أوديوتيتريس: ثورة في تقنيات معالجة الصوت باستخدام إشارات الأهمية الانتقالية!

في عالم معالجة الصوت والذكاء الاصطناعي، تمثل نماذج اللغة الصوتية الكبيرة (Large Audio Language Models) خطوة هائلة نحو تحسين أداء المهام المتعلقة بالنصوص الصوتية. ومع ذلك، تواجه هذه النماذج مشكلة جدية تتمثل في أن المحولات الصوتية التقليدية تنتج مئات الرموز حتى لأقصر المقاطع الصوتية. وهو ما يؤدي إلى تضخم تكاليف الحساب أثناء وقت الاستدلال، بسبب الزيادة الكبيرة في تعقيد العمليات الحسابية.

قامت الأبحاث الحالية بتركيز الجهود على تقنيات ضغط الرموز التي تعتمد على تقليم أو دمج الرموز بطرق بسيطة تعتمد فقط على الانتباه الخشن أو التشابه في الميزات. لكن هذا الأسلوب يعامل الرموز الصوتية على أنها ميزات عامة، مما يتسبب في فقدان المعلومات الدقيقة المتعلقة بالانتقالات الصوتية الضرورية لفك تشفير الكلمات.

تظهر إشارات الكلام أن لها أنماط زمنية منظمة للغاية حيث تزداد كثافة المعلومات عند الانتقال الصوتي. وهنا تأتي فكرة أوديوتيتريس! هذا الإطار الجديد، الذي لا يحتاج إلى تدريب، يقدّم نهجًا مبتكرًا من مرحلتين، يستفيد من هندسة تمثيل المكونات الصوتية للحساب على أهمية الرموز قبل تطبيق ضغط يعتمد على الانتباه.
بدلاً من إهمال هيكل وحدة الترميز بعد مرحلة الترميز، يقوم أوديوتيتريس بنقل هذا المبدأ مباشرة إلى مُحَوِّل لغة الصوت لتقييم كل رمز والحصول على نتيجة مصنّعة لكل رمز.

عبر هذا النظام، يتم تحسين اختيار الرموز بذكاء تدريجي دون الحاجة إلى تدريب إضافي أو نماذج مساعدة. تم تقييم فعالية أوديوتيتريس على عدة نماذج مثل Qwen2-Audio-7B وPhi-4-Multimodal وAudio Flamingo 3، حيث أثبتت التقنية أنها تحتفظ بأداء مشابه لأداء الرموز غير المضغوطة باستخدام 25% فقط من الرموز الصوتية. كما تتفوق على العديد من النماذج التقليدية الأخرى في نتائج دقة الأداء.

في ضوء هذه التطورات، يُتوقع أن تُحدث تقنية أوديوتيتريس نقلة نوعية في كيفية معالجة وفك شيفرة الكلام بواسطة النماذج اللغوية الصوتية، مما يفتح آفاقًا جديدة أمام تقنيات الذكاء الاصطناعي.