تم إصدار Fable 5.1 اليوم، وتم إصدار Atlas من World Labs، والجميع مشغولون بمراقبة مدى ذكاء النماذج الجديدة ومدى تقدم نماذج العالم. في زاوية شبه مهملة، أطلقت Meta شيئًا أعتبره يستحق المناقشة: Muse Voice Transcribe، أول نموذج إدراك صوتي في الوقت الحقيقي من مختبرات Meta Superintelligence. على السطح، يبدو أنه نموذج تحويل صوت إلى نص، لكنه يقوم بمهام أكثر بكثير من أنظمة ASR التقليدية مثل Whisper. يُنجز هذا النموذج التحويل الفوري، وتحديد المتحدث (speaker diarization) — أي تحديد من يتحدث في اللحظة الحالية — بالإضافة إلى تحديد نهاية الكلام (endpointing) — أي معرفة متى انتهى المتحدث حقًا — جميعها بشكل أصيل داخل نموذج تدفق واحد. لم يعد هناك حاجة لدمج ASR وVAD ونموذج معرفة المتحدث في خط أنابيب منفصل. هذا مهم حقًا. إحدى أكبر المشكلات التي تؤثر على تجربة الوكلاء الصوتيين اليوم ليست فقط دقة الاستماع، بل أيضًا متى يجب أن يصمتوا للاستماع، ومتى يحين دورهم للتحدث، وأيضًا من يتحدث إليهم عندما يكون هناك عدة أشخاص في الغرفة. طريقة Muse مثيرة للاهتمام أيضًا. يتم تقسيم الصوت إلى شرائح كل 80 مللي ثانية، ويقرر النموذج بنفسه ما إذا كان سيستمر في الاستماع أو يبدأ في إخراج النص. كما استخدمت Meta التعلم المعزز لتدريب ما تسميه "التأخير التكيفي": الكلمات البسيطة تُؤكد بسرعة، بينما الكلمات الصعبة تنتظر سياقًا إضافيًا. النتائج حاليًا مذهلة. في قائمة Artificial Analysis للتمييز الصوتي التدفقي، حقق Muse Voice Transcribe WER بنسبة 3.1%، مع تأخير نهائي في التحويل يبلغ حوالي 160 مللي ثانية — وهو الأفضل حاليًا. وقد تدرب النموذج على أكثر من 70 لغة، وتم التحقق من 25 لغة في الإصدار الأولي، ويمكنه التبديل بين الإنجليزية والصينية في جملة واحدة؛ كما يمكنه معالجة صوت مستمر لأكثر من ساعة مع أكثر من 20 متحدثًا دون الحاجة إلى معالجة إضافية. وبالإضافة إلى ذلك، السعر فقط 0.18 دولار في الساعة. أعتقد أن هذا الإطلاق يعكس جوهر Meta تمامًا. خلال العام الماضي، كان الجميع يركّزون على زيادة ذكاء الذكاء الاصطناعي، لكن Meta بدأت الآن في تعزيز حواسه.