اگر برای توسعه ابزارهای صوتی در بازارهای خاورمیانه برنامه‌ریزی می‌کنید، استاندارد دقت بازشناسی گفتار عربی امروز تغییر کرد. مدل جدید Cohere با ۲ میلیارد پارامتر، سدی را که سال‌ها در برابر تبدیل دقیق گفتار به متن در زبان عربی وجود داشت، فرو ریخت.
این سیستم که در ۷ ژوئیه ۲۰۲۶ منتشر شد، به‌طور خاص برای مقابله با نوسانات زبانی، به‌ویژه تنوع گویش‌ها و گفتگوهای چندزبانه طراحی شده است. بازشناسی گفتار (ASR) — شبیه به مترجمی است که باید هم‌زمان با شنیدن صدا، آن را به متن تبدیل کند — در زبان عربی به‌دلیل پدیده‌ای به نام «تغییر کد» (Code-switching) با چالش جدی روبروست. تغییر کد یعنی عادت گوینده به جابه‌جایی سریع بین زبان عربی و انگلیسی در یک جمله؛ وضعیتی که مدل‌های استاندارد معمولاً در آن دچار سردرگمی شده و دقت خود را از دست می‌دهند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های زبانی تخصصی اشاره کردیم، حرکت به سمت مدل‌های تک‌زبانه و دقیق، جایگزین مدل‌های جامع اما سطحی می‌شود. طبق اعلام Cohere، مدل Cohere Transcribe Arabic در سه محور کلیدی از مدل Whisper Large V3 شرکت OpenAI پیشی گرفته است:
- کیفیت کلی متن‌های استخراج‌شده
- وفاداری به گویش‌های منطقه‌ای خاص
- مدیریت بهینه جملات ترکیبی عربی-انگلیسی
بر اساس مستندات منتشرشده، این سامانه تحت مجوز Apache 2.0 عرضه شده است. این یعنی توسعه‌دهندگان می‌توانند از طریق Hugging Face یا API شرکت Cohere، به‌صورت رایگان و تجاری از آن استفاده کنند.
به نظر ما، باز کردن وزن‌های این مدل، مانع ورود توسعه‌دهندگان محلی به بازار ابزارهای عربی را از بین می‌برد. این اقدام نشان می‌دهد که صنعت از مدل‌های جهانیِ «همه‌کاره» به سمت متخصص‌های زبانی حرکت می‌کند که تفاوت‌های ظریف گفتگوهای واقعی را می‌فهمند.
گام بعدی شما
- اگر روی پروژه‌های محتوایی عربی کار می‌کنید، مدل را در Hugging Face تست کنید تا تفاوت دقت در گویش‌ها را ببینید.
- برای کاهش هزینه‌های استنتاج، بررسی کنید که آیا این مدل ۲ میلیاردی جایگزین مناسبی برای مدل‌های سنگین‌تر است یا خیر.
- مستندات API شرکت Cohere را برای ادغام سریع در جریان کاری خود مطالعه کنید.
اما این تنها بخشی از استراتژی Cohere برای تسخیر بازارهای غیرانگلیسی است؛ اثر این مدل بر اکوسیستم مدل‌های بازمتن را در گزارش بعدی بررسی خواهیم کرد.
گفتگو