Qwen3 Omni 30B A3B Captioner

نظرة عامة: أوصاف مفصّلة للصوت

Qwen3-Omni-30B-A3B-Captioner هو نموذج متخصّص في وصف الصوت، جرى ضبطه انطلاقًا من Qwen3-Omni-30B-A3B-Instruct. يحوّل مقطعًا صوتيًا إلى وصف نصي مفصّل لما يُسمع. صمّمه Qwen لمواد متنوعة، تشمل الكلام وأصوات البيئة والموسيقى والمؤثّرات السينمائية ومزيجًا من عدة مصادر صوتية. يجعله ذلك مفيدًا لإعداد وصف قابل للبحث لمادة صوتية أو مراجعة طبقات الصوت في مقطع إعلامي قصير.

فهم الكلام والأصوات غير الكلامية

يصف المطوّر تحليل عدة متحدثين والتعبيرات متعددة اللغات والعاطفة الصوتية والنوايا التي يوحي بها أسلوب الإلقاء. تتجاوز أمثلته التفريغ النصي: فهي تصف طبيعة الأصوات ولغة الكلام والمشهد الصوتي المحيط. للصوت غير الكلامي، يصف النموذج أجواء البيئة والأصوات الواقعية والطبقات الموسيقية والتفاصيل الديناميكية في الأفلام أو المواد الإعلامية.

أوصاف المزاج أو نية المتحدث أو السياق الثقافي تفسيرات للمواد المسموعة. تعامل معها بشكل منفصل عن الكلام والأحداث الصوتية التي يمكن التحقّق منها مباشرةً. قد يساعد وصف صوتي المراجع على ملاحظة تغيّر في النبرة أو طبقة خلفية؛ وليس قياسًا للمشاعر الخاصة لشخص أو دليلًا على المصدر المادي لصوت ملتبس.

إصدار Captioner وشروط مدخلاته

نسخة الأوزان هذه أحادية الجولة. تقبل مدخلًا صوتيًا واحدًا بالضبط لكل عملية استدلال، دون تعليمات نصية، وتعيد نصًا فقط. تتضمّن مكوّن thinker لفهم الصوت؛ ويعطّل الإعداد المنشور المخرجات الصوتية صراحةً. لا تنقل ميزات المحادثة أو الصور أو الفيديو أو توليد الكلام من إصدارات Qwen3-Omni الأخرى إلى Captioner لمجرّد أن أسماءها تنتمي إلى العائلة نفسها.

غياب التعليمات النصية مهم عمليًا. جهّز المقطع الصوتي الذي تريد وصفه وقدّم ذلك المقطع بوصفه المهمة كاملة. لا تُلحق تعليمات تطلب ملخّصًا مخصّصًا أو ترجمة أو إجابة متحدث أو مخطّط مخرجات. إذا احتاج سير عمل إلى هذه التحويلات، فإنها تنتمي إلى مرحلة منفصلة تعمل على الوصف المعاد، بدلًا من افتراضها عناصر تحكّم في نسخة أوزان الوصف هذه.

إعداد صوت مفيد

يوصي Qwen بتحديد طول المقطع بما لا يتجاوز 30 ثانية للوصف الدقيق. هذه توصية للجودة: قد يقلّل الصوت الطويل جدًا إدراك التفاصيل. ولا تُقدَّم كحدّ صارم عام للرفض. لتسجيل أطول، اختر مقطعًا قصيرًا ذا معنى حول الحدث أو المشهد الجاري مراجعته. أبقِ معرّف مصدره ووقت بدايته خارج طلب النموذج، حتى يمكن تتبّع الوصف المعاد لاحقًا إلى التسجيل الأصلي.

احتفظ بطبقات الصوت ذات الصلة بالسؤال. ينبغي لمقتطف يركّز على الصوت البشري أن يُبقي الخلفية عندما تؤثّر في الوصف المقصود؛ وينبغي لمادة موسيقية أو مؤثّرات صوتية أن تحتفظ بانتقالها المهم بدلًا من قطعها عند حدّ اعتباطي. تساعد معالجة المقاطع منفصلة على الاحتفاظ بالتفاصيل المحلية، لكنها لا تثبت استمرارية تلقائية أو فهم التسجيل كاملًا عبر الطلبات.

فائدة النتيجة النصية

يعرض دليل الأمثلة لدى المطوّر أوصافًا لمحتوى الكلام وإلقائه، ثم للمشهد المحيط؛ وتصف أمثلة أخرى الموسيقى والمؤثّرات وتغيّرات الشدّة وتسلسل الأحداث الصوتية البشرية. يمكن لكتالوج صوتي تخزين النص المعاد بجانب اسم المادة ونطاقها الزمني. ويمكن لمراجع مادة إعلامية استخدامه كمسوّدة سجل صوتي. ويمكن لمحرّر مقارنة الوصف بالمقطع لتحديد ما إذا كان يعكس الطبقات المقصودة. هذه أمثلة تطبيقية، وليست دليلًا على أن النموذج استمع مسبقًا إلى أي مادة محدّدة للمستخدم.

المخرج وصف للصوت، وليس وعدًا بتفريغ حرفي أو جدول لفصل المتحدثين أو ملف ترجمة نصية مصاحبة بطوابع زمنية أو مسار صوتي مولّد. عندما تكون ألفاظ الكلام الدقيقة أو توقيته مطلوبة، تحقّق من الوصف بالرجوع إلى الصوت واستخدم سير عمل مخصّصًا مناسبًا للناتج المطلوب. قد يتضمّن وصف غني الصياغة معلومات مستنتجة عن المشهد أو النوع، لذلك احتفظ بعدم اليقين عندما لا يحدّد الصوت نفسه المصدر بلا التباس.

أمثلة التوليد والقيود

يضبط مثال المطوّر المستقل سياق نموذج من 32,768 توكن ومساحة توليد من 16,384 توكن، باستخدام temperature من 0.6 وtop_p من 0.95 وtop_k من 20. ويستخدم دليل أمثلته مساحة توليد من 8,192 توكن مع قيم أخذ العينات نفسها. هذه إعدادات أمثلة، وليست أطوالًا قصوى معلنة منفصلة للأوصاف. يذكر إعداد النص الأساسي 65,536 موضعًا، وهو ما لا ينبغي تحويله إلى ضمان لمدّة الصوت.

لا تتجاوز شيفرة الأدوات المساعدة العامة أو حقول الإعداد المشتركة مع عائلة Omni شروط Captioner الصريحة: صوت واحد ودون نص ومخرجات نصية فقط. النتيجة المفيدة وصف مفصّل لمشهد مسموع قصير؛ تحقّق من اقتباسات الكلام وعدد المتحدثين والمصادر الصوتية المستنتجة قبل استخدامه كسجل موثوق.