كم يكلّف الإملاء على Mac قبل التعرّف على أي كلمة

الكلفة الثابتة التي يدفعها الطلب السحابي قبل أن ينتقل أي صوت

قِيست على Apple M1 Pro، macOS 26.5.1 الإصدار 25F80، عبر شبكة Wi-Fi منزلية بتاريخ 2026-08-29. اثنتا عشرة محاولة لكل نقطة نهاية. لم يُرسل أي مفتاح API ولا أي صوت، لذا فالاستجابة المقيسة هي رفض بلا مصادقة: رحلة ذهاب وإياب حقيقية عبر حافة المزوّد دون أي استدلال. سكربت إعادة الإنتاج bench/connsetup.py --profile wifi --repeat 12، والعينات الخام في bench/results/03-connection-setup-20260829T065129Z.json.

الجهاز نفسه، والاتصال نفسه، والدقيقة نفسها، ومع ذلك تختلف الكلفة الثابتة بمعامل 17 بين مزوّدين جيدّي التشغيل. Deepgram ليست خدمة بطيئة؛ فزمن اتصال TCP الوسيط البالغ 252.9 ms يدل على أن نقطة الحضور بعيدة نسبيًا عن هذا الجهاز. وتلازم الرقمَ تحفّظاته: كانت ذاكرة DNS المؤقتة في macOS دافئة بعد الطلب الأول، وهذا جهاز واحد على اتصال واحد في لحظة واحدة، والطلب الحقيقي يرفع الصوت أيضًا وينتظر النموذج فوق هذا الحد الأدنى.

كم تزن ثلاثون دقيقة من الإملاء

بايتات قِيست بترميز صوت حقيقي. سكربت إعادة الإنتاج bench/payloadsize.py، والعينات الخام في bench/results/05-payload-size-20260829T070405Z.json. على محرّك التعرّف السحابي أن يستقبل أحد الأعمدة الثلاثة الأولى. أما المحرّك الذي يعمل على الجهاز فلا يستقبل أيًّا منها.

تحفّظ يغيّر صفوف الضغط مع الفقد: رمّز هذا التشغيل مجموعة say الاصطناعية لا كلامًا بشريًا، وصيغتا Opus وAAC بمعدّل بتات متغيّر، فتتغيّر أحجامها بحسب المحتوى. أما صفوف WAV فلا تتأثر.

ما الذي يستقبله محرّك التعرّف فعلًا

يتوقع النموذج المشتق من Whisper كلامًا أحادي القناة بتردد 16 kHz ضمن نطاق ضيق نسبيًا من مستوى الصوت. أما ميكروفون MacBook فيعطي صوتًا بتردد 48 kHz بالمستوى الذي نتج عن الغرفة ومكان جلوسك، وتحته طرقات المكتب ودمدمة المبنى. وتسدّ سلسلة المعالجة المسبقة هذه الفجوة. كل مرحلة تصحّح عيبًا محددًا، والمراحل مرتّبة لأن اللاحقة تعتمد على أن السابقة قد عملت.

المراحل، والعيب الذي تصحّحه كل مرحلة

• كشف النشاط الصوتي Silero: بوابة كلام متدفقة تحدّد جُزر الكلام، فلا يصل الصمت ولا ضجيج الخلفية الثابت إلى فك الترميز، ولا يُطلب من محرّك التعرّف أن يكتب صوت مروحة.
• الترشيح بمرشّح تمرير عالٍ: يزيل مرشّح تمرير عالٍ عند 50 Hz طرقات المكتب وخطوات الأقدام ودمدمة المبنى، وهي أصوات تقع تحت نطاق الكلام وتستهلك الهامش الديناميكي.
• تسوية الجهارة: تصحّح التسوية بالترجيح K اختلاف المسافة عن الميكروفون وتقلّب مستوى الصوت عندما تتراجع إلى الخلف في منتصف الجملة. يعتمد الهدف على المسار: ‏−14 LUFS لتفريغ الملفات، و−16 LUFS افتراضيًا للإملاء المباشر، و−18 LUFS في البنية المباشرة البديلة.
• إعادة أخذ العينات المحدودة النطاق: من 48 kHz إلى 16 kHz عبر مرشّح تمرير منخفض، فلا يمكن للمحتوى الأعلى من 8 kHz أن ينطوي عائدًا إلى نطاق الكلام على هيئة تداخل طيفي لم ينتجه المتحدث.
• لا طبقة موجّهات تصحيحية: لا نُجري تنظيفًا مفرطًا بنموذج لغوي كبير على النص المفرَّغ. فهو يجعل المخرجات تبدو واثقة بينما تنحرف عمّا قيل فعلًا، وهذا أسوأ أنواع إخفاق الدقة لأنه غير مرئي.

ما لا تصلحه أي مرحلة في هذه السلسلة

• ميكروفون سيئ: المعالجة المسبقة تعيد ضبط مستوى ما هو موجود وترشّحه. ولا تستطيع استعادة طاقة كلام لم يلتقطها التسجيل أصلًا.
• كلام متزامن من شخص آخر: البوابة تكشف الكلام. وحديث شخص آخر كلام أيضًا، فيمرّ.
• أسماء علم لم يرها النموذج من قبل: المفردات المخصصة تساعد، لكن اسم عائلة غير شائع أو اسم رمزي داخلي سيخرج خاطئًا أحيانًا مع ذلك.
• خطأ في اختيار الفئة: لا يحلّ أي تطبيق إملاء محل التحكم بالصوت عندما تكون الحاجة الفعلية هي التحكم في macOS دون استخدام اليدين.

أين توجد التفاصيل الهندسية

• إعادة أخذ العينات المحدودة النطاق من 48 إلى 16 kHz، بما في ذلك كيف يبدو التداخل الطيفي حين يغيب المرشّح.
• مسار المعالجة على الجهاز خطوة بخطوة، من بوابة الكلام إلى الاستدلال المعتمد على Metal.