في عالم الذكاء الاصطناعي، تستمر الابتكارات في إحداث ثورة في كيفية تفاعلنا مع التكنولوجيا. إحدى هذه الابتكارات هي تقنية ضغط الذاكرة الصوتية التي تستخدم في نماذج الكلام الثنائية الاتجاه (Full-Duplex Speech Models). يتعرض هذا النوع من نماذج الكلام لتحدٍ كبير، حيث تتراكم الحالات الصوتية بمرور الوقت، مما يجعل إدارة الذاكرة أمرًا معقدًا ويتطلب موارد عالية.

تُعَد تقنية ضغط حالات الذاكرة الصوتية (Acoustic-to-Text KV Compression) الحل المثالي لهذه المشكلة. تتيح هذه التقنية تحويل الكلام الوارد إلى ذاكرة نصية مضغوطة خلال فترة الاستماع، والتي تُعرف بفترة "slack". يساعد ذلك النموذج على التعامل مع المعلومات الجديدة دون استخدام مساحة كبيرة من الذاكرة.

بدلاً من الاحتفاظ بجميع البيانات الصوتية، تقوم التقنية الجديدة بإزالة الحالات الصوتية القديمة عند الوصول إلى حد معين من الذاكرة المستخدمة، مما يترك فقط النصوص والسياق الصوتي الحديث. باستخدام تقنية LoRA وأسلوب المعرفة التحويلية (Knowledge Distillation)، يتم تدريب النموذج لتحسين دقة النسخ والتلخيص.

عند اختبار هذه التقنية، أظهرت النتائج أن تنفيذ MiniCPM-o 4.5 يقلل من حجم ذاكرة KV المستخدمة بنسبة تصل إلى 64.6% مقارنة بنفس النموذج دون تطبيق هذه التقنية. كما تحسن أداء النسخ، والإجابة على الأسئلة المؤقتة، والتلخيص مقارنة بالنموذج الأساسي.

يُظهر تقييم أداء النماذج في بيئة Full-Duplex-Bench القدرة العالية على التعامل مع فترات التوقف وتبادل الأدوار خلال المحادثات، مما يشير إلى مدى أهمية هذه التكنولوجيا في تحسين تفاعل الإنسان مع الأنظمة الصوتية الذكية.