← أحدث الأبحاث
🤖 AI

Parameter- and Bandwidth-Efficient Edge--cloud Many-to-Many Speech-to-Text Translation

تقترح هذه الورقة إطار عمل ESRT، وهو إطار عمل للحوسبة الطرفية-السحابية (Edge-cloud) كفء من حيث المعلمات وعرض النطاق الترددي للترجمة من الكلام إلى نص بنمط (من طرف إلى أطراف متعددة)، والذي يستخدم التعلم المنهجي الموزون متعدد المهام لتدريب نماذج خفيفة الوزن وينقل تنسورات مضغوطة بدلاً من الصوت الخام لتحقيق أداء رائد عبر 45 لغة مع الحفاظ على الخصوصية.

المؤلفون الأصليون: Yexing Du, Kaiyuan Liu, Youcheng Pan, Bo Yang, Lei Chen, Ming Liu, Bing Qin, Yang Xiang

نُشر 2026-08-17
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yexing Du, Kaiyuan Liu, Youcheng Pan, Bo Yang, Lei Chen, Ming Liu, Bing Qin, Yang Xiang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول ترجمة رسالة سرية هُمست عبر جهاز لاسلكي، لكن الشخص على الطرف الآخر بعيد عنك بأميال في غرفة تحكم ضخمة وعالية التقنية. هذا هو عالم ترجمة الكلام إلى نص (S2TT)، وهو مجال تستمع فيه الحواسيب للكلمات المنطوقة بلغة ما وتقوم فوراً بكتابتها بلغة أخرى. لفترة طويلة، كان هذا عبارة عن رقصة من خطوتين: أولاً، يتعين على الحاسوب معرفة ما قيل (مثل كاتب المحاضر)، ثم يقوم حاسوب ثانٍ بترجمة تلك الكلمات. لكن هذا "السباق التتابعي" غالباً ما كان يتسبب في سقوط بعض التفاصيل، مما يؤدي إلى رسائل مشوهة. مؤخراً، بنى العلماء "نماذج لغوية كبيرة متعددة الوسائط" (MLLMs) — وهي عقول ذكاء اصطناعي فائقة الذكاء يمكنها الاستماع والترجمة في خطوة واحدة. ومع ذلك، فإن هذه العقول ضخمة ونهمة؛ فهي إما أن تعيش على هاتفك (وهو أصغر من أن يستوعبها) أو تعيش في السحابة (مما يتطلب إرسال بيانات صوتك الخام عبر الإنترنت، مما يهدد خصوصيتك ويزحم الشبكة). السؤال الكبير هو: هل يمكننا الحصول على مترجم ذكي يعيش جزئياً على هاتفك وجزئياً في السحابة، دون إرسال صوتك الخام أو إبطاء سرعة الإنترنت؟

هنا يأتي دور ESRT (التعرف على الكلام والترجمة بين الحافة والسحابة)، وهو إطار عمل اقترحه باحثون يعمل مثل مبعوث دبلوماسي بارع. فبدلاً من إرسال صوتك الخام (الصوت الأصلي) عبر الإنترنت إلى السحابة، يحتفظ نظام ESRT بصوتك داخل جهازك. فكر في هاتفك كمترجم محلي يستمع إلى الهمسة، ثم يلخص "المعنى" في ملاحظة صغيرة مضغوطة ("تنسور" أو موتر)، ويرسل تلك الملاحظة فقط إلى السحابة. تقوم السحابة بعد ذلك باستخدام عقلها الضخم لإتمام عملية الترجمة. هذا النهج يشبه إرسال بطاقة بريدية تحمل الفكرة الرئيسية بدلاً من إرسال مذكرات كاملة وثقيلة عبر البريد.

وجد الباحثون أن طريقة "التقسيم" هذه تعمل بشكل جيد للغاية. لقد قاموا بتدريب ثلاث نسخ من ذكائهم الاصطناعي — صغيرة، ومتوسطة، وكبيرة (تسمى ESRT-1B، وESRT-4B، وESRT-12B) — باستخدام استراتيجية تعلم خاصة تسمى "التعلم المنهجي متعدد المهام الموزون". تخيل تعليم طالب من خلال جعله يتدرب أولاً على القراءة، ثم الترجمة، وأخيراً القيام بكليهما معاً، ولكن مع خلط هذه المهام بعناية حتى لا ينسى الدروس السابقة. سمحت هذه الطريقة للنماذج بإتقان الترجمة عبر 45 لغة مختلفة (تغطي 1,980 زوجاً من اتجاهات الترجمة، مثل الترجمة من الفرنسية إلى اليابانية أو السواحيلية إلى الألمانية).

النتائج مذهلة. لم تكتفِ نماذج ESRT بالعمل فحسب، بل تفوقت على النماذج الموجودة الأكبر حجماً والتي تمتلك ثلاثة أضعاف عدد "الأعصاب" (المعلمات). على سبيل المثال، حقق نموذج ESRT-12B أعلى درجة بلغت 88.1 في اختبار قياسي لجودة الترجمة (COMET) للترجمة من الإنجليزية إلى اللغات الأخرى، متفوقاً على المنافسين الذين هم أكبر منه بكثير. ولعل الأهم من ذلك هو أن "كفاءة عرض النطاق الترددي" تعد تغييراً جذرياً في قواعد اللعبة؛ فمن خلال إرسال الملاحظة المضغوطة بدلاً من الصوت الخام، تم تقليل كمية البيانات المرسلة إلى السحابة بمقدار 5.1 مرة للنموذج القياسي، وبمقدار هائل يصل إلى 10.2 مرة للنسخة الأخف (ESRT-Lite).

كما يشير البحث أيضاً إلى أن هذه الطريقة أكثر أماناً لخصوصيتك. نظرًا لأن صوتك الخام لا يغادر هاتفك أبداً، وأن السحابة تتلقى فقط تمثيلاً رياضياً مضغوطاً، فمن الصعب جداً على أي متصنت إعادة بناء صوتك الحقيقي. وفي الاختبارات، عندما حاول الباحثون هندسة الملاحظة المضغوطة عكسياً وتحويلها إلى صوت، كانت النتيجة عبارة عن ضجيج غير مفهوم، مما يشير إلى أن بصمة صوتك تظل آمنة. ومع ذلك، يوضح المؤلفون بحذر أن هذا النظام "واعٍ بالخصوصية" وليس درعاً مثالياً لا يمكن اختراقه؛ فبينما يجعل إعادة البناء أمراً صعباً، فإنه لا يضمن عدم تسرب أي معلومات عن المتحدث.

باخت عقد، يشير نظام ESRT إلى أننا لسنا مضطرين للاختيار بين عقل سحابي قوي وجهاز محلي خاص. فمن خلال تقسيم العمل وضغط البيانات، يمكننا الحصول على ترجمة متعددة اللغات عالية الجودة، سريعة، وفعالة، وتحافظ على صوتك حيث ينتمي: داخل جهازك.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →