شرکت ServiceNow از مدل صوتی Apriel Voice 27B رونمایی کرد؛ درک گفتار و اجرای مستقیم ابزارها
بخش تحقیقات هوش مصنوعی ServiceNow از مدل صوتی و متن‌باز Apriel Voice 27B با مجوز MIT رونمایی کرد. این مدل پیشرفته با ترکیب انکودر صوتی Whisper و مدل زبانی Gemma 4، گفتار کاربر را به‌طور مستقیم درک کرده و علاوه بر پاسخ متنی، ابزارهای کاربردی را نیز فراخوانی می‌کند.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- مدل صوتی متن‌باز Apriel Voice 27B با اتصال انکودر صوتی Whisper به هسته پردازشی Gemma 4 می‌تواند فرمان‌های صوتی را بدون نیاز به تبدیل‌های چندمرحله‌ای تحلیل کند.
- این هوش مصنوعی علاوه بر پاسخ‌دهی به گفتار در حدود ۵۰ زبان مختلف، توانایی درک تصاویر و اجرای خودکار ابزارهای نرم‌افزاری را در یک گفتگوی پیوسته دارد.
- این مدل به‌صورت متن‌باز و تحت مجوز تجاری MIT منتشر شده است تا توسعه‌دهندگان بتوانند دستیارهای صوتی اختصاصی خود را روی سرورهای محلی اجرا کنند.
معرفی مدل صوتی Apriel Voice 27B
مدل Apriel Voice 27B یک مدل صوتی متن‌باز با وزن‌های عمومی از تیم تحقیقاتی ServiceNow است که در تاریخ ۲۹ اکتبر ۲۰۲۶ همراه با گزارش فنی منتشرشده در ۲ نوامبر ۲۰۲۶ تحت مجوز MIT در دسترس قرار گرفت. این مدل قادر است درخواست‌های صوتی کاربر را بشنود و بفهمد، در بستر محتوای گفتگو استدلال کند و علاوه بر ورودی‌های متنی و تصویری، پاسخ‌های متنی و فراخوانی ساختاریافته ابزارها را به‌عنوان خروجی ارائه دهد.
از دیدگاه معماری، انکودر صوتی Whisper large-v3-turbo از طریق یک لایه نگاشت آموزش‌دیده به هسته پردازشی Gemma 4 26B-A4B متصل شده است؛ در نتیجه یک مدل یکپارچه وظیفه شنیدن، استدلال و استفاده از ابزارها را بر عهده می‌گیرد. توسعه‌دهندگان می‌توانند این مدل را با هر سیستم تبدیل متن به گفتار (TTS) ترکیب کنند و دستیارهای صوتی، سامانه‌های پشتیبانی مشتریان و برنامه‌های تعاملی مبتنی بر گفتار بسازند.
توضیحات و سازوکار مدل
قابلیت‌های کلیدی
قابلیت | جزئیات |
|---|---|
درک گفتار | پیاده‌سازی متن از صدا، ترجمه گفتار و پرسش‌وپاسخ صوتی در حدود ۵۰ زبان مختلف |
استدلال و اجرای ابزارها | پیروی از دستورها، انجام درخواست‌های چندمرحله‌ای و فراخوانی ساختاریافته ابزارها |
زمینه چندحالته (Multimodal) | پشتیبانی هم‌زمان از صدا، متن، تصویر و نتایج خروجی ابزارها در یک مکالمه واحد |
پردازش صوت طولانی | تقسیم خودکار فایل‌های صوتی به قطعات ۳۰ ثانیه‌ای و حفظ کیفیت عملکرد تا حدود ۳۰ دقیقه ضبط |
نتایج ارزیابی (گزارش رسمی توسعه‌دهنده در زبان انگلیسی)
- کسب امتیاز ۵۱٫۲۷ درصد در شاخص EVA-A، امتیاز ۷۴٫۱۳ درصد در شاخص EVA-X، نرخ موفقیت ۶۵٫۵۱ درصد در بنچمارک τ-Voice و میانگین تاخیر ۱٫۹۱ ثانیه.
- نرخ خطای کلمات (WER) در بنچمارک LibriSpeech: ۲٫۲۳ درصد در مجموعه آزمایشی بدون نویز (test-clean) و ۵٫۱۵ درصد در داده‌های پیچیده‌تر (test-other).
- عملکرد این مدل به مراتب برتر از سیستم‌های چندمرحله‌ای متن‌باز مبتنی بر ترکیب تبدیل گفتار به متن و Gemma 4-26B در آزمون EVA ظاهر شده و به کیفیت برخی مدل‌های بلادرنگ تجاری و اختصاصی نزدیک شده است.
چرا این دستاورد مهم است؟
بیشتر دستیارهای صوتی امروزی ساختاری آبشاری دارند که شامل تبدیل گفتار به متن، پردازش در مدل زبانی و سپس تبدیل متن به گفتار است؛ رویکردی که باعث انباشت خطاها و افزایش چشمگیر تاخیر پاسخ‌دهی می‌شود. مدل Apriel Voice فرآیند شنیدن و استدلال را در یک هسته مشترک ادغام کرده و به لطف مجوز آزاد MIT، امکان استقرار محلی و کاملاً خصوصی را فراهم می‌کند. البته توجه داشته باشید که این مدل به‌تنهایی قادر به تولید صدا نیست و از ارتباط هم‌زمان دوطرفه (Full-Duplex) به‌شکل بومی پشتیبانی نمی‌کند، بنابراین مدیریت نوبت‌گیری در مکالمه زنده باید توسط برنامه کاربردی و زیرساخت میزبانی انجام شود.
راهنمای استفاده و راه‌اندازی
شروع به کار
- آزمایش آنلاین: فضای نمایشی Apriel Live Space در پلتفرم Hugging Face (به آدرس servicenow-ai-apriel.hf.space) امکان تست گفتگوهای صوتی و فراخوانی ابزارها را فراهم کرده است.
- دریافت وزن‌های مدل: وزن‌ها با دستور
huggingface-cli download ServiceNow-AI/Apriel-Voice-27B-previewقابل دانلود هستند و با کتابخانهtransformersبارگذاری می‌شوند. - میزبانی و سرویس‌دهی: در شناسنامه مدل نمونه‌هایی برای اجرای آن با فریمورک vLLM با پشتیبانی از صوت‌های ۳۰ دقیقه‌ای و یک‌ساعته ارائه شده است؛ فرمت صوتی ورودی نیز باید مونو با نرخ نمونه‌برداری ۱۶ کیلوهرتز باشد.
- ساخت عامل صوتی: برنامه شما می‌تواند ابزارها را اجرا کند، نتایج را به جریان گفتگو برگرداند و خروجی متنی مدل را به موتور دلخواه تبدیل متن به گفتار ارسال نماید.
- فایل‌های صوتی طولانی: برای فایل‌های ضبط‌شده طولانی، فعال‌سازی حالت استدلال و تفکر مدل توصیه می‌شود.
اجرای این مدل به حافظه ویدیویی (VRAM) بالایی نیاز دارد، زیرا در رده مدل‌های ۲۷ میلیارد پارامتری با معماری MoE و حدود ۴ میلیارد پارامتر فعال در هر توکن قرار می‌گیرد. هم‌چنین با توجه به اینکه نسخه فعلی یک پیش‌نمایش آزمایشی است، پیش از به‌کارگیری در محیط‌های عملیاتی باید ارزیابی‌های دقیق روی آن انجام شود.
مطالب مرتبط و پیشنهادی
تنسنت از سیستم هوش مصنوعی Hyra 2.0 برای انجام خودکار تحقیقات علمی رونمایی کرد
تنسنت از سیستم هوشمند Hyra 2.0 رونمایی کرد؛ سامانه‌ای مبتنی بر عامل‌های هوش مصنوعی که به‌جای ارائه پاسخ‌های یک‌باره، ابزارها و مدل‌های علمی چندبارمصرف تولید می‌کند. این سیستم با معماری سه‌سطحی، مسیر پژوهش‌های پیچیده در حوزه‌هایی چون طراحی پروتئین، فیزیک کوانتوم و مهندسی پردازنده را خودکار می‌سازد.
پلاگین Storybook Connect برای محیط‌های توسعه JetBrains رونمایی شد؛ ساخت خودکار استوری‌ها با هوش مصنوعی
پلاگین اختصاصی Storybook Connect با همکاری مشترک Callstack و تیم WebStorm برای محیط‌های توسعه JetBrains منتشر شد. این افزونه با تجهیز به ایجنت‌های هوش مصنوعی و ابزار خط فرمان، ساخت خودکار استوری‌ها و همگام‌سازی دوطرفه میان کد و مرورگر را ممکن می‌سازد. توسعه‌دهندگان به کمک این ابزار می‌توانند پوشش استوری کامپوننت‌های فرانت‌اند خود را به آسانی ارتقا دهند.
معرفی هوش مصنوعی مالی XuanYuan 4.5؛ ارتقای ۳۰ درصدی خدمات مالی با یکدهم هزینه مدل‌های عمومی
شرکت مالی Du Xiaoman با همکاری دانشگاه علم و صنعت هنگکنگ از مدل پیشرفته XuanYuan 4.5 رونمایی کرد؛ سیستمی تخصصی برای صنعت بانکداری که از فناوری خودبهسازی بازگشتی بهره می‌برد. این مدل زبانی و چندحالته با ارائه کارایی ۳۰ درصد بالاتر در مدیریت ریسک، هزینه پردازش و استنتاج را تا ۹۰ درصد نسبت به مدل‌های عمومی پرچمدار کاهش می‌دهد.
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.