معرفی Saaras V4 برای تبدیل گفتار ۲۲ زبان هندی به متن

شرکت هندی Sarvam AI در ۲۶ سپتامبر ۲۰۲۶ از Saaras V4 رونمایی کرد؛ مدل گفتاربه‌متنی که به گفته شرکت، هر ۲۲ زبان رسمی هند و انگلیسی با لهجه‌های جهانی را پوشش می‌دهد. این مدل اکنون از طریق API قابل استفاده است، اما وزن‌های آن منتشر نشده‌اند و نتایج عملکردش را هنوز ارزیابی مستقل بازتولید نکرده است. عرضه آن می‌تواند برای ساخت خدمات صوتی چندزبانه در هند اهمیت داشته باشد؛ بازاری که در آن پشتیبانی از زبان‌های محلی و شیوه‌های مختلف نوشتار، بخشی از نیاز عملی کاربران است.

ساختار مدل و دسترسی

Saaras V4 معماری رمزگذارـرمزگشا دارد. رمزگذار، صدای ورودی را به ویژگی‌هایی تبدیل می‌کند که اطلاعات آوایی و صوتی را بازتاب می‌دهند. سپس بخشی از سامانه دنباله این ویژگی‌ها را کوتاه و به فضای بازنمایی مدل زبانی منتقل می‌کند؛ روشی که به گفته Sarvam کمک می‌کند فایل‌های طولانی در محدوده پردازش مدل جا بگیرند.

رمزگشای مدل، Sarvam-3B است؛ یک مدل زبانی هیبریدی با ۳ میلیارد پارامتر که شرکت می‌گوید آن را از ابتدا و در داخل مجموعه آموزش داده است. مدل ویژگی‌های صوتی را در کنار یک دستور متنی دریافت می‌کند و متن پیاده‌سازی‌شده را مرحله‌به‌مرحله تولید می‌کند.

کاربران می‌توانند از طریق API و با انتخاب شناسه saaras:v4 به مدل دسترسی پیدا کنند. Sarvam می‌گوید شکل درخواست API با نسخه قبلی تفاوتی ندارد و تغییر به V4 با یک تغییر در تنظیمات انجام می‌شود؛ با این حال، Saaras v3 همچنان مدل پیش‌فرض است. وزن‌های V4 عمومی نیستند و مستندات فعلی شرکت برای میزبانی روی SageMaker فقط Saaras v3 را پوشش می‌دهند.

پنج شیوه برای نمایش متن

یک فایل صوتی در Saaras V4 می‌تواند با انتخاب یکی از پنج حالت به خروجی تبدیل شود: پیاده‌سازی با خط و رسم‌الخط زبان اصلی و نرمال‌سازی اعداد و تاریخ‌ها؛ ثبت واژه‌ها همان‌طور که گفته شده‌اند، از جمله تکیه‌کلام‌ها؛ حفظ واژه‌های انگلیسی با خط لاتین در متن زبان اصلی؛ نوشتن کل جمله با خط لاتین؛ یا ترجمه به انگلیسی.

قابلیت تازه دیگر، راهنمایی با واژه‌های کلیدی است. کاربر می‌تواند در قالب یک فهرست JSON حداکثر ۵۰ واژه یا عبارت، هرکدام تا ۶۴ نویسه، به مدل بدهد تا در تشخیص آن‌ها اثر بگذارند. این راهنمایی تضمین نمی‌کند که واژه حتماً در خروجی ظاهر شود. برای نمونه، به گفته شرکت، اگر نامی مانند PhonePe باید با حروف لاتین باقی بماند، می‌توان حالت codemix را انتخاب کرد.

Sarvam همچنین می‌گوید Saaras V4 در آزمون IndicContextEval، در تنظیم L5 مربوط به راهنمایی با واژه‌های کلیدی، به نرخ خطای واژه‌ای ۱۶٫۰۳ درصد رسیده است. شرکت این نتیجه را بهترین امتیاز آن بنچمارک توصیف می‌کند.

نتایج گزارش‌شده و محدودیت شواهد

در ارزیابی انگلیسی، Sarvam هفت مجموعه‌داده را بررسی کرده است: شش مجموعه از Open ASR Leaderboard و مجموعه Svarah برای گفتار انگلیسی با لهجه هندی. شرکت می‌گوید Saaras V4 در میان مدل‌هایی که خودش مقایسه کرده، میانگین نرخ خطای واژه‌ای پایین‌تری داشته است. نرخ خطای واژه‌ای یا WER، میزان تفاوت متن تولیدشده با متن مرجع را می‌سنجد؛ عدد کمتر معمولاً به معنای خطای کمتر است.

در مجموعه Vistaar، شرکت عملکرد مدل را برای ۱۰ زبان هندی با WER و LLM-WER گزارش کرده است. معیار دوم از بررسی معنایی کمک می‌گیرد تا خطاهای واقعی در معنا را از تفاوت‌های کم‌اهمیت املایی یا قالب‌بندی جدا کند. در آزمون صوت‌های پرنویز Kathbath Noisy نیز Sarvam می‌گوید نرخ خطای Saaras V4 کمتر از نصف Deepgram Nova-3 و GPT-4o Transcribe بوده است. این مجموعه شامل فایل‌های فشرده، بریده‌شده و دارای صدای پس‌زمینه است.

در تشخیص زبان گفتار، خطای گزارش‌شده برای ۱۰ زبان پرکاربرد هندی ۲٫۹ درصد و برای هر ۲۲ زبان ۵٫۲۲ درصد است. با این حال، همه این ارقام را خود Sarvam منتشر کرده و در اطلاعات موجود، تأیید مستقل یا بازتولید نتایج دیده نمی‌شود. بنابراین مقایسه عملکرد باید با در نظر گرفتن منشأ داده‌ها انجام شود.

پردازش زنده، قیمت و کاربرد

برای پردازش زنده، Sarvam از اتصال WebSocket و دریافت نتایج تدریجی پشتیبانی می‌کند و زمان رسیدن به نخستین خروجی را کمتر از ۱۵۰ میلی‌ثانیه اعلام کرده است. API همگام برای فایل‌های حداکثر ۳۰ ثانیه‌ای و پردازش دسته‌ای برای فایل‌هایی تا دو ساعت در دسترس است؛ گزینه دسته‌ای می‌تواند تفکیک گویندگان را نیز شامل شود.

طبق قیمت‌گذاری اعلام‌شده، تبدیل گفتار به متن در حالت‌های زنده، جریانی و دسته‌ای ساعتی ₹۳۰ هزینه دارد و افزودن تفکیک گویندگان این مبلغ را به ₹۴۵ در ساعت می‌رساند. این قیمت‌ها و ارقام سرعت نیز اطلاعات اعلام‌شده از سوی شرکت‌اند.

این خبر برای چه کسانی اهمیت دارد

Saaras V4 برای توسعه‌دهندگانی که سرویس‌های صوتی چندزبانه، ابزارهای پیاده‌سازی گفتار یا محصولات مبتنی بر زبان‌های هندی می‌سازند، گزینه‌ای تازه در قالب API فراهم می‌کند. پشتیبانی از چند شیوه نوشتن و پردازش زنده می‌تواند در کاربردهای گوناگون مفید باشد؛ اما نبود وزن‌های عمومی، محدودبودن مستندات میزبانی خودکار به نسخه قبلی و گزارش‌نشدن ارزیابی مستقل، برای سازمان‌هایی که به استقرار خصوصی یا سنجش بی‌طرفانه نیاز دارند، ملاحظات مهمی است.