ابزار متن‌باز Phonon؛ تایپ صوتی کاملاً محلی روی مک با سرعتی ۸ برابر Wispr Flow
یک توسعه‌دهنده با انتشار برنامه متن‌باز Phonon، امکان تایپ صوتی دقیق و کاملاً آفلاین را برای کاربران مک فراهم کرده است. این ابزار با پردازش محلی گفتار روی تراشه‌های اپل و بهره‌گیری از دو مدل هوش مصنوعی، متن پیاده‌شده را با سرعتی تا ۸ برابر بیشتر از سرویس Wispr Flow ویرایش و آماده می‌کند.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- برنامه متن‌باز Phonon فرایند تبدیل گفتار به متن را بدون نیاز به سرورهای ابری و به‌شکل کاملاً آفلاین روی تراشه‌های اپل اجرا می‌کند.
- این سامانه از مدل Parakeet برای پیاده‌سازی اولیه صدا و از نسخه اختصاصی مدل LFM3-1.7B برای ویرایش نگارشی و روان‌سازی متن بهره می‌برد.
- بر اساس آزمایش‌های منتشرشده، زمان تأخیر پس از پایان گفتار در این نرم‌افزار به ۶۵ میلی‌ثانیه می‌رسد که حدود ۸ برابر سریع‌تر از Wispr Flow است.
یک توسعه‌دهنده مستقل، برنامه‌ای متن‌باز به نام Phonon را برای رایانه‌های مک مجهز به تراشه‌های اپل (Apple Silicon) منتشر کرده است. هدف اصلی این نرم‌افزار، بازآفرینی تجربه کاربردی سرویس محبوب Wispr Flow است؛ بدین معنا که گفتار ورودی را با دقت بالا دریافت کرده و آن را به متنی پیراسته، ویراسته‌شده و متناسب با برنامه مقصد تبدیل می‌کند.
این پروژه به‌همراه مدل پالایش‌گر (Refiner) عرضه شده که نسخه بازتنظیم‌شده (LoRA Fine-tune) مدل LFM3-1.7B از شرکت Liquid AI است. با این سازوکار، توسعه‌دهندگان می‌توانند تمام فرایند را بدون نیاز به APIهای ابری و سرورهای خارجی اجرا یا بررسی کنند، هرچند مجوز استفاده از مدل، بهره‌برداری تجاری سازمان‌های بزرگ را محدود کرده است.
دو مدل محلی در خدمت یک مسیر واحد تبدیل گفتار
نرم‌افزار Phonon در اولین اجرا، نسخه‌های دقیقی از مدل Parakeet TDT 0.6B v2 را برای تشخیص گفتار و مدل ۱٫۷ میلیارد پارامتری پالایش‌گر را برای ویرایش و تصحیح متن دانلود می‌کند. در گام نخست، مدل Parakeet پیش‌نویس خام سخنان کاربر را تولید می‌کند؛ سپس مدل پالایش‌گر خطاهای احتمالی شنیداری را تصحیح کرده، واژه‌های پرکننده و اضافی کلامی را حذف می‌نماید، نشانه‌گذاری متن را انجام می‌دهد و فرمت نوشته را متناسب با محیط نرم‌افزارِ در حال استفاده تنظیم می‌کند.
پس از دانلود اولیه، هر دو مرحله به‌صورت کاملاً آفلاین روی خود رایانه مک پردازش می‌شوند. بدین ترتیب، صدای کاربر از دستگاه خارج نمی‌شود و سیستم تحت تأثیر نوسانات اتصال اینترنت یا تأخیرهای معمول ارتباط با سرورهای خارجی قرار نمی‌گیرد. از سوی دیگر، مشخص بودن شماره نسخه دقیق هر مدل باعث می‌شود فرایند نصب و بازتولید عملکرد آن برای سایرین بسیار پایدار و قابل اتکا باشد.
بررسی ادعای تأخیر ۶۵ میلی‌ثانیه‌ای و شرایط آزمون
توسعه‌دهنده پروژه زمان تأخیر پس از رها کردن کلید صوتی (Key-up Latency) را اندازه‌گیری کرده است؛ در این آزمایش که با فایل‌های صوتی یکسان و روی پردازنده M4 Max انجام شد، زمان پاسخ‌دهی Phonon تنها ۶۵ میلی‌ثانیه و برای Wispr Flow نزدیک به ۵۲۰ میلی‌ثانیه به ثبت رسید.
سامانه | میزان تأخیر گزارش‌شده | شرایط آزمون |
|---|---|---|
Phonon | ۶۵ میلی‌ثانیه | پردازنده M4 Max، اندازه‌گیری توسط نویسنده |
Wispr Flow | حدود ۵۲۰ میلی‌ثانیه | فایل‌های صوتی و سخت‌افزار یکسان |
برنامه Phonon از بک‌اند مبتنی بر زبان Rust و موتور بومی Metal اپل بهره می‌برد. در ساختار پردازشی آن، مراحل رمزگشایی در قالب یک مگاکرنل ادغام‌شده (Fused Megakernel) اجرا می‌شوند تا فرایندها در یک فراخوانی واحد گرافیکی (GPU) به سرانجام برسند؛ هم‌زمان یک پیش‌نویس‌ساز حدسی بر پایه الگوریتم DFlash2 توکن‌های بعدی را پیش‌بینی می‌کند تا از بار محاسبات متوالی کاسته شود و سرعت استنتاج به اوج برسد.
مطالب مرتبط و پیشنهادی
ورود معترضان به محوطه ساخت مرکز داده یک میلیارد دلاری مایکروسافت در آمستردام
نزدیک به ۱۰۰ تن از فعالان مدنی با ورود به محوطه ساخت مرکز داده یک میلیارد دلاری مایکروسافت در حومه آمستردام، به توسعه زیرساخت‌های هوش مصنوعی و مصرف بالای انرژی اعتراض کردند. این اقدام که به بازداشت شماری از معترضان انجامید، بخشی از پویشی هماهنگ در ۱۶ کشور علیه پیامدهای زیستمحیطی مراکز داده است.
سرقت حساب‌های گوگل و مایکروسافت با تله دعوتنامه‌های جعلی OpenAI و Anthropic
پژوهشگران امنیتی از شناسایی کارزار فیشینگ جدیدی خبر می‌دهند که با سوءاستفاده از نام OpenAI و Anthropic، اطلاعات ورود به حساب‌های گوگل و مایکروسافت را سرقت می‌کند. مهاجمان با وعده‌های فریبندهای چون اشتراک رایگان هوش مصنوعی، کارمندان را به صفحات ساختگی هدایت کرده و حتی سازوکارهای احراز هویت دومرحل‌های را دور می‌زنند.
اقتصاد هوش مصنوعی؛ کدام سرمایه‌گذاری‌ها واقعاً ارزش توسعه دارند؟
با وجود هزینه‌های هنگفت در حوزه هوش مصنوعی، بخش عمده‌ای از پروژه‌ها هنوز ارزش تجاری ملموسی خلق نکرده‌اند. بررسی اقتصاد هوش مصنوعی و پیوند زدن هزینه‌ها با دستاوردهای عملیاتی، به مدیران سازمان‌ها کمک می‌کند تا آگاهانه تصمیم بگیرند کدام طرح‌ها را متوقف کنند، بهبود بخشند یا توسعه دهند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.