Haas-ja-v1.0: نموذج مفتوح لتفريغ الكلام الياباني يقترب من دقة الخدمات التجارية بتكلفة أقل بكثير

نشرت شركة Third Intelligence اليابانية نموذج «Haas-ja-v1.0» مفتوح المصدر. النموذج متخصص في تحويل الكلام الياباني إلى نص، ومتاح على Hugging Face بترخيص Apache 2.0، ومعه كود التشغيل على GitHub. وتقول الشركة إنه الأدق بين النماذج المفتوحة التي اختبرتها.

الأرقام كما نشرتها الشركة

• الحجم: نحو 616 مليون مُعامِل، وهو مبني على معمارية Parakeet-TDT من NVIDIA.
• الدقة: نسبة خطأ في الحروف 6.12% على اختبار يجمع خمس مجموعات بيانات يابانية عامة. هذا قريب جدًا من GPT-Transcribe (6.07%)، لكن بعض الخدمات التجارية مثل Gemini 3.1 Pro ما زالت أدق منه.
• السرعة: أسرع بنحو 15 إلى 17 مرة من Whisper large-v3 وNemotron 3.5 Transcribe.
• التكلفة: تقدّر الشركة تفريغ ساعة صوت بنحو 0.003 إلى 0.004 دولار، أي أقل بنحو 70 إلى 100 مرة من GPT-Transcribe.

وتدرّب النموذج على قرابة 46 ألف ساعة من الصوت. ويمكن تزويده بقائمة أسماء ومصطلحات نادرة ليكتبها بالشكل الصحيح، ويمكن دمجه مع نموذج من NVIDIA لتمييز المتحدثين في النص.

ما الذي ينقصه؟

يحتاج النموذج إلى بطاقة رسومية من NVIDIA، ولا يعمل على المعالج وحده ولا على أجهزة ماك. وهو مصمَّم للتفريغ بعد التسجيل لا للبث المباشر، وإن كانت الشركة تقدّم طريقة لعمل ترجمة حية تقريبية.

رأيي

ما شدّني هنا هو ميزة قائمة المصطلحات. أسماء الشخصيات والتقنيات الغريبة في الأنمي هي أكثر ما يُتعب أي نظام تفريغ صوتي. نموذج مفتوح ورخيص بهذه الدقة قد يساعد فرق الترجمة الصغيرة على استخراج النص الياباني أولًا قبل الترجمة، مع بقاء المراجعة البشرية ضرورية طبعًا.

التفاصيل في صفحة النموذج على Hugging Face وفي إعلان الشركة الرسمي.