اگر می‌خواهید یک همراه هوش مصنوعی شخصی داشته باشید اما بودجه‌ای برای خرید کارت‌های گرافیک گران‌قیمت ندارید، Yumii راهکاری برای اجرای محلی این تجربه است. طبق اعلام توسعه‌دهنده در ۷ ژوئن ۲۰۲۶، این پروژه متن‌باز ثابت کرد که تعاملات صوتی آنی و آواتارهای متحرک لزوماً به GPU نیاز ندارند.
بسیاری از همراهان دیجیتال امروزی به سخت‌افزارهای سنگین وابسته‌اند و کاربران را مجبور به پرداخت اشتراک‌های ماهانه برای پردازش ابری می‌کنند. Yumii با اولویت دادن به دسترسی‌پذیری، معماری «اول-محلی» را پیش گرفته است تا کاملاً روی CPU اجرا شود. به نقل از پست توسعه‌دهنده در وب‌سایت dev.to، هدف اصلی خلق جایگزینی رایگان برای محصولات اشتراکی بوده است که در عین حرفه‌ای بودن، متن‌باز باقی بماند.
زمینه و ریشه‌ها
این پروژه ابتدا به عنوان یک «نسخه ساده» (scrappy version) و با الهام از Project Ava و سایر دموهای همراهان هوش مصنوعی آغاز شد. توسعه‌دهنده که شیفته‌ی سبک انیمه بود، می‌خواست دستیاری با استایل انیمه بسازد که بتواند صحبت کند و واکنش نشان دهد. او در ابتدا این پروژه را صرفاً برای سرگرمی ساخت و سپس آن را رها کرد. با این حال، پس از مشاهده اینکه مفاهیم مشابه در قالب محصولات اشتراکی فروخته می‌شوند، تصمیم گرفت دوباره پروژه را فعال کند.
در این تکرار دوم، تمرکز بر ایجاد یک بنیاد حرفه‌ای بود. توسعه‌دهنده یک معماری پاک، یک رابط خط فرمان (CLI) مناسب و یک رابط وب پیاده‌سازی کرد تا اطمینان حاصل کند که پروژه چیزی بیش از یک نمونه اولیه ساده است. قانون راهنمای او سخت‌گیرانه بود: برنامه باید روی CPU اجرا شود، زیرا اکثر مردم مالک کارت گرافیک (GPU) نیستند.
جزئیات فنی
پروژه Yumii برای رسیدن به یک چرخه تعامل بدون وقفه، چندین خط لوله پیچیده را ترکیب کرده است:
- چرخه صوتی: ترکیبی از تشخیص فعالیت صوتی (VAD)، تبدیل گفتار به متن (STT)، یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — و تبدیل متن به گفتار (TTS).
- بصری‌ها: استفاده از آواتار Live2D با ۶ شخصیت مختلف. چهره این آواتار به صورت پویا به آنچه کاربر می‌گوید واکنش نشان می‌دهد.
- حافظه: طراحی مبتنی بر سه پایگاه داده و یک خط لوله «استخراج واقعیت» (fact extraction) از نوع fire-and-forget. این سیستم به Yumii اجازه می‌دهد حافظه بلندمدتی از کاربر در تمام گفتگوها، جلسات و بازنشانی‌ها بسازد.
- استقرار: نصب با یک دستور تک‌خطی، مستندات جامع، یک وب‌سایت اختصاصی و فرآیند ورود ساده و بهینه از طریق CLI.
فرآیند توسعه
در روند توسعه، GitHub Copilot برای تسریع ساخت بخش‌های تکراری، به‌ویژه الگوهای async در ماژول‌های جلسه (session) و حافظه، به کار گرفته شد. کوپایلت کارهایی را که یک ساعت زمان می‌برد به ۱۵ دقیقه کاهش داد و در اتوماسیون SQL صحیح، جایگذاری await و مدیریت خطاها کمک کرد.
هنگام ایجاد طرح‌واره (schema) SQLite، کوپایلت ستون‌هایی را برای جدول sessions پیشنهاد داد که توسعه‌دهنده در ابتدا به آن‌ها فکر نکرده بود اما در نهایت به آن‌ها نیاز داشت. با این حال، در حالی که کوپایلت کدهای تکراری (boilerplate) را مدیریت می‌کرد، معماری اصلی — شامل خط لوله صف async و ماژول‌های حافظه — به‌صورت دستی طراحی شد. همچنین از Claude برای بررسی متقاطع نقاط اتصال، به‌ویژه برای تأیید رابط ابزار LangChain در هنگام افزودن قابلیت جستجوی وب استفاده شد.
برای کاربر عادی، این تغییر به سمت هوش مصنوعی بهینه‌شده برای CPU به معنای حریم خصوصی و صرفه اقتصادی است. دیگر نیازی نیست داده‌های شخصی خود را به سرورهای شرکتی بسپارید یا برای داشتن همراهی که تاریخچه شما را به یاد می‌آورد، هزینه ماهانه پرداخت کنید.
از دیدگاه توسعه‌دهنده، استفاده از لایسنس MIT و LangGraph، این پروژه را به زمین بازی منعطفی برای کسانی تبدیل می‌کند که با پایگاه‌های داده برداری (Vector Databases) تجربه می‌کنند. البته پروژه در مرحله آلفا است و هنوز خارج از محیط توسعه (توسط کاربران دیگر) آزمایش نشده است، بنابراین کاربران باید منتظر برخی نقص‌های اولیه باشند.
نقشه راه آینده
گام بعدی برای Yumii، انتقال از یک «همراه» (companion) به یک «دستیار» (assistant) کاربردی است. توسعه‌دهنده قصد دارد دسترسی به ابزارها را از طریق پروتکل زمینه مدل (MCP) پیاده‌سازی کند. این قابلیت به Yumii اجازه می‌دهد به جای اینکه فقط صحبت کند، «عمل» کند؛ یعنی بتواند وب را جستجو کند، ایمیل‌ها را بخواند، در خرید کمک کند و به نمایندگی از کاربر در اینترنت گشت‌و‌گذار کند.
توسعه‌دهندگان علاقه‌مند می‌توانند کد منبع را در گیت‌هاب بررسی کرده یا در تکامل قابلیت‌های استفاده از ابزار مشارکت کنند. مشارکت‌ها در زمینه معماری یا خط لوله‌های صوتی صمیمانه پذیرفته می‌شوند.
گام بعدی شما
- اگر توسعه‌دهنده هستید، کد منبع را در گیت‌هاب بررسی کنید و در بهبود خط لوله‌های صوتی مشارکت نمایید.
- برای تجربه اجرای محلی، دستور نصب تک‌خطی را روی سیستم خود امتحان کنید تا سرعت استنتاج روی CPU را بسنجید.
- منتظر به‌روزرسانی‌های مربوط به پروتکل MCP باشید تا دستیار شما از حالت «صحبت‌کننده» به «عمل‌کننده» تبدیل شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و آینده استنتاج محلی مراجعه کنید.
گفتگو