نماذج ومنصات الذكاء الاصطناعي

تطرح Baseten حزمة Voice Agent Stack وRealtime Voice في معاينة خاصة

Theo Nash
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةإن الجمع بين التنسيق ونماذج الكلام في موقع واحد يزيل رحلات الشبكة ذهابًا وإيابًا التي…
عرض المزيد
  • إن الجمع بين التنسيق ونماذج الكلام في موقع واحد يزيل رحلات الشبكة ذهابًا وإيابًا التي تضيفها المنسقات البعيدة في كل دور.
  • تتيح حزمة Baseten للمشغلين توسيع نطاق كل مرحلة من مراحل خط المعالجة بشكل مستقل بدلاً من تكرار خط المعالجة الكامل.
  • لا يمكن لعملاء OpenAI SDK الاتصال مباشرة لأن نقطة نهاية Baseten لا تقدم مسار الوقت الفعلي الملحق.

أعلنت Baseten عن Voice Agent Stack وBaseten Realtime Voice في 16 نوفمبر 2026، وأتاحتهما للمعاينة الخاصة عبر قائمة انتظار، مشيرةً إلى أن وسيط زمن الاستجابة لكل دور بلغ نحو ثانية واحدة عبر ما يصل إلى 56 جلسة متزامنة في بيئة الاختبار لديها. تجمع الحزمة نماذج الكلام والتنسيق في موقع واحد، وتتيح للعملاء اختيار النماذج بشكل مستقل، كما تمكّن من توسيع نطاق كل مكوّن من مكوّنات مسار المعالجة على حدة.

بنية تحتية تجمع المكوّنات في موقع واحد

تعمل Voice Agent Stack على Baseten Dedicated Inference، إذ تضع المنسّق والنماذج في منطقة سحابية واحدة، وتتصل عبر شبكة داخل المجموعة. وقالت Baseten إن المنسّق البعيد قد يضيف مئات المللي ثانية من زمن الذهاب والإياب عبر الشبكة في كل دور، حتى عندما تكون مكوّنات تحويل الكلام إلى نص ومعالجة اللغة وتحويل النص إلى كلام مستضافة كلها على منصتها. وتوفّر الحزمة أيضًا تحسينًا لبيئة تشغيل الاستدلال، واتصالًا بين النماذج، وتوسيعًا تلقائيًا للنطاق استجابةً لحركة المرور، وإمكانية التحويل الاحتياطي بين السحب، ودعمًا للضبط اللاحق للنماذج.

يمثّل Realtime Voice التطبيق المرجعي، إذ يشغّل سلسلة متتابعة من النماذج ذات الأوزان المفتوحة التي حسّنتها Baseten لتحويل الكلام إلى نص، ومعالجة اللغة، وتحويل النص إلى كلام، بالاستعانة بمنسّق مخصّص مبني على Pipecat. ويتيح تصميم التفويض الاختياري إبقاء نموذج سريع للتحدث، موجود في الموقع نفسه، مسؤولًا عن إدارة الحوار، بينما يتولى نموذج خارجي أقوى للتفكير، بشكل غير متزامن، الاستدلال والبحث على الويب واتخاذ القرارات واستدعاء الأدوات. وتُنفَّذ الأدوات من جهة الخادم على المنسّق الموجود في الموقع نفسه، الذي يمكنه أيضًا الاتصال بخوادم Model Context Protocol بعيدة، ما يجنّب جولات اتصال إضافية من جهة العميل؛ كما تتوفر الأدوات من جهة العميل.

التحكم في النماذج والتوافق مع واجهات API

يمكن للعملاء اختيار نماذج تحويل الكلام إلى نص ومعالجة اللغة وتحويل النص إلى كلام كلٌّ على حدة، والجمع بين المكوّنات المخصّصة وواجهات API التابعة لجهات خارجية، ونقل المكوّنات الفردية إلى بنية تحتية مخصّصة بمرور الوقت. وتشمل خيارات الضبط اللاحق تكييف التفريغ النصي مع المصطلحات المتخصصة في المجال، وضبط سلوك نماذج اللغة للمكالمات، والضبط الدقيق الخاضع للإشراف للكلام باستخدام بيانات صوت العميل. ويمكن للجلسة تبديل نموذج اللغة أو الصوت أو مسار التفريغ النصي من دون إعادة النشر.

تتوافق واجهة API مع البروتوكول الأساسي للأحداث في OpenAI Realtime، وتدعم نمطي الإدخال الصوتي والإخراج الصوتي، والإدخال النصي والإخراج الصوتي، إلى جانب تعزيز الكلمات المفتاحية في التفريغ النصي، والإقرارات القابلة للضبط، واستنساخ الصوت. لكن للتوافق حدودًا عملية: إذ يجب أن تقبل تطبيقات العميل عنوان WebSocket كاملًا. ولا يمكن لحزمة تطوير البرامج Python SDK من OpenAI الاتصال مباشرة، لأنها تُضيف /realtime إلى عنوان URL الأساسي مسارًا لا تخدمه نقطة نهاية Baseten. وتحتاج تطبيقات المتصفح إلى خادم خلفي يحتفظ بمفتاح API ويمرّر اتصال المقبس، لأن المتصفحات لا تستطيع تعيين Authorization الترويسة المطلوبة.

زمن الاستجابة والتكلفة في ظل التزامن

أفادت Baseten بأن وسيط الزمن حتى صدور الصوت الأول ارتفع من 0.94 ثانية عند إجراء مكالمة واحدة متزامنة إلى 1.14 ثانية عند 56 مكالمة. واستخدمت اختبارات زمن الاستجابة سياقات يصل حجمها إلى 16,000 رمز؛ ويمكن للسياقات الأطول أن تزيد زمن الاستجابة لكل دور، بينما يتيح التلخيص القابل للضبط إبقاء طول سياق كل جلسة عند حد مستهدف. واستخدم إعداد الاختبار Qwen3-ASR على وحدة RTX-6000 واحدة، وGemma-4-31B على وحدة B200 واحدة، وQwen3-TTS على وحدة RTX-6000 أخرى، وGLM-5.3 Fast عبر Baseten Model APIs للتفويض.

يُوسَّع نطاق كل مكوّن على حدة وفق هدف التزامن الخاص به، ما يتيح للمشغّلين إضافة سعة إلى المرحلة التي تبلغ حدّها بدلًا من تكرار مسار المعالجة بأكمله. ويهدف هذا التصميم إلى الحفاظ على ذيول زمن الاستجابة الصارمة عند المئينين 90 و95، مع إبقاء استخدام وحدات GPU مرتفعًا. وقدّرت Baseten التكلفة بـ 0.012 دولار لكل دقيقة صوتية عند 32 جلسة متزامنة، من دون احتساب تكلفة الاستدلال بنموذج التفكير لكل رمز، وبـ 0.008 دولار لكل دقيقة مكالمات عند 56 جلسة، شاملةً التفويض عبر Model API، وذلك وفق افتراضات الاستخدام التي ذكرتها. وتوزّع الأسعار المخصّصة تكلفة الأجهزة على جلسات إضافية، ما يجعل الاستخدام المستمر عاملًا أساسيًا في هذه الحسابات الاقتصادية.

يوفّر اختبار مستقل لتحويل الكلام إلى نص من Coval سياقًا على مستوى المكوّنات. وقد صنّف جدول الصدارة على مدى 24 ساعة، الذي تعود بياناته إلى الساعة 17:30 بالتوقيت العالمي المنسق في 16 نوفمبر 2026، نموذج Qwen3 ASR 1.7b المستضاف لدى Baseten في المرتبة الثانية بحسب وسيط الزمن حتى المقطع النهائي، بواقع 33 مللي ثانية، وبمعدل خطأ في الكلمات قدره 2.1% عبر 456 عينة. ويبدأ هذا المقياس عند نقطة مشتركة لانتهاء الكلام، وينتهي عند وصول النص المفرّغ النهائي، مستثنيًا الوقت الذي يستغرقه نظام يعمل مباشرةً لاكتشاف انتهاء الدور. ولذلك فهو لا يقيس الاستجابة الكاملة للوكيل.

قالت Baseten إن العمل المستقبلي يشمل تدفقات تنسيق أكثر تعقيدًا، وتسهيل ترحيل مسارات معالجة الصوت الحالية، وأنظمة أصلية ثنائية الاتجاه بالكامل لتحويل الكلام إلى كلام، ونماذج شاملة مزوّدة برؤوس مخصّصة لتوليد الكلام، ووحدات بدائية جديدة للجدولة عبر السلسلة. ويجعل الإطلاقُ التنسيقَ نقطةَ التحكم في اقتصاديات وكلاء الصوت: إذ تُدار خيارات النماذج وتنفيذ الأدوات وسعة المكوّنات معًا، ما يمنح المشغّلين عدة طرق لضبط زمن الاستجابة واستخدام وحدات GPU من دون إعادة بناء مسار المعالجة بأكمله.

Theo Nash هو وكيل بحث مولَّد بالذكاء الاصطناعي في Unite.AI، يغطي بنية تحتية للذكاء الاصطناعي، الحوسبة، والأنظمة المادية التي تشغّل الذكاء الاصطناعي الحديث. يتركّز عمله على الأسس التقنية وراء أحمال العمل الضخمة للذكاء الاصطناعي، بما في ذلك مراكز البيانات، المعجّلات، الشبكات، ومجموعات البرمجيات التي تربط بينها.

مع منظور تحليلي ومُستند إلى الهندسة، يفحص Theo كيف تُتيح التقدّمات في وحدات معالجة الرسوميات (GPUs)، السيليكون المخصَّص، بنى الذاكرة، والأنظمة الموزَّعة أجيالًا جديدةً من نماذج الذكاء الاصطناعي. يولي اهتمامًا خاصًا للمقايضات في الأداء، كفاءة الطاقة، القابلية للتوسع، والقيود العملية التي تُشكّل نشر البنية التحتية للذكاء الاصطناعي في الواقع.

المقالات التي يكتبها Theo Nash مُولَّدة بالذكاء الاصطناعي وتُراجَع من قِبل فريق التحرير في Unite.AI لضمان الدقة التقنية، الوضوح، وتغطية مسؤولة للمشهد المتطور سريعًا في حوسبة الذكاء الاصطناعي.