نماذج الصوت من علي بابا في أبسارا ٢٠٢٦، ببساطة

إذا أردت معرفة وظيفة كل إعلان صوتي من علي بابا في مؤتمر أبسارا ٢٠٢٦، فالتمييز الأساسي هو هذا: Qwen3.8-LiveTranslate للترجمة أثناء حديث المتكلم، أما Qwen-Audio-3.1 فهي عائلة من خمسة نماذج لمهام صوتية مختلفة، من تفريغ الكلام إلى إنتاج مقطع يجمع الأصوات والمؤثرات. 314

الترجمة أثناء الكلام: Qwen3.8-LiveTranslate

صُمم Qwen3.8-LiveTranslate للترجمة الشفوية المتزامنة؛ أي إخراج الترجمة تباعًا بدل انتظار انتهاء المتحدث. وتقول علي بابا إن بنية Interleave حسّنت أمانة الترجمة وطلاقتها واختصارها، وخفّضت مؤشر LAAL، وهو مقياس لمتوسط التأخر في الترجمة، من نحو ٢٫٨ إلى ٢٫٣ ثانية. الفارق نصف ثانية، أو قرابة ١٨٪. هذه أرقام وتقييمات أعلنتها الشركة، وليست نتائج اختبار مستقل. 37

وللمحادثات التي تضم أكثر من متحدث، تصف علي بابا إمكانات تشمل التمييز بين المتحدثين لحظيًا، وعرض النص الأصلي وترجمته بصورة متزامنة، والاستفادة من سياق الحديث السابق لفهم العبارات الملتبسة. وتدرج وثائق «Model Studio» الترجمة الشفوية المتزامنة والترجمة المباشرة ضمن استخدامات النموذج الآني. 71

خمسة نماذج في عائلة Qwen-Audio-3.1

تقول «كوين» إنها طوّرت ثلاث قدرات قائمة، هي ASR للتعرّف الآلي على الكلام، وTTS لتحويل النص إلى كلام، وRealtime للتفاعل الصوتي الآني؛ وأضافت نموذجين جديدين هما ASR-Next وTTS-Next. ولكل منها وظيفة مختلفة: 14

• Qwen-Audio-3.1-ASR: يحوّل الكلام المنطوق إلى نص، وهو نموذج التفريغ الصوتي في العائلة. 1426
• Qwen-Audio-3.1-ASR-Next: يتجاوز التفريغ النصي إلى فهم التسجيل؛ إذ تقول «كوين» إنه يحدد المتحدثين، ويربط النص بتوقيتات الكلام، ويحلل المشاعر والأصوات غير الكلامية للإجابة عن أسئلة حول الصوت أو وصف ما يُسمع فيه. 14
• Qwen-Audio-3.1-TTS: يولّد الكلام من النص. وتصف «كوين» دعمه للغات ولهجات متعددة، مع إمكان التحكم في الأداء، مثل النبرة العاطفية والسرعة والأسلوب. 14
• Qwen-Audio-3.1-Realtime: مخصص للمحادثات الصوتية التفاعلية؛ وتذكر علي بابا كلاود المساعدات الصوتية ومحادثات خدمة العملاء ضمن استخداماته. 141
• Qwen-Audio-3.1-TTS-Next: لا يقتصر على توليد صوت متحدث من نص، بل يمكنه، وفق علي بابا، إنشاء الحوار والمؤثرات الصوتية والأصوات المحيطة معًا في عملية توليد واحدة، انطلاقًا من مدخلات قد تشمل النص والتوقيتات ومقاطع صوتية مرجعية. 24

الفرق الأبرز في TTS-Next أنه موجّه إلى إنتاج مشهد صوتي، لا إلى قراءة نص بصوت اصطناعي فحسب. وتطرح علي بابا استخدامه في الكتب الصوتية والأفلام والتلفزيون والبودكاست والألعاب. لكن هذه استخدامات مستهدفة، وليست دليلًا على أن كل مشهد يولّده سيكون جاهزًا للنشر من دون تحرير أو مراجعة. 324