Phonon مقابل Whisper Large v3 Turbo: نصفا حلقة صوتية تعمل دون اتصال

مقارنة Phonon 31Mمع Whisper Large v3 Turbo خطأ في التصنيف، وهو أكثر خطأ في التصنيف فائدةً في هندسة الكلام الآن. Phonon 31M، الذي أطلقته Gradium في 20 أكتوبر 2026، يحوّل النص إلى صوت. Whisper Large v3 Turbo، الذي أطلقته OpenAI في 1 أكتوبر 2024، يحوّل الصوت إلى نص. إنهما لا يتنافسان. إنهما طرفا الحلقة نفسها، وكلاهما صغير وسريع بما يكفي ليعمل على العتاد الذي تملكه.

هناك سبب ثانٍ يجعل هذا الاقتران يربك الناس. كلاهما ينشر رقمًا يُسمى WER، والرقمان يعنيان شيئين متعاكسين. بالنسبة إلى Whisper، يقيس معدل خطأ الكلمات مدى تكرار خطأ النسخ. وبالنسبة إلى Phonon، فهو يقيس مدى تكرار إساءة الناسخ فهم الكلام الذي ولّده النموذج. الرقم الأقل أفضل في الحالتين، لكنهما ليسا القياس نفسه، ووضعهما في عمود واحد هو الطريقة التي تُصنع بها مقارنات سيئة.

أحدهما يستمع، والآخر يتحدث

Whisper Large v3 Turbo هو نموذج للتعرّف على الكلام. يحتفظ بالمُرمِّز الكامل الخاص بـ Whisper large-v3 ويقلّص مفكّك الترميز من 32 طبقة إلى أربع، لينتج 809 ملايين معامل بدلًا من 1.55 مليار. ويغطي 99 لغة، ويكتشف اللغة تلقائيًا، ولم يُدرَّب على الترجمة. وتصفه وثائق OpenAI بأنه أسرع بنحو ثماني مرات من النموذج الكبير مقابل تكلفة بسيطة في الدقة؛ ولم تنشر الشركة مضاعفًا دقيقًا على بطاقة النموذج، لذا فإن أي رقم دقيق للسرعة إنما هو نتيجة اختبارات طرف ثالث.

Phonon 31M هو نموذج لتخليق الكلام. يأخذ نصًا وصوتًا وينتج صوتًا أحادي القناة بتردد 24 كيلوهرتز عبر محوّل flow-matching يعمل على كوامن Mimi. يضم 31 مليون معامل باستثناء المُرمِّز، ويُوزَّع كملف GGUF q8 بحجم 64.5 ميغابايت، وترخيصه Apache 2.0. لا يمتلك أي قدرة على الاستماع على الإطلاق — فهو لا يستطيع النسخ أو تمييز المتحدثين أو كشف اللغة.

الشيء الوحيد المشترك بينهما هو هدف تصميمي: فكلاهما مصمم ليعمل دون مركز بيانات. Whisper Turbo هو العضو السريع والرخيص من عائلة أصبحت أساس ASR المفتوح الافتراضي. أما Phonon فهو محاولة لجعل نصف التوليف رخيصًا بالقدر نفسه.

الأحرف الثلاثة نفسها، قياسان مختلفان

يُبلّغ Whisper Large v3 Turbo عن متوسط معدل WER قدره 7.83 في English Open ASR Leaderboard، مقابل 7.44 للنسخة الكاملة large-v3. وفي LibriSpeech test-clean تبلغ الأرقام نحو 2.0%. وتصف هذه الأرقام مدى تكرار كتابة النموذج للكلمة الخاطئة عندما يسمع كلامًا واضحًا.

يذكر Phonon 31M نسبة 0.51% على Seed-TTS و1.5% على مجموعة أصعب في بطاقة النموذج الخاصة به، أو 1.70% على المجموعة الصعبة نفسها في مدونة الإصدار. تصف تلك الأرقام مدى تكرار كتابة whisper-large-v3 للكلمة الخطأ عندما يسمع مخرجات Phonon. لاحظ أن المُقيِّم هو Whisper نفسه. منهجية Gradium دائرية على نحو لا مفر منه: لقياس نموذج TTS تحتاج إلى نموذج ASR، ومعدل خطأ نموذج ASR نفسه يضع حدًا أدنى لما يمكن أن تبدو عليه جودة TTS.

ولهذا السبب، لا يمكن المقارنة بين معدل خطأ الكلمات (WER) البالغ 0.5% في تحويل النص إلى كلام (TTS) ومعدل خطأ الكلمات البالغ 7.8% في التعرف التلقائي على الكلام (ASR)، ولهذا ينبغي أن يُقرأ معدل خطأ الكلمات في تحويل النص إلى كلام الذي يقل عن نحو 1% على أنه «لم يواجه الناسخ أي صعوبة»، لا على أنه «الكلام شبه مثالي». ويختلف المستمعون من البشر والمقيّمون الآليون، لا سيما في التنغيم، الذي لا يلتقطه أي مقياس WER.

• المهمة — تحويل النص إلى كلام لـ Phonon 31M؛ تحويل الكلام إلى نص لـ Whisper Large v3 Turbo.

• المعاملات — 31 مليونًا باستثناء المُرمِّز الخاص بـ Phonon 31M؛ و809 ملايين لـ Whisper Large v3 Turbo.

• اللغات — الإنجليزية فقط لـ Phonon 31M؛ و99 لـ Whisper Large v3 Turbo.

• المخرجات — صوت أحادي القناة بتردد 24 كيلوهرتز من أجل Phonon 31M؛ نص مرفق بطوابع زمنية من أجل Whisper Large v3 Turbo.

• الدقة المُبلَّغ عنها — {{1}}0.51% معدل خطأ الكلمات (WER) في Seed-TTS لـ Phonon 31M، مقاسًا بواسطة Whisper{{/1}}؛ {{2}}7.83 متوسط معدل خطأ الكلمات في الإنجليزية لـ Whisper Large v3 Turbo على Open ASR Leaderboard{{/2}}.

• الترخيص — Apache 2.0 لـ Phonon 31M؛ MIT لـ Whisper Large v3 Turbo.

تحديد حجم حلقة صوتية دون اتصال

إذا كان الهدف هو مساعد صوتي يعمل دون اتصال بالشبكة، فإن قائمة المكونات تضم ثلاثة نماذج وليس نموذجين: التعرف على الكلام، وتوليد اللغة، وتركيب الكلام.

يبلغ Whisper Large v3 Turbo 809 ملايين معامل، أي حوالي 1.6 غيغابايت من الأوزان بدقة 16 بت. عادةً ما يحجز الاستدلال على GPU عدة غيغابايت من الذاكرة العاملة للتنشيطات وتجميع الدفعات؛ وتقلّل نسخ GGUF المُكمّمة البصمة أكثر مقابل تكلفة صغيرة في الدقة. وهو ليس نموذجًا من فئة الهواتف في صيغته Turbo، رغم أن متغيرات Whisper الأصغر والنسخ المقطّرة كذلك.

يبلغ حجم Phonon 31M نحو 64.5 ميغابايت، أي ما يعادل تقريبًا واحدًا من كل خمسة وعشرين من ملف أوزان Whisper Turbo، وهو يعمل على نواة معالج CPU واحدة، أو على محرك Neural Engine في iPhone، أو على Raspberry Pi.

النموذج اللغوي في المنتصف هو المتغيّر. نموذج instruct بحجم 1B إلى 4B مكمّم إلى أربع بتات يتّسع في بضعة جيجابايت وهو الخيار المعتاد لمساعد دون اتصال. الحلقة الكاملة — Whisper Turbo، ونموذج instruct صغير، وPhonon — تقع في نطاق يمكن لحاسوب محمول أو هاتف رفيع المستوى أن يستوعبه، مع كون ASR أثقل مكوّن.

هذا التفاوت هو الرؤية العملية. النصف الذي يقلق الناس بشأنه في الحلقة — التركيب، الجزء الذي يجب أن يبدو بشريًا — أصبح الآن النصف الرخيص. أما التعرّف فهو النصف المكلف.

ميزانية زمن الاستجابة

تضع أرقام مورّد Phonon زمن الوصول إلى أول صوت عند 5 إلى 7 مللي ثانية على جهاز MacBook Air بمعالج M5، و9 مللي ثانية على iPhone 16 Pro، مع إنتاجية تتراوح بين 11.6 و41 ضعف الزمن الحقيقي حسب المستند الذي تقرأه من مستندات Gradium. وتعتمد سرعة Whisper Turbo اعتمادًا كبيرًا على العتاد والواجهة الخلفية: تصفه OpenAI بأنه أسرع بنحو ثماني مرات من large-v3، بينما تُبلغ اختبارات المجتمع المعيارية بإصدارات مُكمّمة عن سرعات تبلغ عشرات أضعاف الزمن الحقيقي على شرائح Apple silicon، وأرقام أبطأ بكثير على CPU.

في حلقة محادثة تفاعلية، تهيمن خطوة التعرّف. يستغرق نسخ مقطع صوتي مدته ثلاث ثوانٍ بضع مئات من الميلي ثانية على وحدة معالجة رسومات في حاسوب محمول، ويقترب من الزمن الحقيقي على وحدة معالجة مركزية ضعيفة. أما خطوة التركيب فتكاد تكون فورية بالمقارنة. الفرق التي تُحسّن تحويل النص إلى كلام أولًا تُحسّن الطرف الخاطئ.

تُعدّ تغطية اللغات القيد الحاسم.

يتعامل {{1}}Whisper{{/1}} مع {{2}}99 لغة{{/2}}. ويتعامل {{3}}Phonon 31M{{/3}} مع لغة واحدة، وتحذر {{4}}بطاقة Gradium{{/4}} من أن اللغات الأخرى تُنطق بشكل خاطئ. لذلك لا يمكن بناء مساعد صوتي متعدد اللغات من هذين النظامين: التعرف يعمل باليابانية، أما التركيب فلا.

إجابة Gradium هي عائلة Phonon 40M، التي تغطي الإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية. أي خمس لغات، لا 99، كما أن نقاط التحقق 40M مرخّصة بموجب CC BY-NC 4.0 — غير قابلة للاستخدام في منتج تجاري دون اتفاق منفصل. الفجوة متعددة اللغات بين ASR المفتوح وTTS المفتوح هي واحدة من أوسع الفجوات في المنظومة، ولا شيء صدر هذا الشهر يسدّها.

حيث يلتقيان في منتج حقيقي

التطبيق الطبيعي هو أداة للنسخ النصي والتشغيل: سجّل اجتماعًا أو ملاحظة صوتية، ثم انسخها نصيًا باستخدام Whisper، وبعد ذلك اقرأ ملخصًا بصوت مسموع باستخدام Phonon. كلاهما يعمل محليًا، وكلاهما مرخّص بترخيص متساهل، ولا يرسل أي منهما الصوت إلى طرف ثالث. أداة الإملاء الطبي، أو مسجّل ميداني، أو تطبيق لإمكانية الوصول للمستخدمين الصم وضعاف السمع، أو لعبة تعلم لغة دون اتصال — كلها تناسب النمط نفسه.

التطبيق الثاني هو وكيل صوتي يعتمد على تمريرة أولى محلية وبديل سحابي. يقوم Whisper بالنسخ على الجهاز؛ وإذا كانت الثقة منخفضة، يُرسل الصوت إلى خدمة ASR مستضافة. يصوغ نموذج اللغة ردًا؛ وإذا احتاج إلى نموذج أكبر، يُوجّه الطلب إلى الخارج. ينطق Phonon النتيجة؛ وإذا تعرّض الجهاز لخفض الأداء بسبب الحرارة، تتولى خدمة TTS مستضافة المهمة. لكل مرحلة خيار محلي وخيار بعيد، ويقرر المنتج أيّهما يستخدم لكل طلب.

طبقة النص بينهما

ينتج Whisper نصًا مكتوبًا، ويستهلك Phonon نصًا سيناريو، ولا بد لشيء ما من تحويل أحدهما إلى الآخر. ذلك الشيء هو نموذج لغوي، وهو الجزء الوحيد في الحلقة الذي يستفيد من أن يكون كبيرًا.

لا تستضيف OrcaRouter أيًا من هذين النموذجين — إذ يعمل Whisper Large v3 Turbo عبر حزمة الاستدلال الخاصة بك، ويعمل Phonon على الجهاز — لذا لا يظهر أي منهما في كتالوجنا. ما تغطيه المنصة هو الطبقة الوسطى: واجهة API واحدة لأكثر من 200 نموذج لغوي بسعر قائمة المزوّد وبهامش ربح 0%، مع تجاوز فشل تلقائي بين المزوّدين، ولغة DSL للتوجيه يمكنها توجيه الأدوار الروتينية إلى نموذج رخيص والأدوار الصعبة إلى نموذج أقوى. في تصميم يعطي الأولوية للعمل دون اتصال، تمثل تلك الطبقة الجزء الذي يبقى متصلًا.

ما الذي ينبغي مقارنته فعليًا

إذا كنت تختار نموذج كلام، فقارن Phonon بأنظمة TTS الأخرى، وقارن Whisper Turbo بأنظمة ASR الأخرى. وإذا كنت تبني منتجًا، فقارن الحلقات: إجمالي الذاكرة، وإجمالي زمن الاستجابة، وإجمالي التراخيص، وإجمالي اللغات. وبهذا المقياس، يكون الثنائي متماسكًا للعمل باللغة الإنجليزية فقط، وغير المتصل بالإنترنت، وذا الترخيص المتساهل، وغير متماسك مع أي عمل متعدد اللغات أو تجاري في فئة 40M.

الخطأ الذي يجب تجنبه هو قراءة معدل خطأ الكلمات (WER) البالغ 0.51% لدى Phonon إلى جانب 7.83% لدى Whisper، ثم الاستنتاج بأن التوليف قد تجاوز التعرّف. فالأرقام تُنتجها عمليات مختلفة تقيس أشياء مختلفة، وأحدها يُقاس بالآخر. والسؤال المفيد ليس أيّ النموذجين أفضل. بل هل الحلقة التي يمكنك تجميعها من أجزاء مفتوحة هذا الشهر جيدة بما يكفي للمنتج الذي في ذهنك — وبالنسبة للإنجليزية، دون اتصال، على حاسوب محمول، تغيّرت الإجابة للتو.