Skip to content
يفرّغ Saaras V4 من Sarvam كل اللغات المدرجة الاثنتين والعشرين بخمس صيغ للمخرجات، ويبدأ نموذج الصوت Bulbul V4 Flash الكلام في أقل من 250 ميلي ثانية، بحسب Sarvam
الذكاء الاصطناعي والتكنولوجيا

يفرّغ Saaras V4 من Sarvam كل اللغات المدرجة الاثنتين والعشرين بخمس صيغ للمخرجات، ويبدأ نموذج الصوت Bulbul V4 Flash الكلام في أقل من 250 ميلي ثانية، بحسب Sarvam

رسم: tuput

العربية

أصدرت شركة Sarvam AI في بنغالورو نموذج التعرف على الكلام Saaras V4 في 25 سبتمبر 2026 ونموذج تحويل النص إلى كلام Bulbul V4 Flash في 13 أكتوبر. ويغطي Saaras V4 اللغات المدرجة الاثنتين والعشرين إضافة إلى الإنجليزية، ويكلف Bulbul V4 Flash 20 روبية لكل 10,000 حرف، أي أقل بثلث من سلفه. ومعظم الدرجات من Sarvam نفسها، وتقف خلف عدة منها مجموعات اختبار عامة من AI4Bharat.

· · 7 دقيقة قراءة

أصدرت Sarvam AI، وهي شركة في بنغالورو، نموذجي صوت بينهما أقل من ثلاثة أسابيع. فـSaaras V4، الذي أُعلن في 25 سبتمبر 2026، يحوّل الكلام بكل اللغات الهندية المدرجة الاثنتين والعشرين، إضافة إلى الإنجليزية، إلى نص. أما Bulbul V4 Flash، الذي أُعلن في 13 أكتوبر، فيحوّل النص إلى كلام، ويبدأ، بحسب Sarvam، تشغيل أول صوت في أقل من 250 ميلي ثانية بسعر 20 روبية لكل 10,000 حرف. وهما معا يغطيان نصفي الإصغاء والكلام في وكيل صوتي عبر الهاتف، وهو برنامج يحدّث عميلا بالهندية أو التاميلية أو البنغالية.

يعطي Saaras V4 خمس نسخ من الكلام نفسه

يغذّي مشفّر صوتي نموذجا لغويا من 3 مليارات معامل (الأرقام القابلة للضبط داخل النموذج) تقول Sarvam إنها دربته من الصفر داخليا. ومفكّكه نموذج فضاء حالة هجين، وهو بديل لطبقات الانتباه التي تستخدمها معظم النماذج اللغوية الكبيرة. وخطوة بين الاثنين تقصّر تسلسل الصوت لتتسع التسجيلات الطويلة في ذاكرة التشغيل الخاصة بالمفكّك.

وتضع Sarvam الثقل على المخرجات. فمن تسجيل واحد يستطيع النموذج أن يعيد خمسة أنواع من النص، ويعرضها منشور الإطلاق على جملة هندية واحدة عن الضرب في T20.

الصيغةما تعيده
transcribeبالخط الأصلي، مع توحيد الأرقام والتواريخ
codemixتفريغ تبقى فيه الكلمات الإنجليزية بحروف إنجليزية
translitالجملة كلها بحروف إنجليزية، وهي ما يسميه المنشور بالعامية «لغة WhatsApp»
translateترجمة إلى الإنجليزية
verbatimكل كلمة كما نُطقت، فتظهر «T20» بالكلمات الهندية لـ«تي توينتي»

ولما كانت الخمس كلها تأتي من نموذج واحد، تقول Sarvam إنه لا حاجة إلى خطوات معالجة إضافية، ولا إلى خطوات تتراكم فيها الأخطاء. وتسرد وثائق المطورين الصيغ نفسها وتسمي Saaras V4 النموذج الافتراضي. وتضيف التعرف على اللكنات الإنجليزية العالمية إلى جانب الإنجليزية الهندية، وتصف الإرشاد بالمصطلحات المفتاحية، حيث يقدم المطور حتى 50 اسما أو مصطلحا تقنيا لتحيّز التعرف نحوها. وتعمل هذه الميزة في الواجهتين المتزامنة والدفعية لا في البث.

ويبلغ خطأ تحديد اللغة 5.22 بالمئة عبر اللغات الاثنتين والعشرين كلها و2.9 بالمئة عبر العشر الأكثر تحدثا، على جمل موثقة من مجموعة IndicVoices لدى AI4Bharat، كما يذكر المنشور. وللاستخدام المباشر يعطي زمنا إلى أول رمز دون 150 ميلي ثانية عند البث. وتمر المقاطع الأقصر من 30 ثانية عبر الواجهة المتزامنة، وتقبل الواجهة الدفعية ملفات حتى ساعتين، مع تسمية المتحدثين اختيارا. وأفادت Business Standard بالإطلاق في 25 سبتمبر وكررت أرقام Sarvam. وتقرير tuput السابق عن نماذج الكلام الهندية يتناول نتيجة V4 في IndicContextEval وكيف سجّل Saaras V3، فلا تتكرر هنا.

صُمم Bulbul V4 Flash للسرعة والسعر

تقول Sarvam في منشورها في 13 أكتوبر إن Flash يقدم أول صوت في أقل من 250 ميلي ثانية من الطلب في بيئة الإنتاج، ويعمل أسرع حتى 40 بالمئة من Bulbul V3 تحت حمل مماثل. والسعر 20 روبية لكل 10,000 حرف مقابل 30 روبية لـV3، وتُظهر صفحة الأسعار، المقروءة في 12 نوفمبر 2026، المعدلين نفسيهما بصيغة 2.00 و3.00 روبية لكل 1,000 حرف. وأفادت Analytics India Magazine بالإطلاق في 14 أكتوبر بأرقام مطابقة.

وتعطي Sarvam سببين للجودة. فتقول إنها وسّعت بياناتها الصوتية الخاصة نحو سبعة أضعاف مقارنة بـV3 ودرّبت النموذج مسبقا من الصفر مع جعل تمثيل اللغات الهندية هدفا رئيسيا. وتواصلت النسخ البحثية منه، المدربة على أكثر من 400 مليار رمز صوتي (قطع صغيرة من الصوت، كما تستخدم النماذج النصية قطعا من الكلمات)، في التحسن بذلك الحجم، وFlash نموذج أصغر مستخلص مما علّمته إياه.

والتشديد الثاني هو قراءة الأرقام والأسماء بصوت عال قراءة صحيحة. فطبقة توحيد النصوص تقرأ كل عنصر في سياقه وتقرر كيف يُنطق: ISRO ككلمة، وEMI حرفا حرفا، وPAN ككلمة، وAadhaar بنطقها المألوف. وتشمل العروض في المنشور مكالمة لخط مساعدة للسكك الحديدية وتذكيرا بقرض، وفيهما أرقام PNR وأرقام قطارات ومبالغ وتواريخ. وانطلق Flash بـ83 صوتا و224 مزيجا من الصوت والأسلوب، تغطي خدمة العملاء والمبيعات والتحصيل والمصارف والتجارة الإلكترونية والتعليم، ويعمل على واجهة Sarvam البرمجية وعلى Playground وContent Studio.

وتختلف صفحات Sarvam نفسها في عدد اللغات. فمنشور الإطلاق وAnalytics India Magazine يقولان 11 لغة. أما وثائق المطورين، المقروءة في 12 نوفمبر، فتقول إن فهرس أصوات Flash يغطي الهندية والإنجليزية ونمطا مختلطا من الإنجليزية والهندية والبنغالية والغوجاراتية والكانادا والماراثية والبنجابية والتاميلية والتيلوغوية، وإن المالايالامية والأوديا، اللتين يقدمهما Bulbul V3، ليستا بعد على Flash. وتحصي كذلك 222 معرّف صوت حيث يحصي المنشور 83 صوتا و224 مزيجا. ولا تشرح Sarvam أيا من الفارقين.

لماذا تقول Sarvam وAI4Bharat إن معدل خطأ الكلمات يسيء الحكم على الكلام الهندي

تستخدم درجات الكلام عادة معدل خطأ الكلمات (WER)، وهو حصة الكلمات المختلفة عن تفريغ بشري. وتحاجّ Sarvam في منشورها في 2 أبريل 2026 بأن WER ومعدل خطأ الحروف وBLEU صُممت أساسا للإنجليزية، حيث لكل كلمة هجاء واحد مقبول. وتعطي حالتين مفصلتين.

في الأولى، يقول متحدث جملة تاميلية عامية معناها «يعملون معا»، فيكتبها النظام بالصيغة العامية حيث يكون المرجع بالصيغة الرسمية. فتُعلَّم أربع كلمات من خمس خاطئة، أي WER بنسبة 80 بالمئة، مع أن المنشور يقول إن متحدثا أصليا يسمع تفريغا مثاليا. وفي الثانية، تحوي جملة هندية كلمة «doctor» بحروف إنجليزية في المرجع وبالديفاناغاري في المخرج. فتُعلَّم كلمة واحدة من خمس خاطئة، أي 20 بالمئة، مع أن المعنى مطابق. ويضيف المنشور أن روبوتا مصرفيا يعالج هندية مختلطة، بكلمات دخيلة مثل account وbalance وtransfer، قد يبدو أسوأ بنسبة 15 بالمئة مما هو عليه.

وعلاج Sarvam مجموعة درجات متراكبة. فـLLM-WER يجري المقارنة المعتادة، ثم يسأل نموذجا لغويا هل كل مقطع غير متطابق يعني الشيء نفسه أو يُنطق مثله، ويفترض «مختلف» عند الشك. وتعلّم Intent Score الترجمة بـ1 أو 0 بحسب بقاء معناها الجوهري. وتحصي Entity Preservation Score حصة الأسماء والأرقام والتواريخ التي وصلت، ويوصي المنشور بـ0.95 على الأقل للاستخدامات المصرفية أو الطبية أو الملاحية. وGemini، عبر Vertex AI من Google، هو الحَكَم، ونشرت Sarvam الشيفرة على GitHub. ويقول المنشور نفسه إنه لا يرى في النهج «الكلمة الأخيرة» في تقييم التعرف الآلي على اللغات الهندية.

ويشارك باحثون آخرون القلق. فقد نشرت AI4Bharat، مختبر IIT Madras الذي يقف وراء مجموعتي الاختبار IndicVoices وVistaar، ورقة في مارس 2026 لـICASSP 2026 عن WER المستنير بالإملاء. وتفيد بأن السماح بالتنويعات الإملائية الصحيحة خفّض معدلات الخطأ 6.3 نقطة في المتوسط، وضيّق الفارق بين نظامين من 18.1 إلى 11.5 نقطة.

الاختبارات العامة خلف الأرقام

بُنيت عدة اختبارات مسماة في منشورات Sarvam خارج الشركة. فـVistaar من AI4Bharat، من عام 2023، يجمع 59 معيارا عبر اللغات الهندية والمجالات، وقد ضبط مؤلفوه نماذج Whisper لتصير IndicWhisper، الذي سجل أدنى WER في 39 من الـ59. أما IndicVoices، وهي مجموعة بيانات من عام 2024، فتضم 7,348 ساعة من الكلام من 16,237 متحدثا في 145 مقاطعة عبر اللغات الاثنتين والعشرين كلها، فُرّغت منها 1,639 ساعة حين ظهرت الورقة. وفي Vistaar، يورد منشور Saaras V4 نتائج في عشر لغات بصيغتي WER وLLM-WER، وتظهر الأرقام في رسوم بيانية فقط.

وعلى الجانب الإنجليزي، يقول المنشور إن ست من مجموعات الاختبار السبع مأخوذة كما نُشرت من Open ASR Leaderboard لدى Hugging Face. والسابعة هي Svarah من AI4Bharat للإنجليزية بلكنة هندية، ويتبع التوحيد والتسجيل شيفرة لوحة الصدارة. وتصف ورقة تلك اللوحة مقارنة قابلة للتكرار بين 86 نظاما عبر 12 مجموعة بيانات.

ويقوم رقم المصطلحات المفتاحية على IndicContextEval، من باحثين في AI4Bharat وSarvam AI وقُبل في Interspeech 2026. وفيه 56 ساعة من الكلام من 555 متحدثا بـ8 لغات و23 مجالا مهنيا، اختُبرت بسبعة مستويات من السياق المضاف. وتقول Sarvam إن Saaras V4 يبلغ أدنى WER، 16.03 بالمئة، حين تُقدَّم قائمة مصطلحات مفتاحية بالخط الأصلي. أما الورقة، المقدمة في 17 يونيو، قبل ثلاثة أشهر من الإعلان عن V4، فتختبر Sarvam Audio بدلا منه وتورد 15.70 بالمئة له عند ذلك المستوى، مقابل 17.46 بالمئة لـGemini 3 Flash و26.04 بالمئة لـGPT-4o Transcribe. وهذه نماذج مختلفة، ولا يقول منشور V4 هل استخدمت جولته اللغات الثماني نفسها.

ما لم يُثبَت

حتى 12 نوفمبر 2026 لم يستطع tuput قراءة جدول لكل مجموعة بيانات لـSaaras V4 في نص منشور Sarvam، الذي يعرض مخرجات عينة من ElevenLabs Scribe v2 وDeepgram Nova3 وGPT-4o Transcribe لكنه لا يطبع لها درجات. فالادعاء بنتائج متصدرة في اللغات الاثنتين والعشرين كلها هو ادعاء Sarvam نفسها. وبالنسبة إلى Bulbul V3 أوردت Sarvam دراسة استماع عمياء أجرتها Josh Talks، وتصفها بأنها مستقلة، مع 50 إلى 70 مقيّما لكل لغة، وقد تقدم فيها ElevenLabs v3 alpha في جودة الصوت كامل النطاق. ولا يورد منشور V4 Flash درجة استماع.

وتعلن صفحات Sarvam كذلك وكلاء صوتيين بدءا من 3 روبيات في الدقيقة، مع النماذج. وهذا منتج منفصل عن نماذج الكلام، وتسرد صفحة الأسعار تحويل الكلام إلى نص بـ0.49 روبية في الدقيقة في خطة الدفع حسب الاستخدام.

وSarvam إحدى الفرق الاثني عشر التي اختيرت ضمن مهمة IndiaAI، ويسرد ملحق PIB في 13 فبراير 2026 دعما حاسوبيا قدره 246.72 كرور روبية لها، مع تناول حوسبة المهمة ونماذجها في مقال منفصل. ولا يقول منشورا الكلام إن نماذج الصوت استخدمت حوسبة المهمة. وتقدم Bhashini وAI4Bharat أدوات كلام عامة للغات الاثنتين والعشرين نفسها، وهي اللغات الواردة في الجدول الثامن من الدستور، كما في شرحنا عن اللغات الاثنتين والعشرين.

أما Bulbul V4 Pro، الذي عاينته Sarvam بوصفه نموذجا أكبر يستطيع الضحك والتنهد والهمس، فليس له موعد إصدار ولا سعر معلنان حتى 12 نوفمبر 2026.

Share
Copied!

المصادر وقراءات إضافية

  1. Sarvam AI: Introducing Saaras V4 (25 September 2026)
  2. Sarvam AI: Introducing Bulbul V4 Flash (13 October 2026)
  3. Sarvam AI: Evaluating Indian Language ASR (2 April 2026)
  4. Sarvam AI: Introducing Bulbul V3 (February 2026)
  5. Sarvam API docs: Saaras speech to text model page (read 12 November 2026)
  6. Sarvam API docs: Bulbul text to speech model page (read 12 November 2026)
  7. Sarvam API docs: Text to speech voices and the Bulbul v4 Flash catalogue (read 12 November 2026)
  8. Sarvam AI: API pricing (read 12 November 2026)
  9. Business Standard: Saaras V4, Sarvam AI's new speech model can transcribe 22 Indian languages (25 September 2026)
  10. Analytics India Magazine: Sarvam AI launches Bulbul V4 Flash for real-time speech in 11 Indian languages (14 October 2026)
  11. arXiv: Vistaar, Diverse Benchmarks and Training Sets for Indian Language ASR (Interspeech 2023)
  12. arXiv: IndicVoices, Towards building an Inclusive Multilingual Speech Dataset for Indian Languages (4 March 2024)
  13. arXiv: Towards Orthographically-Informed Evaluation of Speech Recognition Systems for Indian Languages (1 March 2026, ICASSP 2026)
  14. arXiv: IndicContextEval, a Benchmark for Evaluating Context Utilisation in Audio Large Language Models Across 8 Indic Languages (17 June 2026, Interspeech 2026)
  15. arXiv: Open ASR Leaderboard, Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation (revised 30 March 2026)
  16. GitHub: sarvamai/llm_wer, Sarvam's open-source LLM-WER evaluation code
  17. PIB: IndiaAI Mission progress, with Annexure I of support to foundation model builders (13 February 2026)
  18. AI4Bharat, IIT Madras: home page and research areas

أُعِدّ هذا المقال وكُتب بمساعدة أدوات الذكاء الاصطناعي، وحُرِّر للتحقق من دقته. وهو للمعلومة العامة والنقاش فقط، وليس مشورة مهنية. راجع معاييرنا التحريرية وإخلاء المسؤولية. وجدت خطأ؟ أخبرنا.

#sarvam ai#saaras v4#bulbul v4 flash#speech recognition#text to speech#indic languages#word error rate#ai4bharat

أعجبك المقال؟ احصل على التالي.

مقال جيد واحد في كل مرة، يصلك مباشرة إلى بريدك. بلا رسائل مزعجة، ويمكنك إلغاء الاشتراك متى شئت.

المزيد في الذكاء الاصطناعي والتكنولوجيا
تعلن Sarvam نحو 19 في المئة من أخطاء الكلمات عبر 22 لغة هندية وتغطي Meta أكثر من 1,600 لغة، لكن معظم درجات الكلام المنشورة صادرة عن أصحاب النماذج أنفسهم
تحقق عدة أنظمة أقل من 8 في المئة على المكالمات الهاتفية الهندية، بينما تظهر التاميلية والمالايالامية والبهوجبورية فجوات أكبر. هذه هي الدرجات واللغات التي يغطيها كل نموذج وأسباب تعذر وضع الأرقام في جدول ترتيب واحد.
منصة بهاشيني تقدم الصوت بـ22 لغة هندية والنص بـ36 لغة، ومختبر في معهد الهند للتكنولوجيا في مدراس بنى نموذج الترجمة المفتوح للغات الجدول الثامن الاثنتين والعشرين كلها
منصة حكومية ومختبر جامعي يتقاسمان العمل على تعليم الآلات الهندية والتاميلية والسانتالية وبقية اللغات. هذه هي الأرقام والأوراق البحثية وحالات الاستخدام الموثقة، مع تواريخها.
نشر ثمانية باحثين من غوغل ورقة الترانسفورمر في 12 يونيو 2017، وسجّل نموذجها الكبير 28.4 على مقياس BLEU في الترجمة من الإنجليزية إلى الألمانية بعد 3.5 أيام من التدريب على ثماني وحدات GPU
جولة في التصميم الكامن وراء روبوتات الدردشة اليوم، بالاعتماد على جداول الورقة نفسها ومثال غوغل نفسه عن كلمة عليها أن تنظر إلى نهر. وتتناول أيضا ما أبقت عليه النماذج اللاحقة من تصميم 2017 وما غيّرته وما أسقطته.
← كل المقالات