# آزمایش رمزگذار گفتار Gemma 4 روی عربی سعودی و خلیجی، بدون تغییر وزن‌ها

> پژوهشگران رمزگذار صوتیِ ثابت Gemma 4 و نسخه‌ای با آداپتور سبک را روی صدای تماس‌های مرکز پشتیبانی عربی آزمایش کردند و دریافتند نرخ خطای آن‌ها با مدل‌های تجاری بزرگ‌تر قابل‌مقایسه است.

Oossa · 2026-10-22 · https://oossa.com/fa/gemma-4-speech-encoder-evaluated-on-saudi-and-gulf-arabic-without-weight-changes

گروهی به سرپرستی عمرو عبدالخالک، رمزگذار صوتی 305 میلیون‌پارامتریِ به‌کاررفته در Gemma 4 و EmbeddingGemma 2 را بررسی کردند. آن‌ها وزن‌های رمزگذار را ثابت نگه داشتند و یا یک خوانشگر CTC با 22.6 میلیون پارامتر آموزش دادند (سامانه ثابت)، یا 3.1 میلیون پارامتر آداپتور به آن افزودند و از یک خوانشگر ترکیبی CTC/توجه با 41.5 میلیون پارامتر استفاده کردند (سامانه سازگارشده). سامانه ثابت در بیشتر آزمون‌ها از نظر نرخ خطای نویسه با Cohere Transcribe Arabic (با 2.07 میلیارد پارامتر) برابری کرد و روی CPU، 3.4 × سریع‌تر اجرا شد. سامانه سازگارشده در تماس‌های خدمات مشتریان سعودی، نرخ خطای واژه‌ای از نظر آماری مشابهی داشت (19.20 % در برابر 19.27 %) و در چند وضعیت از یک بازشناگر 0.6 میلیاردپارامتری بهتر عمل کرد؛ همچنین روی یک GPU، رمزگشایی را 139 × سریع‌تر انجام داد.

## حقایق

- اندازه رمزگذار: 305 میلیون پارامتر
- سامانه سازگارشده 3.1 میلیون پارامتر آداپتور و یک خوانشگر 41.5 میلیون‌پارامتری اضافه می‌کند

## چرا مهم است

نتایج نشان می‌دهد رمزگذار ثابت یا اندکی سازگارشده Gemma 4 می‌تواند با هزینه پردازشی بسیار کمتر، دقتی نزدیک به مدل‌های تجاری در بازشناسی گفتار عربی ارائه کند؛ قابلیتی سودمند برای شرکت‌هایی که به راهکارهای مقرون‌به‌صرفه و قابل میزبانی در زیرساخت خود نیاز دارند.

## منابع و ارجاع‌ها

1. [How Far Can the Gemma 4 Speech Encoder Go Without Changing Its Weights? Saudi and Gulf Arabic Speech Recognition with a Frozen and an Adapter-Augmented Encoder](https://arxiv.org/abs/2610.28673) – arXiv, 2026-10-22

آخرین به‌روزرسانی: 2026-10-22