نصف ثانية خلف الصوت
Translator نسختنا التجريبية بمستوى MVP للترجمة الحيّة للكلام بالذكاء الاصطناعي بين خمس لغات. على معالج حاسوب مكتبي من عام 2012، ومن دون معالج رسومي، تظهر الكلمة الإنجليزية على الشاشة بعد 573 مللي ثانية في المتوسط من النطق بها، ويخطئ Translator في نحو كلمة واحدة من كل سبع كلمات يتعرّف عليها.
في عام 2025 قاس IWSLT، وهو المؤتمر البحثي الذي تُقيَّم فيه أنظمة الترجمة الحيّة للكلام، تأخّر مترجم فوري محترف بساعة التوقيت نفسها التي يستخدمها للآلات: شخص واحد، يعمل منفردًا، ومن الصوت وحده. وفي الترجمة من التشيكية إلى الإنجليزية جاء المحترف بهذا المقياس متأخرًا عن المتحدث بمقدار 4.16 ثانية، مقابل 1.51 ثانية لنظام بحثي على المادة نفسها. ومع ذلك أعطى المقيّمون البشر المحترفَ تقييمًا أعلى.
أما Translator، نسختنا التجريبية، فيضع الكلمة الإنجليزية المنطوقة على الشاشة بعد 573 مللي ثانية من النطق بها، وتشملها الترجمة الفرنسية بعد 607 مللي ثانية. وهذان متوسطان محسوبان على 99 جملة مسجَّلة، على معالج حاسوب مكتبي من عام 2012 (Intel Core i7-3770، بأربع أنوية وذاكرة 8 GB)، ومن دون استخدام أي معالج رسومي (GPU).
المترجم الفوري يُنتج كلامًا ويتدبّر أمره في محادثة حقيقية. أما أرقامنا فهي لنص على شاشة، قيست على جمل مسجَّلة قُرئت بصوت مسموع، ويخطئ النظام في نحو كلمة واحدة من كل سبع كلمات يتعرّف عليها. Translator نسخة تجريبية بمستوى MVP، متاحة للعموم منذ 15 نوفمبر 2026 على translate.albadr.ai، بحصص استخدام محدودة.
ما هو Translator
Translator صفحة ويب. يختار المستخدم اللغة التي يتحدثها واللغة التي يريد أن يقرأ بها، ويضغط «ابدأ» ويتكلم، فتظهر كلماته وترجمتها نصًّا وهو ما زال يتكلم. ويعمل في أيٍّ من 20 اتجاهًا بين الإنجليزية والفرنسية والروسية والعربية والصينية، وهي خمس من اللغات الرسمية الست للأمم المتحدة (والسادسة هي الإسبانية). والناتج نص على شاشة، لا صوت اصطناعي.
العمل كله يؤديه الذكاء الاصطناعي: تعرّف عصبي على الكلام وترجمة عصبية، بعدة نماذج تعمل معًا لكل زوج من اللغات، وفي الزمن الحقيقي. ولا يحتاج أيٌّ منها إلى معالج رسومي. النماذج نفسها تعمل على معالج عادي في خادم صغير، وداخل علامة تبويب في المتصفح على جهاز الزائر نفسه. تقول الصفحة تحت اسمها: «حلّ ذكاء اصطناعي بالكامل من albadr.ai»، وإحدى البطاقات على شاشتها الأولى تفصّل معنى ذلك: «لا أحد يستمع أو يكتب أو يترجم. وكأي ذكاء اصطناعي، قد يخطئ في كلمة.» ونستطيع أن نقرن هذه الجملة الأخيرة برقم. يخطئ Translator في نحو كلمة واحدة من كل سبع كلمات يتعرّف عليها في جمل مقروءة بأصوات متحدثين كثيرين، ويخطئ أكثر مع اللكنات القوية أو الضجيج أو حين يتكلم شخصان في وقت واحد.
ولأنه نسخة تجريبية فاستخدامه مقنَّن. لكل عنوان شبكة أربع ساعات في اليوم حين تعمل المحرّكات على جهاز الزائر نفسه، وعشرون دقيقة في اليوم عبر خادمنا، وتنتهي الجلسة بعد 90 ثانية بلا صوت. ولا توجد حتى الآن حسابات ولا دفع ولا سعر ولا واجهة لأنظمة العملاء.
حيث يغيب المترجم الفوري
أفادت لجنة في مجلس اللوردات بأن 8,958 طلبًا لمترجمين فوريين لم تُلبَّ في محاكم إنجلترا وويلز بين يناير وسبتمبر 2024. وحيث يوجد مترجم، فلليوم ثمنه. المحاكم الفيدرالية في الولايات المتحدة تدفع للمترجم المتعاقد الحاصل على اعتماد فيدرالي 617 دولارًا عن اليوم الكامل، وفي الترجمة الفورية المتزامنة يعمل المترجمون عادة في فرق من اثنين ويتناوبون كل 20 إلى 30 دقيقة، كما يقول فرع سويسرا في AIIC، رابطتهم الدولية.
نستشهد بالمحاكم لأنها تُحصي. وهي آخر مكان يصلح لنسخة تجريبية بهذه النسبة من الخطأ. الحاجة التي نقصدها أخفّ عواقبَ، ونظنها أوسع انتشارًا بكثير. ففي تعداد 2021 في إنجلترا وويلز، كان 880,000 من السكان لا يجيدون التحدث بالإنجليزية و161,000 لا يتحدثونها إطلاقًا، أيًّا كانت لغتهم. بعض هؤلاء يشرح عند مكتب استقبال ما جاء من أجله، أو يجلس في صالة الاستقبال بعيادة في يوم لم يُحجز فيه مترجم. والأمر نفسه في محاضرة، أو اجتماع عام في البلدية، أو جولة مع مرشد، أو خطبة، أو على خط دعم هاتفي: شخص واحد يتكلم، وعلى الآخرين أن يتابعوا، وما كان أحد ليدفع أجر فريق من مترجمَين فوريَّين. هذه مقترحاتنا. ولم يُشغَّل شيء فعليًا في أي منها.
أما مقدار التأخير الذي يحتمله الناس فلا نملك فيه إلا أن ننقل عن غيرنا. الناس في المحادثة يجيبون سريعًا: ففي تسجيلات لأحاديث غير رسمية بعشر لغات، بدأ الجواب عن سؤال يُجاب عنه بنعم أو لا بعد 208 مللي ثانية في المتوسط من انتهاء السؤال، وإذا سبقت الردَّ وقفةٌ تبلغ 600 مللي ثانية أو أكثر توقّع السامعون جوابًا لا يسرّهم، بحسب مراجعة لأبحاث تبادل الأدوار في الحديث. وعن الصوت المترجَم، قال فريق Meet في Google إن السلاسل السابقة، المؤلفة من تحويل الكلام إلى نص ثم الترجمة ثم توليد الكلام، كانت تتأخر في الغالب من 10 إلى 20 ثانية، وإن «ثانيتين إلى ثلاث ثوانٍ كانت أشبه بالنقطة المثلى». وهذا كلام مدير منتج نقلته مدونة الشركة، عن صوت، ومن دون ذكر أي منهجية. ونحن لم ندرس قرّاء صفحتنا، ولا ندّعي شيئًا عن الفهم عند تأخير نصف ثانية.
تصميم واحد يعمل في مكانين
الصفحة تلتقط صوت الميكروفون وترسم النص. وهي وملفات المحرّكات ملفات عادية، تُقدَّم من دون تشغيل أي برنامج. وبرنامج صغير على طرف الشبكة (edge) يجيب عن أسئلة الصفحة ويقبل الجلسات، وخدمة تضبط ميزانية الاستخدام. أما المحرّكات، أي النماذج العصبية التي تتعرّف على الكلام وتترجمه، فهي الجزء الثقيل الوحيد، ويمكن أن تعمل في مكانين.
الأول جهاز الزائر نفسه. تُنزَّل المحرّكات مرة واحدة (218 MB للترجمة من الإنجليزية إلى الفرنسية، ومن 213 إلى 451 MB للأزواج الأخرى) وتعمل في المتصفح. في هذا الوضع لا يغادر الصوت المتصفح إطلاقًا، وهذا مهم لأن الصوت يقول أكثر من كلماته: فهيئة حماية البيانات الفرنسية CNIL تذكر العمر والجنس والحالة الصحية أو الانفعالية والهوية ضمن ما يكشفه. والذي ينتقل إلى خدمتنا نص وأرقام، ومن ذلك الكلمات التي تعرّف عليها المحرّك وترجمتُها. تعالجها الخدمة في الذاكرة ولا تخزّن شيئًا منها. وما تحتفظ به هو دفتر حساب للوقت المستخدَم وملاحظات عن أعطالها هي، وتدوين السجلات فيها معطَّل. هذا الوضع يحتاج إلى التنزيل، وسرعته من سرعة الجهاز لا أكثر. كل جهاز يقيس سرعته قبل التنزيل الكبير ويُبلَّغ إن تبيّن أنه لن يواكب، ومتصفح قديم على جهاز لوحي لا يستطيع تشغيل المحرّكات يُحال إلى الخادم.
والثاني حاوية صغيرة مواصفاتها 2 من المعالجات و3.5 GiB من الذاكرة. يُبَثّ الصوت إليها ولا يوجد إلا في الذاكرة. لا يُكتب أي صوت على القرص ولا في السجلات. تنام الحاوية حين لا يستخدمها أحد، وأول زائر بعد نومها يدفع ثمن ذلك: على الموقع الفعلي، حين تبدأ الحاوية من النوم يُفتح الاتصال في نحو ثانية، وتكون النماذج محمَّلة بعد سبع ثوانٍ. والزائر الذي وُعد بأن يبقى صوت الميكروفون على الجهاز يُسأل قبل أن يذهب أي صوت إلى الخادم.
الاستغناء عن المعالج الرسومي هو ما يُدخل الخادم في حاوية بهذا الحجم، ويُدخل جانب الجهاز في علامة تبويب في المتصفح. والثمن أن النماذج التي تصغر حتى يكفيها معالج عادي تسمع كما تسمع النماذج الصغيرة.
والصفحة تخبر عن نفسها أيضًا. كل رسالة من النص الحيّ تحمل اللحظة التي نُطقت فيها أحدث كلماتها، بتوقيت ساعة الصفحة نفسها، ولذلك فالتأخير الذي تعرضه هو التأخير الذي عاشه ذلك المستخدم، بما فيه زمن النقل. والنص الذي قد يتغير بعدُ يُرسم بلون أفتح وتحته خط منقَّط. كان الخيار بين أن نُظهر الكلمات مبكرًا وألّا نسحب كلمة أبدًا. ونحن نُظهرها مبكرًا ونضع علامة على كل تغيير.
النسخة التجريبية العامة كلها مصمَّمة لتبقى ضمن خطة استضافة واحدة بسعر 5 دولارات أمريكية في الشهر، تحت ميزانية تفرضها الخدمة. يُحتسب الزائر تحت اسم هو تجزئة مملَّحة (salted hash) لعنوان الشبكة. وحين تُستنفد حصة تقول الصفحة ذلك، وتقول متى تُجدي العودة. بدا لنا أن ردّ الزائر حتى موعد معلَن خير من فاتورة لم تكن في الحسبان.
ما الذي قسناه
أرقام الجدول مأخوذة من قسم الاختبار في FLEURS، وهي مجموعة عامة من الجمل المقروءة، ولم يُضبط على هذا القسم أي إعداد. العمود الإنجليزي تشغيل واحد، في 11 نوفمبر. والعمود الفرنسي هو الأخير من ستة تشغيلات أُجريت من 11 إلى 14 نوفمبر والنماذج الفرنسية ما زالت تُغيَّر، وتراوحت نسبة الكلمات الخاطئة فيه بين 13.3% و15.4% خلال ذلك، ولذلك فهو أقل نقاءً من الرقم الإنجليزي بوصفه رقمًا على تسجيلات لم يُضبط عليها شيء. وقد شُغِّلت التسجيلات كلها على النظام الحقيقي بسرعة الكلام، على معالج الحاسوب المكتبي من عام 2012، والمحرّكات على الجهاز نفسه ولا شبكة بينهما.
| من الإنجليزية إلى الفرنسية | من الفرنسية إلى الإنجليزية | |
|---|---|---|
| التسجيلات | 99 | 100 |
| زمن ظهور الكلمة المنطوقة على الشاشة، المتوسط (المئين 95) | 573 ms (715) | 532 ms (683) |
| زمن زوال علامة «مؤقتة» عن تلك الكلمة، المتوسط (المئين 95) | 836 ms (1126) | 791 ms (1085) |
| زمن شمول الترجمة لها، المتوسط (المئين 95) | 607 ms (755) | 574 ms (740) |
| زمن اكتمال الترجمة على الشاشة بعد توقّف الصوت، الوسيط (المئين 95) | 470 ms (684) | 410 ms (661) |
| نسبة الكلمات الخاطئة في النص بصيغته النهائية | 14.10% | 13.63% |
| الترجمة بصيغتها النهائية، BLEU وchrF | 36.18 و63.39 | 31.86 و61.15 |
| كلمات الترجمة المستقرة التي استُبدلت عند إعلان الجملة نهائية | 0.88% | 0.33% |
اقرأ الصف الثاني مع الثالث. فعبارة «على الشاشة» تشمل النص الذي ما زال معلَّمًا بأنه مؤقت، والصف الثالث يقول متى تزول العلامة. والحساب هو الجزء الصغير: خطوة واحدة من التعرّف وترجمة واحدة تستغرقان معًا أقل من 0.1 s في المتوسط على ذلك المعالج. ومعظم نصف الثانية مردّه أن محرّك التعرّف يحتاج إلى سماع ما يلي الكلمة قبل أن يستطيع كتابتها.
أرقام الخطأ والترجمة هي للنص بصيغته النهائية، بعد أي مراجعة. في الفرنسية تصل المراجعة بعد 888 ms في المتوسط من توقّف الصوت (المئين 95: 1,571 ms)، وحتى ذلك الحين تكون نحو كلمة فرنسية واحدة من كل خمس خاطئة. وعلى 115 تسجيلًا عربيًا لم يُضبط عليها أي إعداد، بلغت نسبة الكلمات الخاطئة في النص بصيغته النهائية على الخادم 6.9%. والصف الأخير لا يعدّ إلا الاستبدالات عند إعلان الجملة نهائية. أما والجملة ما زالت مفتوحة، فيتغير ما بين 16 و20% من كلمات الترجمة المستقرة، والصفحة تضع علامة على كل تغيير.
وقيست سبعة اتجاهات أخرى على تسجيلات التطوير فقط، وهي التي ضُبطت عليها إعداداتنا، من 19 إلى 60 تسجيلًا لكل اتجاه. في تلك التشغيلات تظهر الكلمة على الشاشة بعد 539 إلى 612 ms. ومع محاكاة رحلة ذهاب وعودة على الشبكة مدتها 60 ms، كان رقم الترجمة من الإنجليزية إلى الفرنسية 669 ms عبر الخادم (42 تسجيلًا من تسجيلات التطوير).
وضع الجهاز أبطأ على الحاسوب نفسه: حين تقوم نسخ المحرّكات المبنية للمتصفح مقام الجهاز، ومع الشبكة المحاكاة نفسها، يكون الزمن من 644 إلى 840 ms في الاتجاهات الـ20 (من 17 إلى 20 تسجيلًا من تسجيلات التطوير لكل اتجاه). وفي الإنجليزية صمدت الدقة في المتصفح. ففي تجربة إثبات على حاسوب واحد ومتصفح واحد، بلغت نسبة الكلمات الخاطئة لمحرّك التعرّف الإنجليزي 11.64% في علامة تبويب مقابل 11.48% في التشغيل الأصلي (native)، على 60 تسجيلًا من تسجيلات الاختبار التي لم يُضبط عليها أي إعداد (46 من النصوص الـ60 كانت متطابقة)، ونموذج الترجمة، حين أُعطي الجمل الـ60 نفسها، أعاد ترجمات الخادم نفسها. أما العربية فمختلفة: على بديل الجهاز (من 17 إلى 20 تسجيلًا من تسجيلات التطوير لكل اتجاه) تبلغ نسبة الكلمات الخاطئة من 11.6 إلى 13.1% مقابل 5.9 إلى 7.2% على الخادم، إلى أن يفعّل الزائر خيارًا ينزّل 174 MB إضافية.
لم نقِس الكلام العفوي، ولا الضجيج، ولا اللكنات القوية، ولا كلام شخصين في وقت واحد، ولا الهواتف، ولا الشبكات الحقيقية، ولا سرعة الحاوية المستضافة. وليس للروسية والعربية والصينية أرقام تأخير على تسجيلات الاختبار. ولم يقيّم الترجماتِ أيُّ إنسان.
ما الذي تطرحه الصناعة وبأي سعر
الشركات الكبرى تطرح اليوم الترجمة الحيّة للكلام، وكل منها بلغات أكثر من لغاتنا الخمس. Google Meet يترجم الكلام بين أي تركيبة من 63 لغة في الخطط المؤهَّلة، وصفحة المساعدة فيه تقول إن الترجمات «ستتأخر بضع ثوانٍ». وميزة Live Translation من Apple مع AirPods تُجري المعالجة كلها على iPhone، وتحتاج إلى iPhone 15 Pro أو أحدث، وليست الروسية ولا العربية في قائمتها. وميزة Interpreter من Microsoft في Teams ترسل صوت الاجتماع إلى السحابة. ولا تذكر صفحة Apple ولا صفحة Microsoft تأخيرًا بالثواني.
أما البحث العلمي فينشر أكثر. في تقييم IWSLT فئة للتأخير المنخفض من 0 إلى 2 ثانية وفئة للتأخير المرتفع من 2 إلى 4، بمقياس لا يحتسب زمن الحساب، ويتوقع التقييم أن تعمل الأنظمة المقدَّمة على معالج رسومي واحد من نوع NVIDIA H100 بذاكرة 80 GB. وتقرير نتائجه لعام 2026 يقدّر زمن الحساب بنحو 0.3 ثانية إضافية حيث أمكن قياسه. ولا شيء من هذا مقارنة بين متماثلَين. فتلك الأنظمة تُختبر على مادة أخرى وبمقاييس أخرى. ونحن لا نضع جدول ترتيب. كل ما ندّعيه أن تأخيرًا بهذا المقدار لم يحتج إلى معالج رسومي.
في 17 نوفمبر 2026 كانت Azure من Microsoft تعرض ترجمة الكلام في الزمن الحقيقي بسعر 2.50 دولار لكل ساعة صوت. وهذا سعر لعميل، وليس عندنا سعر نضعه إلى جانبه. الذي عندنا كلفة استضافة. فبحسب محاكاة أجريناها نحن، لا بحسب حركة زوار فعلية، تتّسع خطة الـ5 دولارات لنحو 470 ساعة من الجلسات شهريًا على أجهزة الزوار و10.3 ساعات على الخادم. ولم يكن أحد قد زار الموقع حين حُسبت هذه الأرقام، ولم نرَ أي فاتورة. ورقم الأجهزة كبير لأن الحساب يجري على معالج الزائر: فجلسة الجهاز لا تكلّف المستضيف إلا بضع رسائل قصيرة في الثانية ما دام أحد يتكلم، ولا شيء في الصمت.
كيف يمكن أن يربطه العميل، وأين عمل حتى الآن
النسخة التجريبية اليوم مغلقة عن قصد. لا يمكن تضمين الصفحة في موقع آخر، والاستدعاءات الآتية من مواقع أخرى تُرفض. وعند الطلب نستطيع أن نتيح للعميل الاتصال الذي تقوم عليه الصفحة. وهو اتصال بثّ واحد بمفردات قليلة: إطارات الصوت تصعد، والأحداث تنزل (جاهز، نص حيّ، نص نهائي، نص مراجَع). وعلى شاشة العميل أن تفعل بهذه الأحداث ما تفعله صفحتنا: أن تعرض النص الحيّ بوصفه نصًّا قد يتغير بعد، ثم النص النهائي، ثم المراجعة إن وصلت. جانب الخادم يعمل عمليةً واحدة أو صورةَ حاوية (container image)، على معالج ولا شيء غيره. ووضع الجهاز موجود للعملاء الذين يريدون ألا يغادر الصوت جهاز المستخدم أبدًا. وروابط الدعوة تحمل دقائقها الخاصة، خارج الحصص العامة.
وما بقي يُبنى مع العميل، ونذكره على أنه عمل مطلوب لأنه لا يوجد شيء منه: المفاتيح وقياس الاستخدام لكل عميل، والإذن بالتضمين، وموصِّلات (connectors) إلى أنظمة العميل للاجتماعات أو الاتصالات الهاتفية أو الفعاليات، ولغات أخرى، ومخرجات تتجاوز النص على صفحة.
في 11 نوفمبر 2026 أجرينا أولى القياسات، والمنتَج كله عملية واحدة على حاسوب مكتبي. وبعد يوم أُثبت عمل المحرّكات نفسها في علامة تبويب في المتصفح، وعملت النسخة الطرفية محليًا. وبحلول 13 نوفمبر كانت الاتجاهات الـ20 كلها تعمل بنسخ المحرّكات المبنية للمتصفح على ذلك الحاسوب، وستة منها في علامة تبويب حقيقية في المتصفح. ثم جاء الإطلاق العام في 15 نوفمبر، على منصة طرفية (edge) ومعها حاوية، واللغات الخمس كلها على الخادم في مساء اليوم نفسه. أي أنه عمل بين 11 و15 نوفمبر عمليةً واحدة على حاسوب، وفي علامة تبويب في المتصفح، وفي بيئة تشغيل طرفية، وفي حاوية Linux. وأي خادم جديد عليه أن يوفّر معالجًا ومتّسعًا لعملية واحدة أو حاوية واحدة. وليس لدينا تشغيل موثَّق على سحابة أخرى، ولا أرقام من الهواتف. وتُفحص التغييرات على سبعة سجلات تتبّع مرجعية (5,496 حدثًا) يجب أن تخرج مطابقة بايتًا ببايت، إلى جانب أكثر من 270 اختبارًا آليًا.
ما الذي لا تستطيعه النسخة التجريبية بعد
Translator نسخة تجريبية بمستوى MVP. يخطئ في نحو كلمة واحدة من كل سبع كلمات يتعرّف عليها في الجمل المقروءة، وليست لدينا أرقام للكلام العفوي ولا للضجيج ولا للّكنات ولا للهواتف، ولا للتأخير على شبكة حقيقية. اختُبر بمتحدث واحد وميكروفون واحد، ولا يعالج تداخل كلام المتحدثين. فيه خمس لغات وحصص، ولا سعر له. ووضع الجهاز يبدأ بتنزيل من 213 إلى 451 MB، والمتصفح القديم على جهاز لوحي يُحال إلى الخادم. والواجهة موجودة باللغات الخمس كلها، في ترجمات لم يقرأها بعدُ أبناء هذه اللغات. وأرقام السعة مصدرها محاكاة.
النسخة التجريبية على translate.albadr.ai. قل جملة، ثم افتح لوحة «الإعدادات» واقرأ التأخير الذي قاسته الصفحة لك. وإذا كانت عندك قاعة يتكلم فيها شخص واحد وعلى الآخرين أن يتابعوا، أو نظام ينبغي ربط Translator به، فاكتب إلى contact@albadr.ai.