مدل صوتی Qwen3-ASR علی‌بابا با حجم ۱٫۳ گیگابایت، GPT-4o را در تبدیل گفتار به متن پشت سر گذاشت

یک پروژه جامعه‌محور، مدل تشخیص گفتار ۱٫۷ میلیارد پارامتری Qwen3-ASR علی‌بابا را در قالب ۶ فایل با فرمت GGUF برای تبدیل محلی گفتار به متن بازتنظیم کرده است. مخزن GGUF این پروژه برای محیط اجرایی transcribe.cpp بهینه‌سازی شده است؛ یک محیط بومی بر پایه زبان ++C که با الگوبرداری از llama.cpp توسعه یافته است و حتی بدون کارت گرافیک مجزا نیز اجرا می‌شود.

حجم این فایل‌ها بین ۱٫۳۲ تا ۴٫۰۸ گیگابایت متغیر است و از قابلیت تشخیص خودکار ۳۰ زبان و ۲۲ گویش چینی پشتیبانی می‌کنند. صفحه این پروژه در پلتفرم Hugging Face تا زمان نگارش این گزارش بیش از ۸۹۷ هزار بار دانلود شده است، هرچند این شمارنده شامل دانلودهای مستقیم و ترافیک‌های خودکار ربات‌ها نیز می‌شود.

شش نسخه، یک محیط اجرای بومی

در این انتشار، وزن‌های پایه اصلی مدل به فرمت GGUF تبدیل شده و صحت کارکرد آن‌ها بر اساس یک نسخه مشخص از transcribe.cpp تأیید شده است. ثابت نگه‌داشتن نسخه اجرایی به تکرارپذیری نتایج کمک شایانی می‌کند، زیرا لودرهای محیط اجرا و متاداده‌های مدل پیوسته در حال تغییرند.

فرمت GGUF تانسورها، داده‌های توکنایزر و تنظیمات پیکربندی مدل را در قالبی ذخیره می‌کند که محیط‌های اجرای بومی می‌توانند آن را مستقیماً در حافظه نگاشت کنند. فرایند کوانتیزاسیون با کاهش دقت عددی وزن‌ها، حجم فایل و پهنای باند حافظه موردنیاز را کاهش می‌دهد، هرچند ممکن است اندکی بر دقت نهایی تشخیص تأثیر بگذارد.

هر کدام از این نسخه‌ها ورودی صوتی تک‌کاناله با نرخ نمونه‌برداری ۱۶ کیلوهرتز را دریافت می‌کنند، زبان را تشخیص می‌دهند و متن پیاده‌شده را تحویل می‌دهند. معماری بنیادین مدل، یک انکودر صوتی دوطرفه را با مدل زبانی علت‌ومعلولی Qwen3 ترکیب می‌کند و پیش از رمزگشایی نهایی متن، ویژگی‌های صوتی رمزگذاری‌شده را به مدل زبانی تزریق می‌کند.

توسعه‌دهندگان این پورت، مدل را روی مجموعه‌داده آزمایشی LibriSpeech test-clean و با استفاده از تراشه Apple M4، ابزار نرمال‌سازی انگلیسی Whisper و کتابخانه jiwer 3.x ارزیابی کرده‌اند. شاخص نرخ خطای کلمات یا WER، میزان کلمات جایگزین‌شده، حذف‌شده یا افزوده را در مقایسه با متن مرجع می‌سنجد و مقادیر کمتر در آن نشان‌دهنده دقت بالاتر و خطای کمتر است.

تحلیل آماری ارائه‌شده در شناسنامه مدل نشان می‌دهد که نسخه‌های BF16 ،F16 ،Q8_0 ،Q6_K و Q5_K_M همگی در یک بازه اطمینان مشترک قرار دارند. نسخه Q4_K_M با وجود کاهش حجم فایل به ۱٫۳۲ گیگابایت، تنها ۰٫۱۹ درصد نرخ خطا را افزایش می‌دهد. البته این نتایج مربوط به گفتار شفاف انگلیسی است و صرفاً دقت مدل را گزارش می‌کند، نه سرعت رمزگشایی، حداکثر حافظه رم مصرفی یا ضریب بلادرنگ؛ به‌ویژه آنکه بافرهای اجرایی و کانتکست پردازش نیز علاوه بر خود فایل GGUF به مقداری حافظه رم اضافی نیاز دارند.