عند 6 kbps، سجّل المرمّز العصبي EnCodec من Meta نتيجة 83.1 على مقياس الاستماع MUSHRA للكلام النظيف، بينما سجّل Opus عند 6 kbps نفسها 30.1 وسجّل الأصل المخفي 95.5 (Meta AI، ورقة EnCodec البحثية، TMLR 2023). هذه الفجوة هي قصة الترميز الصوتي العصبي كاملة في صف واحد: البتات نفسها، ونتيجة أعلى بـ 53 نقطة (83.1 ناقص 30.1). فقد طابق SoundStream من Google عند 3 kbps جودة احتاج EVS إلى ما لا يقل عن 9.6 kbps لبلوغها واحتاج Opus إلى ما لا يقل عن 12 kbps (Google، ورقة SoundStream البحثية 2021)، وتدفع المرمّزات البحثية اليوم الكلام القابل للاستخدام إلى ما دون 1 kbps، حتى 0.16 kbps (Della Libera وآخرون، FocalCodec، NeurIPS 2025). وترد المرمّزات التقليدية بإضافات عصبية خاصة بها: فقد جعل Opus 1.5 الكلام «قابلا للاستخدام تماما حتى 6 kb/s» بفضل محسِّن بتعقيد 400 MFLOPS (Xiph.Org، إصدار Opus 1.5 لعام 2024)، وهذا يهم كل من يضبط جودة المكالمات إلى جانب مخازن الارتجاف المؤقتة ودرجات POLQA. وقد جمعنا بيانات من Google وMeta AI وDescript وKyutai وXiph.Org وIETF و3GPP وITU، ومن اختبارات مرجعية محكّمة مثل Codec-SUPERB وDASB وWavTokenizer وTAAE وFocalCodec.
أبرز النقاط
- سجّل EnCodec عند 6 kbps نتيجة MUSHRA بلغت 83.1 على كلام نظيف مقابل 30.1 لـ Opus عند 6 kbps (Meta AI، ورقة EnCodec البحثية 2023).
- طابق SoundStream عند 3 kbps جودة احتاجت إلى ما لا يقل عن 9.6 kbps لدى EVS و12 kbps لدى Opus (Google، ورقة SoundStream البحثية 2021).
- قُيّم Lyra V2 عند 3.2 kbps بمستوى Opus عند 10 kbps في اختبارات MUSHRA (Google Open Source Blog، Lyra V2 2022).
- يضغط Descript Audio Codec الصوت بتردد 44.1 kHz بنحو 90 ضعفا إلى رموز عند 8 kbps (Descript، ورقة DAC البحثية، NeurIPS 2023).
- بلغ FocalCodec عند 0.16 kbps قيمة UTMOS تساوي 4.22 مقابل 4.09 للمرجع غير المضغوط (Della Libera وآخرون، NeurIPS 2025).
- حقق مرمّز TAAE قيمة PESQ تبلغ 2.96 عند 400 bps، قريبة من 3.01 لـ Mimi عند 1,100 bps (Parker وآخرون، ICLR 2025).
- تعلّم VALL-E تحويل النص إلى كلام بلا أمثلة سابقة (zero-shot) من 60K ساعة من الكلام الإنجليزي المرمّز في صورة رموز مرمّز عصبي، ولم يحتج إلا إلى مقطع صوتي إرشادي مدته 3 ثوان (Microsoft، ورقة VALL-E البحثية 2023).
- تفوق محسِّن NoLACE في Opus 1.5 عند 9 kb/s على Opus غير المحسَّن عند 12 kb/s، بكلفة نحو 0.75% من المعالج (Xiph.Org، إصدار Opus 1.5 لعام 2024).
- يرمّز Mimi من Kyutai الكلام عند 12.5 Hz و1.1 kbps، ما أتاح نموذج حوار بتأخير عملي قدره 200 ms (Kyutai، ورقة Moshi البحثية 2024).
- رفع EnCodec عند 1.5 kbps معدل أخطاء الكلمات في التعرف التلقائي على الكلام (ASR) أكثر من ثلاثة أضعاف، من 2.96% إلى 9.21% (Wu وآخرون، Codec-SUPERB 2024).
1. البتات اللازمة لمضاهاة المرمّزات التقليدية في اختبارات الاستماع
لم تكن النتيجة الرئيسية للجيل الأول من المرمّزات العصبية «صوتا أفضل»، بل «الصوت نفسه بجزء صغير من البتات». بلغ SoundStream عند 3 kbps مستوى جودة احتاج EVS إلى ما لا يقل عن 9.6 kbps ويحتاج Opus إلى ما لا يقل عن 12 kbps لمضاهاته، أي 3.2 و4 أضعاف عدد البتات (9.6 / 3 = 3.2؛ 12 / 3 = 4) (Google، ورقة SoundStream البحثية). وتضيق هذه الميزة كلما كبرت ميزانية البتات: ففي معدلات البت المتوسطة والعالية احتاجت المرمّزات التقليدية إلى 2.2 إلى 2.6 ضعف ثم إلى 1.3 إلى 1.6 ضعف فقط من البتات الإضافية.
يعرَّف MUSHRA، وهو اختبار الاستماع المستخدم في معظم هذه الأوراق، في التوصية ITU-R BS.1534-3: إذ يقيّم المستمعون عدة نسخ مرمّزة من المقطع نفسه جنبا إلى جنب مع نسخة مخفية من الأصل، ولذلك يُقرأ أفضل ما تُقرأ نتيجة المرمّز قياسا إلى ما سجله الأصل المخفي في الاختبار نفسه. والنمط ثابت عبر الشركات: كلما انخفض معدل البت اتسع تقدم المرمّزات العصبية، ويعود ذلك جزئيا إلى أن Opus عند 6 kbps يتراجع إلى صوت ضيق النطاق.
| المقياس | القيمة | المصدر |
|---|---|---|
| معدل بت Opus وEVS اللازم لمضاهاة SoundStream عند 3 kbps | Opus ما لا يقل عن 12 kbps، وEVS ما لا يقل عن 9.6 kbps | Google، ورقة SoundStream البحثية (arXiv 2021) |
| البتات الإضافية التي يحتاجها EVS وOpus لمضاهاة SoundStream عند معدل بت متوسط (6 kbps) | من 2.2 إلى 2.6 ضعف إضافي | Google، ورقة SoundStream البحثية (arXiv 2021) |
| معدل بت Opus المقيَّم بمستوى Lyra V2 عند 3.2 و6 و9.2 kbps (MUSHRA) | 10 و13 و14 kbps | Google Open Source Blog، Lyra V2 (2022) |
| MUSHRA، كلام نظيف: EnCodec عند 6 kbps مقابل Opus عند 6 kbps مقابل الأصل المخفي | 83.1 مقابل 30.1 مقابل 95.5 | Meta AI، ورقة EnCodec البحثية (TMLR 2023) |
| MUSHRA، مجموعة الموسيقى 1: EnCodec عند 3 kbps مقابل Opus عند 12 kbps | 89.6 مقابل 77.8 | Meta AI، ورقة EnCodec البحثية (TMLR 2023) |
| POLQA MOS عند 6 kbps بنطاق عريض، MLow مقابل Opus (ادعاء الشركة نفسها) | 3.9 مقابل 1.89 | Meta Engineering، مدونة MLow (2024) |
أحدث البيانات المتاحة: SoundStream (2021) وLyra V2 (2022) وEnCodec (نسخة أولية في 2022 ونشر في مجلة علمية في 2023). ما زالت هذه المقارنات المرجعية التي تستشهد بها الأوراق الأحدث، لكنها سبقت التحسينات العصبية في Opus 1.5 (انظر القسم 7)، ولذلك فإن خطوط الأساس للمرمّزات التقليدية أقدم من libopus الحالي. وتأتي أرقام MLow من مدونة Meta الهندسية، التي تذكر أن Opus يعمل بوضع النطاق الضيق (من 0 إلى 4 kHz) عند 6 kbps؛ وهو ادعاء من الشركة نفسها عن مرمّز مكالمات إنتاجي، أدرجناه نقطة مرجعية لا قياسا مستقلا.
2. نسب الضغط والنقطة التي تتوقف عندها الجودة عن التحسن
نسبة الضغط هي الموضع الذي تبدو فيه المرمّزات العصبية أكثر إثارة. يضغط Descript Audio Codec (DAC) الصوت بتردد 44.1 kHz بنحو 90 ضعفا إلى رموز عند 8 kbps بنموذج عام واحد للكلام والموسيقى والأصوات البيئية (Descript، ورقة DAC البحثية، NeurIPS 2023). وفي الموسيقى الستيريو بتردد 48 kHz، سجّل EnCodec عند 6 kbps (ضغط 256 ضعفا) نتيجة MUSHRA بلغت 82.9، أي في نطاق الجودة المحسوسة نفسه الذي حققه MP3 عند 64 kbps (ضغط 24 ضعفا، 82.7).
والاستنتاج الأنفع للمهندسين هو التشبع. فقد سجّل نموذج EnCodec الستيريو 88.0 عند 12 kbps و87.5 عند 24 kbps، ولذلك لم يحقق مضاعفة معدل البت أي مكسب قابل للقياس. والرافعة الثانية هي الترميز الإنتروبي: إذ يقتطع نموذج لغوي صغير فوق الرموز ما بين 25% و40% من عرض النطاق دون تغيير في الجودة، مقابل كلفة في السرعة.
| المقياس | القيمة | المصدر |
|---|---|---|
| ضغط DAC للصوت بتردد 44.1 kHz عند 8 kbps | نحو 90 ضعفا | Descript، ورقة DAC البحثية (NeurIPS 2023) |
| ViSQOL عند 44 kHz: DAC عند 8 kbps مقابل EnCodec عند 24 kbps مقابل Opus عند 24 kbps | 4.18 مقابل 3.16 مقابل 4.15 | Descript، ورقة DAC البحثية (NeurIPS 2023) |
| ViSQOL عند 44 kHz: DAC عند 1.78 kbps مقابل Opus عند 8 kbps | 3.76 مقابل 2.06 | Descript، ورقة DAC البحثية (NeurIPS 2023) |
| MUSHRA، موسيقى ستيريو بتردد 48 kHz: EnCodec عند 6 kbps (256 ضعفا) مقابل 12 kbps مقابل 24 kbps مقابل MP3 عند 64 kbps (24 ضعفا) | 82.9 مقابل 88.0 مقابل 87.5 مقابل 82.7 | Meta AI، ورقة EnCodec البحثية (TMLR 2023) |
| عرض النطاق الموفَّر عند استخدام نموذج لغوي مرمّزا إنتروبيا لرموز EnCodec | نحو 25% إلى 40% | Meta AI، ورقة EnCodec البحثية (TMLR 2023) |
| التوفير المحتمل في المعدل من الترميز الإنتروبي لرموز SoundStream | من 7% إلى 20% | Google، ورقة SoundStream البحثية (arXiv 2021) |
ViSQOL نموذج موضوعي يتنبأ بالجودة المحسوسة انطلاقا من الإشارة؛ ولأن نتائج MUSHRA الخاصة بـ DAC نُشرت في رسوم بيانية فقط، يعتمد الجدول أرقام ViSQOL المطبوعة. وثمة تحفظ واحد على مقارنة Opus: ففي ورقة DAC رُمّز Opus عند 8 kbps بعرض نطاق صوتي قدره 4 kHz فقط، بينما أبقى DAC على 22.05 kHz كاملة، ولذلك فإن جزءا من الفجوة سببه عرض النطاق لا الكفاءة.
3. حدود ما دون 1 kbps للكلام
نقل جيل المرمّزات البحثية لعام 2025 المنافسة من «التفوق على Opus» إلى «كم بتا قليلا يكفي لحمل كلام مفهوم وطبيعي». سجّل FocalCodec عند 0.16 kbps قيمة UTMOS تساوي 4.22 على LibriSpeech النظيف، أعلى من 4.09 للمرجع غير المضغوط (Della Libera وآخرون، FocalCodec، NeurIPS 2025). UTMOS نموذج عصبي يتنبأ بمتوسط تقييم المستمع، ولذلك قد «يتفوق» مرمّز على الأصل لمجرد إنتاجه خرجا يبدو نظيفا جدا.
ويكشف الوضوح الجزء الآخر من القصة. يورد الجدول نفسه dWER، وهو معدل أخطاء الكلمات الإضافي الذي يرتكبه نظام ASR على الكلام المعاد تركيبه: فقد بلغ إعداد 0.16 kbps في FocalCodec القيمة 7.94، بينما بقي إعداد 0.65 kbps عند 2.18. أصبح الصوت الطبيعي رخيصا الآن؛ أما الحفاظ على كل كلمة وعلى هوية المتحدث فما زال يكلف بتات.
| المقياس | القيمة | المصدر |
|---|---|---|
| UTMOS: FocalCodec عند 0.16 kbps مقابل المرجع غير المضغوط (LibriSpeech نظيف) | 4.22 مقابل 4.09 | Della Libera وآخرون، ورقة FocalCodec البحثية (NeurIPS 2025) |
| dWER: FocalCodec عند 0.65 kbps مقابل 0.16 kbps | 2.18 مقابل 7.94 | Della Libera وآخرون، ورقة FocalCodec البحثية (NeurIPS 2025) |
| UTMOS وdWER: BigCodec عند 1.04 kbps | 4.11 و2.55 | Della Libera وآخرون، ورقة FocalCodec البحثية (NeurIPS 2025) |
| UTMOS وdWER: EnCodec عند 1.5 kbps | 1.58 و8.08 | Della Libera وآخرون، ورقة FocalCodec البحثية (NeurIPS 2025) |
| PESQ: TAAE عند 400 bps مقابل Mimi عند 1,100 bps | 2.96 مقابل 3.01 | Parker وآخرون، ورقة TAAE البحثية (ICLR 2025) |
| PESQ وSI-SDR: TAAE عند 700 bps | 3.09 و4.73 dB | Parker وآخرون، ورقة TAAE البحثية (ICLR 2025) |
| UTMOS: WavTokenizer عند 0.9 kbps (75 رمزا في الثانية) مقابل DAC عند 9 kbps مقابل التسجيل المرجعي | 4.0486 مقابل 3.9097 مقابل 4.0562 | Ji وآخرون، ورقة WavTokenizer البحثية (ICLR 2025) |
مقارنة TAAE تستحق القراءة مرتين: فقد بلغ عند 400 bps تقريبا قيمة PESQ التي حققها Mimi عند 1,100 bps، وهو مرمّز لا يتجاوز عمره بضع سنوات (Parker وآخرون، ورقة TAAE البحثية). وتجدر الإشارة إلى أن كل رقم في هذا القسم قيس على كلام مقروء نظيف من LibriSpeech أو LibriTTS، فاعتبره أفضل الحالات.
4. التأخير وكلفة الحوسبة
معدل البت ليس إلا ميزانية واحدة؛ فالمرمّز المخصص للمكالمات المباشرة أو البث له أيضا ميزانية تأخير وميزانية معالج. يرمّز Lyra V2 إطارا مدته 20 ms ويفك ترميزه في 0.57 ms على هاتف Pixel 6 Pro، أي أسرع بـ 35 مرة من الزمن الحقيقي، بتأخير قدره 20 ms مقابل 100 ms في Lyra V1 (Google Open Source Blog، Lyra V2). وتقع المرمّزات العصبية المتدفقة التي تعمل بإطارات 20 ms ضمن نطاق التأخير الذي يسمح به معيار Opus أصلا للترميز التقليدي (انظر الجدول).
أما حجم النموذج فهو ما تتباعد فيه الأجيال. تبقى المرمّزات الموجهة للهواتف صغيرة وسريعة، بينما تقايض المرمّزات البحثية دون 1 kbps الحوسبة بالبتات: يضم TAAE نحو 950M معامل، ويعمل SemantiCodec أبطأ من الزمن الحقيقي.
| المقياس | القيمة | المصدر |
|---|---|---|
| التأخير: Lyra V2 مقابل Lyra V1 | 20 ms مقابل 100 ms | Google Open Source Blog، Lyra V2 (2022) |
| عامل الزمن الحقيقي على خيط معالج واحد في MacBook Pro 2019 عند 6 kbps، المرمِّز وفاك الترميز (أعلى من 1 = أسرع من الزمن الحقيقي): EnCodec بتردد 24 kHz مقابل Lyra v2 | 9.8 و10.4 مقابل 27.4 و67.2 | Meta AI، ورقة EnCodec البحثية (TMLR 2023) |
| نطاق التأخير الخوارزمي في Opus وأحجام الإطارات | من 5 إلى 65.2 ms؛ إطارات من 2.5 إلى 60 ms | IETF، RFC 6716 (2012) |
| معاملات النموذج: DAC (المرمِّز زائد فاك الترميز) | 76M (22M للمرمِّز، 54M لفاك الترميز) | Descript، ورقة DAC البحثية (NeurIPS 2023) |
| معاملات النموذج: TAAE مقابل Mimi مقابل EnCodec | 950M مقابل 80M مقابل 14M | Parker وآخرون، ورقة TAAE البحثية (ICLR 2025) |
| عامل الزمن الحقيقي (أعلى من 1 = أسرع من الزمن الحقيقي): FocalCodec عند 0.16 kbps مقابل BigCodec مقابل SemantiCodec | 208 مقابل 22 مقابل 0.62 | Della Libera وآخرون، ورقة FocalCodec البحثية (NeurIPS 2025) |
يُعرض عامل الزمن الحقيقي بطرق مختلفة بين الأوراق: يستخدم EnCodec وFocalCodec صيغة «كم مرة أسرع من الزمن الحقيقي» (الأعلى أفضل)، ولذلك لا ينبغي مقارنة القيم من أوراق مختلفة صفا بصف. ويأتي نطاق Opus من RFC 6716 الصادر عن IETF، وهو معيار عام 2012 الذي ما زال يعرّف تدفق بتات Opus؛ وأحدث البيانات المتاحة لخط الأساس هذا هي وثيقة RFC لعام 2012، ومعها إصدارات libopus لعامي 2024 و2025 المشمولة في القسم 7.
5. رموز المرمّزات في نماذج اللغة الخاصة بالكلام والصوت
للمرمّزات العصبية الآن مهنة ثانية: فهي المُرمِّزات الرمزية (tokenizers) التي تتيح لنماذج اللغة أن تتكلم. يرمّز Mimi من Kyutai الكلام بتردد 24 kHz إلى رموز عند 12.5 Hz و1.1 kbps، باستخدام 8 دفاتر رموز من 2,048 مدخلا لكل منها، ويفيد نموذج الحوار Moshi المبني عليه بتأخير نظري قدره 160 ms وعملي قدره 200 ms (Kyutai، ورقة Moshi البحثية). ويشغّل النموذج الانحداري الذاتي عادة خطوة واحدة لكل إطار رموز، ولذلك يتحول معدل الإطارات مباشرة إلى سرعة، وهو موضوع عالجناه من جهة الوكلاء في إحصائيات زمن الوصول إلى أول بايت صوتي.
ولهذا أصبح معدل الإطارات، لا معدل البت وحده، هدف التصميم. يعمل مرمّز الكلام منخفض معدل الإطارات (Low Frame-rate Speech Codec) من NVIDIA بمعدل 21.5 إطارا في الثانية و1.89 kbps، ويجعل، بحسب مؤلفيه، الاستدلال في تحويل النص إلى كلام المعتمد على نماذج اللغة الكبيرة أسرع بنحو ثلاثة أضعاف. وترث المنتجات الصوتية المبنية على برامج استنساخ الصوت وعلى تحويل النص إلى كلام هذه المقايضات مباشرة.
| المقياس | القيمة | المصدر |
|---|---|---|
| معدل رموز Mimi ومعدل البت وتردد أخذ العينات الصوتية | 12.5 Hz و1.1 kbps و24 kHz | Kyutai، ورقة Moshi البحثية (arXiv 2024) |
| MUSHRA: Mimi عند 1.1 kbps مقابل SpeechTokenizer عند 4.0 kbps مقابل SemantiCodec عند 1.3 kbps | 81.0 مقابل 74.3 مقابل 64.8 | Kyutai، ورقة Moshi البحثية (arXiv 2024) |
| تأخير حوار Moshi، النظري مقابل العملي | 160 ms مقابل 200 ms | Kyutai، ورقة Moshi البحثية (arXiv 2024) |
| معدل الإطارات ومعدل البت في مرمّز الكلام منخفض معدل الإطارات من NVIDIA | 21.5 إطارا في الثانية، 1.89 kbps | NVIDIA، ورقة مرمّز الكلام منخفض معدل الإطارات البحثية (arXiv 2024) |
| تسارع الاستدلال في تحويل النص إلى كلام المعتمد على نماذج اللغة الكبيرة باستخدام هذا المرمّز منخفض معدل الإطارات | أسرع بنحو 3 أضعاف | NVIDIA، ورقة مرمّز الكلام منخفض معدل الإطارات البحثية (arXiv 2024) |
| الرموز في الثانية للصوت بتردد 24 kHz مع المُكمِّم الواحد في WavTokenizer | 40 أو 75 | Ji وآخرون، ورقة WavTokenizer البحثية (ICLR 2025) |
| بيانات التدريب والمقطع الصوتي الإرشادي لـ VALL-E، وهو نموذج تحويل نص إلى كلام مدرَّب على شيفرات مرمّز عصبي | 60K ساعة من الكلام الإنجليزي؛ مقطع إرشادي مدته 3 ثوان | Microsoft، ورقة VALL-E البحثية (arXiv 2023) |
| مُرمِّز رموز MusicGen: EnCodec بتردد 32 kHz، دفاتر الرموز، معدل الرموز، الموسيقى التدريبية | 4 دفاتر رموز من 2,048، و50 Hz، و20K ساعة | Copet وآخرون، ورقة MusicGen البحثية (arXiv 2023) |
أحدث البيانات المتاحة لـ VALL-E وMusicGen: 2023. وتحفظ على صف MUSHRA: القيمة 81.0 لـ Mimi هي للنسخة المدرَّبة بدوال خسارة تنافسية فقط؛ أما النسخة المدرَّبة بدونها فسجلت 58.8، ولذلك فإن وصفة تدريب المُرمِّز الرمزي تحرك الجودة المحسوسة بقدر ما يحركها معدل البت.
6. ما تحافظ عليه المرمّزات للمهام اللاحقة
لا تخبرك درجات الاستماع ما إذا كان محرك النسخ الكتابي أو التحقق من المتحدث أو مصنِّف المشاعر ما زال يعمل على الصوت المفكوك ترميزه. في Codec-SUPERB، رفع EnCodec عند 1.5 kbps معدل أخطاء الكلمات في ASR من 2.96% إلى 9.21%، ومعدل الخطأ المتساوي للتحقق من المتحدث من 0.86% إلى 13.88%، بينما أبقى DAC عند 24 kbps معدل أخطاء الكلمات عند القيمة الأصلية 2.96% بالضبط (Wu وآخرون، Codec-SUPERB). وتهم هذه التحولات في معدلات الخطأ كل من يتتبع هلوسة التعرف على الكلام ومعدلات أخطائه في خطوط المعالجة المضغوطة.
هوية المتحدث والمشاعر هما أول الضحايا عند معدلات البت المنخفضة: فمحتوى الكلام يصمد أطول من الطبقة شبه اللغوية. ويصل اختبار DASB المرجعي إلى خلاصة أحدّ بشأن رموز المرمّزات المستخدمة مدخلات للنماذج: «في جميع المجالات والمهام، تتفوق التمثيلات المتصلة على الرموز المنفصلة»، وكانت معدلات البت المتوسطة أفضل أداء (Mousavi وآخرون، DASB).
| المقياس | القيمة | المصدر |
|---|---|---|
| نماذج المرمّزات وعائلات النماذج التي قُيّمت في Codec-SUPERB | 19 صيغة من 6 عائلات | Wu وآخرون، ورقة Codec-SUPERB البحثية (arXiv 2024) |
| معدل أخطاء الكلمات في ASR: الصوت الأصلي مقابل EnCodec عند 1.5 kbps | 2.96% مقابل 9.21% | Wu وآخرون، ورقة Codec-SUPERB البحثية (arXiv 2024) |
| معدل الخطأ المتساوي للتحقق من المتحدث: الصوت الأصلي مقابل EnCodec عند 1.5 kbps | 0.86% مقابل 13.88% | Wu وآخرون، ورقة Codec-SUPERB البحثية (arXiv 2024) |
| دقة التعرف على المشاعر: الصوت الأصلي مقابل EnCodec عند 1.5 kbps | 69.84% مقابل 58.84% | Wu وآخرون، ورقة Codec-SUPERB البحثية (arXiv 2024) |
| معدل أخطاء الكلمات في ASR: DAC عند 6 kbps مقابل DAC عند 24 kbps | 3.26% مقابل 2.96% | Wu وآخرون، ورقة Codec-SUPERB البحثية (arXiv 2024) |
| ارتباط PESQ بالدرجة الإجمالية للكلام | 0.97 | Wu وآخرون، ورقة Codec-SUPERB البحثية (arXiv 2024) |
| معادلة DASB لمعدل بت المُرمِّزات الرمزية | log2(حجم المفردات) x دفاتر الرموز x معدل الرموز | Mousavi وآخرون، اختبار DASB المرجعي (arXiv 2024) |
ملاحظة سياقية: معدل الخطأ المتساوي هو النقطة التي يخطئ عندها نظام التحقق من المتحدث بالقبول الخاطئ والرفض الخاطئ بالمعدل نفسه، ولذلك فإن القفزة من 0.86% إلى 13.88% تعني أن مطابقة الصوت المفكوك ترميزه مع صاحبه أصبحت أصعب بكثير. كما يوحي ارتباط PESQ في Codec-SUPERB باختصار عملي: فبالنسبة إلى الكلام، ما زال مقياس PESQ القديم الراسخ يتتبع الحكم الإجمالي للاختبار المرجعي عن كثب.
7. المرمّزات التقليدية تتجه إلى العصبية: Opus وEVS ومسار المعايير
لم تقف المرمّزات التقليدية مكانها. أظهر Opus 1.5 (4 مارس 2024) أن محسِّنه NoLACE يجعل كلام 9 kb/s أفضل من 12 kb/s غير المحسَّن، بكلفة تشغيلية تبلغ نحو 0.75% من المعالج (Xiph.Org، إصدار Opus 1.5). وتحزم ميزة التكرار العميق (Deep Redundancy، أو DRED)، وهي الآن على مسار المعايير في IETF، ما يصل إلى ثانية واحدة من الصوت الاحتياطي في كل حزمة، بحيث «تُرسل كل حزمة مدتها 20 ms فعليا 50 مرة»، وتقول ملاحظات الإصدار إنها «ما زالت تعمل جيدا حتى مع فقدان 90%» (والمقصود هنا بـ«فقدان الحزم» حزم البيانات التي أُسقطت في الشبكة، لا ملفات صوتية مفقودة).
والخلاصة أن الفجوة التي قيست في القسم 1 مقابل إصدارات Opus الأقدم تضيق من الجانب التقليدي. وذهب Opus 1.6 (15 ديسمبر 2025) أبعد، إذ قلّص نموذج DRED وأضاف توسيعا عصبيا لعرض النطاق بحيث يبلغ كلام 9 kb/s جودة Opus 1.4 بكامل النطاق عند 18 kb/s.
| المقياس | القيمة | المصدر |
|---|---|---|
| نطاق معدل بت Opus الذي يحدده المعيار | من 6 kbit/s إلى 510 kbit/s | IETF، RFC 6716 (2012) |
| نطاق معدل بت EVS وأقصى عرض نطاق صوتي | من 5.9 إلى 128 kbps، حتى 20 kHz | 3GPP، النشرة الإخبارية لمرمّز EVS (2014) |
| أدنى معدل بت في Opus 1.5 يكون عنده الكلام «قابلا للاستخدام تماما» مع NoLACE | 6 kb/s | Xiph.Org، إصدار Opus 1.5 (2024) |
| تعقيد المحسِّنين NoLACE وLACE والفوكودر العصبي FARGAN في Opus 1.5 | NoLACE بـ 400 MFLOPS (نحو 0.75% من المعالج)؛ LACE بـ 100 MFLOPS (نحو 0.15% من المعالج)؛ FARGAN بـ 600 MFLOPS (خُمس LPCNet) | Xiph.Org، إصدار Opus 1.5 (2024) |
| حجم نموذج DRED: Opus 1.6 مقابل Opus 1.5 | 600 kB مقابل 1,800 kB | Xiph.Org، إصدار Opus 1.6 (2025) |
| توسيع عرض النطاق في Opus 1.6 مع NoLACE عند 9 kb/s يطابق | Opus 1.4 بكامل النطاق عند 18 kb/s | Xiph.Org، إصدار Opus 1.6 (2025) |
| معدل بت التكرار في DRED مقابل معدل بت Opus العادي، ومع LBRR ضمن النطاق للمقارنة | نحو 1/50 (DRED) مقابل نحو 2/3 (LBRR) | IETF، draft-ietf-mlcodec-opus-dred-07 (4 أغسطس 2026) |
ما زالت مواصفة DRED مسودة إنترنت (Internet-Draft) (مجموعة عمل mlcodec في IETF)، نُقّحت في 4 أغسطس 2026؛ وقد حذّرت ملاحظات Opus 1.5 من أن «النسخة المضمنة في Opus 1.5 لن تكون متوافقة مع النسخة النهائية». وأرقام EVS مأخوذة من إعلان 3GPP للإصدار 12؛ أحدث البيانات المتاحة: 3GPP، 2014.
الخلاصة: معدل البت مقابل الجودة في المرمّزات الصوتية العصبية بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| MUSHRA، كلام نظيف: EnCodec عند 6 kbps مقابل Opus عند 6 kbps | 83.1 مقابل 30.1 | Meta AI، ورقة EnCodec البحثية (TMLR 2023) |
| معدل بت Opus وEVS اللازم لمضاهاة SoundStream عند 3 kbps | Opus ما لا يقل عن 12 kbps، وEVS ما لا يقل عن 9.6 kbps | Google، ورقة SoundStream البحثية (arXiv 2021) |
| نطاق معدل بت Opus الذي يحدده المعيار | من 6 إلى 510 kbit/s | IETF، RFC 6716 (2012) |
| ضغط DAC للصوت بتردد 44.1 kHz عند 8 kbps | نحو 90 ضعفا | Descript، ورقة DAC البحثية (NeurIPS 2023) |
| ViSQOL: DAC عند 8 kbps مقابل EnCodec عند 24 kbps | 4.18 مقابل 3.16 | Descript، ورقة DAC البحثية (NeurIPS 2023) |
| dWER: FocalCodec عند 0.65 kbps مقابل 0.16 kbps | 2.18 مقابل 7.94 | Della Libera وآخرون، ورقة FocalCodec البحثية (NeurIPS 2025) |
| UTMOS: FocalCodec عند 0.16 kbps مقابل المرجع | 4.22 مقابل 4.09 | Della Libera وآخرون، ورقة FocalCodec البحثية (NeurIPS 2025) |
| PESQ: TAAE عند 400 bps مقابل Mimi عند 1,100 bps | 2.96 مقابل 3.01 | Parker وآخرون، ورقة TAAE البحثية (ICLR 2025) |
| UTMOS: WavTokenizer عند 0.9 kbps مقابل DAC عند 9 kbps | 4.0486 مقابل 3.9097 | Ji وآخرون، ورقة WavTokenizer البحثية (ICLR 2025) |
| دقة التعرف على المشاعر: الأصل مقابل EnCodec عند 1.5 kbps | 69.84% مقابل 58.84% | Wu وآخرون، ورقة Codec-SUPERB البحثية (arXiv 2024) |
| معاملات النموذج: TAAE مقابل EnCodec | 950M مقابل 14M | Parker وآخرون، ورقة TAAE البحثية (ICLR 2025) |
| معدل رموز Mimi ومعدل البت | 12.5 Hz و1.1 kbps | Kyutai، ورقة Moshi البحثية (arXiv 2024) |
| تأخير حوار Moshi عمليا | 200 ms | Kyutai، ورقة Moshi البحثية (arXiv 2024) |
| تسارع تحويل النص إلى كلام المعتمد على نماذج اللغة الكبيرة بمرمّز بمعدل 21.5 إطارا في الثانية | نحو 3 أضعاف | NVIDIA، ورقة مرمّز الكلام منخفض معدل الإطارات البحثية (arXiv 2024) |
| معدل أخطاء الكلمات في ASR: الأصل مقابل EnCodec عند 1.5 kbps | 2.96% مقابل 9.21% | Wu وآخرون، ورقة Codec-SUPERB البحثية (arXiv 2024) |
| MUSHRA: Mimi عند 1.1 kbps مقابل SpeechTokenizer عند 4.0 kbps | 81.0 مقابل 74.3 | Kyutai، ورقة Moshi البحثية (arXiv 2024) |
| Opus المحسَّن بـ NoLACE عند 9 kb/s مقارنة بـ Opus غير المحسَّن | أفضل من 12 kb/s | Xiph.Org، إصدار Opus 1.5 (2024) |
| حجم نموذج DRED، Opus 1.6 مقابل Opus 1.5 | 600 kB مقابل 1,800 kB | Xiph.Org، إصدار Opus 1.6 (2025) |
المنهجية والمصادر
- Google، SoundStream: An End-to-End Neural Audio Codec (arXiv 2107.03312، 2021؛ IEEE/ACM TASLP): نسب معدل البت في MUSHRA مقابل Opus وEVS، وحجم الإطار، والتوفير من الترميز الإنتروبي.
- Google Open Source Blog، Lyra V2 (سبتمبر 2022): التكافؤ مع Opus، والتأخير، وزمن التشغيل على Pixel 6 Pro.
- Meta AI، High Fidelity Neural Audio Compression (EnCodec)، TMLR 2023 (arXiv 2210.13438): جداول MUSHRA، ونسب الضغط، وعوامل الزمن الحقيقي، والترميز الإنتروبي.
- Meta Engineering، MLow: Meta’s low bitrate audio codec (13 يونيو 2024): مقارنة POLQA الخاصة بالشركة مع Opus.
- Copet وآخرون، Simple and Controllable Music Generation (MusicGen)، arXiv 2023: إعداد مُرمِّز EnCodec الرمزي وساعات التدريب.
- Descript، High-Fidelity Audio Compression with Improved RVQGAN (DAC)، NeurIPS 2023: عامل الضغط، وجدول ViSQOL، وعدد المعاملات.
- Kyutai، Moshi: a speech-text foundation model for real-time dialogue (arXiv 2410.00037، 2024): مواصفات مرمّز Mimi، وMUSHRA مقابل المُرمِّزات الرمزية الدلالية، وتأخير الحوار.
- NVIDIA، Low Frame-rate Speech Codec (arXiv 2409.12117، 2024): معدل الإطارات، ومعدل البت، وتسارع الاستدلال في تحويل النص إلى كلام.
- Microsoft، VALL-E: Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers (arXiv 2301.02111، 2023): ساعات التدريب وطول المقطع الإرشادي.
- Ji وآخرون، WavTokenizer (ICLR 2025، arXiv 2408.16532): معدلات الرموز بمُكمِّم واحد وقيم UTMOS.
- Parker وآخرون، Scaling Transformers for Low-Bitrate High-Quality Speech Coding (TAAE)، ICLR 2025: نتائج 400 و700 bps، وأعداد المعاملات.
- Della Libera وآخرون، FocalCodec (NeurIPS 2025، arXiv 2502.04465): جدول الاختبار المرجعي لما دون 1 kbps مع UTMOS وdWER وعوامل الزمن الحقيقي.
- Wu وآخرون، Codec-SUPERB: An In-Depth Analysis of Sound Codec Models (arXiv 2402.13071، 2024): نتائج المهام اللاحقة: ASR والمتحدث والمشاعر.
- Mousavi وآخرون، DASB: Discrete Audio and Speech Benchmark (arXiv 2406.14294، نُقّحت في 21 أبريل 2026): نتائج التمثيلات المنفصلة مقابل المتصلة.
- Xiph.Org، ملاحظات إصدار Opus 1.5 (4 مارس 2024) وملاحظات إصدار Opus 1.6 (15 ديسمبر 2025): LACE وNoLACE وDRED وFARGAN وتوسيع عرض النطاق.
- IETF، RFC 6716: Definition of the Opus Audio Codec (سبتمبر 2012) وIETF، draft-ietf-mlcodec-opus-dred: نطاقا معدل البت والتأخير في Opus، وكلفة DRED الإضافية.
- 3GPP، Enhanced Voice Services codec for LTE (الإصدار 12، 7 نوفمبر 2014): نطاق معدل بت EVS وعرض النطاق.
- ITU-R BS.1534-3 (MUSHRA)، أكتوبر 2015 وITU-T P.808 جودة الكلام بالتعهيد الجماعي، يونيو 2021: أساليب اختبار الاستماع التي تقف وراء أرقام MUSHRA وMOS بالتعهيد الجماعي.
- ملاحظة حول البيانات: (1) لا تتبادل مقاييس MUSHRA وMOS وViSQOL وUTMOS وPESQ المواقع، ولا معنى للدرجة إلا قياسا إلى المرجع وخطوط الأساس في الاختبار نفسه؛ ويستطيع UTMOS تحديدا أن يقيّم مرمّزا فوق الأصل (FocalCodec بـ 4.22 مقابل 4.09). (2) تطبع مدونة MLow من Meta العبارة «POLQA MOS 1.89 vs 3.9» دون أن تبيّن أي الدرجتين تخص أي مرمّز؛ ويوحي سياق المقال بأن 1.89 لـ Opus و3.9 لـ MLow، ولم يُذكر إصدار Opus المستخدم. (3) يذكر نص Codec-SUPERB أن دقة المشاعر لـ DAC عند 24 kbps تنخفض «بمقدار 0.38%»، لكن قيم جدوله (من 69.84% إلى 69.56%) تعطي 0.28 نقطة، كما يتباين عدد مجموعات البيانات في الورقة بين 20 و21؛ ونحن نورد قيم الجدول فقط. (4) إعداد الرموز الأربعين في WavTokenizer مطبوع في جدوله بقيمة 0.5 kbps وفي نصه بقيمة 0.48 kbps. (5) ما زالت صفحة EnCodec في arXiv تقول «نسخة أولية» بينما تؤكد قائمة TMLR 2023 النشر في المجلة؛ وتدرج Google مرمّز SoundStream في IEEE/ACM TASLP بتاريخ 2021 بينما تذكر فهارس أخرى عام 2022. (6) تختلف أعداد المعاملات للمرمّز نفسه بحسب المصدر: يرد Mimi بـ 80M في ورقة TAAE، و82M في ورقة FocalCodec، و96.2M في بطاقة نموذج Kyutai على Hugging Face، ويرجح أن ذلك تبعا للمكونات المحتسبة. وتختلف كذلك تعريفات عامل الزمن الحقيقي بين الأوراق، ولذلك لا تصح المقارنة المباشرة بين صفوف السرعة من أوراق مختلفة. (7) تسبق معظم المقارنات المباشرة مع Opus الميزات العصبية في Opus 1.5 و1.6، ولم ندرج أي أرقام لحجم السوق لأننا لم نعثر على بيانات سوق من الدرجة الأولى للمرمّزات العصبية.
- آخر تحديث: 31 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي حين تقدّم مجموعة عمل mlcodec في IETF مسودة draft-ietf-mlcodec-opus-dred نحو النشر بصيغة RFC.