التقييم — وهي تقارب عرض الضوضاء الذي أظهره هذا المؤشر عبر إعدادات الخدمة. في وقت الكتابة، تدرج اللوحة أيضًا سعرًا مستضافًا قدره 2.00 دولار لكل 1,000 دقيقة من الصوت، وهو ما يعادل نحو 0.12 دولار في الساعة.

ادعاء الإنتاجية هو ما ستهتم به فرق العمليات: معالجة 2,238 ثانية من الصوت في الثانية على وحدة معالجة رسومات واحدة RTX PRO 6000 Blackwell، باستخدام نقطة تحقق NVFP4 ونموذج المسودة DFlash2. التحذير الذي تورده NVIDIA نفسها هو أن حزمة الخدمة المحسّنة ليست ضمن الإصدار مفتوح المصدر، ويُتوقع أن يعمل تكامل التطوير المرفق أبطأ بنحو مرتين. خفّض الرقم إلى النصف قبل تخطيط السعة.

حيث يتوقف البناء المفتوح

هذا هو الجزء الذي تتخطاه تغطية الإطلاق. نقطة التحقق قادرة؛ أما التكاملات المحيطة بها فمتفاوتة، وبطاقة النموذج تقول ذلك بصراحة.

• لا بث — تقول البطاقة: «هذا نموذج يعمل دون اتصال»، وتضيف أن تقسيم الصوت الداخلي إلى مقاطع لا يجعله خدمة بث في الوقت الفعلي. يجب أن تكون كل ثانية من التسجيل موجودة قبل أن يبدأ فك الترميز.

• تكامل SGLang-Omni مقتصر على النسخ فقط — فهو يقدّم نسخًا للملف بأكمله، لكنه، وفقًا للبطاقة، لا يتضمن طوابع زمنية للكلمات، ولا مخرجات منسوبة إلى المتحدث، ولا ترجمة، ولا فك ترميز تخميني. أما مسار vLLM فيدعم التقاط الطوابع الزمنية. وبيئة التشغيل التي تختارها هي ما يحدد الميزات التي ستحصل عليها.

• الطوابع الزمنية وDFlash2 متعارضان — لا تتوفر الطوابع الزمنية عند استخدام نموذج المسودة الخاص بالفك التخميني. سريع أو مُحاذًى، وليس كليهما، في التكوين المُشحون.

• فهم الصوت بالإنجليزية فقط — الاستدلال، واتباع التعليمات المنطوقة، والإجابة عن الأسئلة الصوتية «قد لا تعمل بشكل موثوق في لغات أخرى»، كما تحذّر البطاقة، رغم أن النسخ يغطي 40.

• قد يفشل في التوقف — توصي البطاقة بحاجز وقاية للتنظيف لأن النموذج قد يدخل أحيانًا في حلقة تكرار دون إنهاء. هذا متطلب تشغيلي، وليس حاشية.

• ساعة واحدة حدّ عملي صارم — فالأداء عند تجاوز 65,536 رمزًا أو تسجيل مدته ساعة واحدة «ليس مضمونًا أن يكون قابلًا للتعميم». أما الإفادة التي تستغرق يومًا كاملًا، فعليك تقسيم الملف والتوفيق بين المتحدثين بنفسك.

إن إسناد المتحدثين أضيق نطاقًا أيضًا من العنوان الرئيسي الذي يذكر 40 لغة: فمن بين اللغات الأربعين، هناك 13 لغة مُعلَّمة لإخراج متعدد المتحدثين في مصفوفة NVIDIA، وتغطي خلائط التدريب ما يصل إلى ثمانية متحدثين. وإذا كان اجتماعك بالتركية أو الفيتنامية، فقد تنسخه جيدًا ومع ذلك لا تحصل على تسميات.

النشر وتكلفته

الأوزان مجانية للاستخدام التجاري وغير التجاري بموجب OpenMDW-1.1، ومنشورة بصيغ BF16 وFP8 وNVFP4 وGGUF، مع تكوين مرجعي على وحدة H100 واحدة بسعة 80 GB ودعم عبر مكوّنات Ampere وHopper وBlackwell وLovelace. تتوفر أيضًا حاوية NIM للفرق التي تفضّل عدم تجميع مكدس الخدمة بنفسها، وNeMo Speech للضبط الدقيق — وتذكر NVIDIA أنها كيّفت النموذج عبر 17 مهمة بمعدل يتراوح بين 0.5 و2.3 ساعة GPU لكل مهمة على وحدة GPU واحدة، وهو الرقم الذي يجعل تكييف النطاق ممكنًا عمليًا لا نظريًا فحسب.

تنقسم الجوانب الاقتصادية بوضوح. في الخيار المستضاف، يبلغ سعر الإدراج في Artificial Analysis البالغ 2.00 دولار لكل 1000 دقيقة نحو 0.12 دولار لكل ساعة صوت — أرخص من معظم خدمات النسخ المُدارة، ونحو ثلث ما تبلغه فاتورة نموذجية لتحويل الكلام إلى نص سحابيًا. وفي الاستضافة الذاتية، التكلفة الحدية هي وقت GPU: عند إنتاجية البائع البالغة 2,238 إلى 1، تبلغ ألف ساعة من الصوت أقل من نصف ساعة من الحوسبة على البطاقة المناسبة، لذا لم يعد السؤال يتعلق بالسعر، بل بما إذا كنت تملك العتاد أم تستأجره، وما إذا كان مسموحًا للصوت بمغادرة شبكتك. المساران مشروعان؛ لكنهما ليسا قريبين من بعضهما على جدول بيانات.

النصف الآخر من المهمة الذي لا تقوم به نقطة التحقق

ينتج النسخ النصي نصًا، والنص هو حيث تقع معظم التكلفة اللاحقة: تلخيص المكالمة، واستخراج بنود العمل، وحجب البيانات الشخصية، وترجمة المخرجات الإنجليزية لمكتب إقليمي، والتحقق من بقاء تسميات المتحدثين بعد التسليم. هذه أعباء عمل عادية لنماذج النصوص، ولا تحتاج إلى العمل على الجهاز نفسه الذي يعمل عليه ASR.

هنا يبرّر الموجّه وجوده. يضع OrcaRouter تلك الاستدعاءات اللاحقة خلف مفتاح واحد بهامش ربح 0% — إذ يُمرَّر سعر القائمة الخاص بالمزوّد كما هو، بحيث يظهر أي تغيير في سعر المورّد في اليوم نفسه — مع تحويل احتياطي تلقائي عند تدهور أداء أحد المزوّدين ولغة توجيه DSL تتيح إرسال التلخيص والتنقيح والترجمة إلى نماذج مختلفة داخل سير عمل واحد. وللتوضيح: NVIDIA Nemotron 3.5 Transcribe ليس ضمن كتالوج OrcaRouter، ولا شيء هنا يوحي بغير ذلك. ما نوجّهه هو طبقة النص بعد وجود النص المنسوخ، وهي الطبقة التي تستهين بها معظم الفرق عند إعداد ميزانية لخط أنابيب النسخ.

إذا كنت تقيّم النموذج نفسه، فإن المسار الصادق هو نقطة نهاية مستضافة أولًا وعتادك الخاص ثانيًا. تختلف أرقام البطاقة نفسها بأكثر من نقطة بين قياسات المورّد والقياسات المستقلة، والصوت الوحيد الذي يحسم الأمر هو صوتك.

ما الذي قد يغيّر التوصية؟

ثلاثة أمور جديرة بالمراقبة خلال الربع القادم. أولاً، هل تلحق حزمة الخدمة مفتوحة المصدر بالمسار المحسّن لـNIM — وإلى أن يحدث ذلك، فإن معدل الإنتاجية المعلن رقم خاص بالاستضافة فقط، بينما تبلغ النسخة المفتوحة نحو نصفه. ثانياً، هل يعيد أي شخص خارج NVIDIA إنتاج 15.80 cpWER والتحسّن ستة أضعاف في الكيانات المسماة؛ فكلا الادعاءين قوي ويستند حالياً إلى منظومة اختبار مختبر واحد. ثالثاً، هل يتوسّع فهم الصوت ليتجاوز الإنجليزية، لأن تلك القدرة — طرح أسئلة على تسجيل بدلاً من مجرد نسخه — هي الجزء الذي لا تقدّمه أي نقطة تفتيش مفتوحة منافسة بهذا الحجم.

في الوقت الحالي، الحكم العملي ضيّق وغير مبهر. إذا كنت تحتاج إلى نسخ متعدد اللغات لمدة ساعة وموسوم بحسب المتحدث، ويمكنك قبول سير عمل دفعي، فإن نقطة الحفظ هذه هي أقوى خيار مفتوح متاح، وآلية الإيعاز السياقي مختلفة حقًا. أما إذا كنت تحتاج إلى تعليقات نصية مباشرة، أو وكيل تدفقي، أو محاذاة على مستوى الكلمة إلى جانب أسرع فك ترميز ممكن، فإن هذا الإصدار لا يغطي احتياجاتك بعد، والمنتجات التي تقدم ذلك لا تزال هي الجديرة بالاعتماد عليها.