Anis Transcribe
نموذج يكتب الكلام المصري زي ما الدكاترة بيملوه بالظبط: العربي بحروف عربي، والمصطلحات الإنجليزي بحروفها، والأرقام أرقام. بيشتغل على جهازك أو موبايلك، والصوت عمره ما بيخرج منه.
نزّله من Hugging Face. مجاني للاستخدام غير التجاري. وكود التدريب قريبًا.
15.9% نسبة الخطأ في الكلمات · 127x أسرع من الوقت الحقيقي · 325M معامل · 1 GB ذاكرة كارت الشاشة
التاني من 13، والأفضل اللي تقدر تشغّله بنفسك
نسبة الخطأ في الكلمات على 133 تسجيل إملاء مصري فيه مصطلحات إنجليزي (4,404 كلمة)، محسوبة مرة واحدة على الكل. الأقل أحسن.
| Model | WER % | English kept % |
|---|---|---|
| Gemini 3.1 Flash-Lite (Google، سحابي) | 9.6 | 77 |
| Anis Transcribe 1.0 (نموذجنا، محلي) | 15.9 | 85 |
| GPT-audio-mini (OpenAI، سحابي) | 18.7 | 81 |
| Qwen 3.8 Omni Flash (Alibaba، سحابي) | 18.7 | 86 |
| Gemini 3.5 Transcribe (Google، سحابي) | 19 | 19 |
| QwenCleo-ASR (محلي) | 20.7 | 65 |
| Whisper large code-switch (محلي) | 26.6 | 78 |
| Voxtral Small 24B (Mistral، سحابي) | 30.8 | 64 |
| Whisper large-v3 (OpenAI، محلي) | 31 | 11 |
| Audar ASR v1 turbo (محلي) | 31 | 27 |
| Qwen3-ASR 1.7B (Alibaba، محلي) | 40.1 | 7 |
| Whisper-small Egyptian (محلي) | 42.5 | 44 |
| MiMo v2.6 Flash (Xiaomi، سحابي) | 48 | 54 |
أسرع من 16 لـ 36 مرة، وبخُمس الذاكرة
كل النماذج اللي بتشتغل محلي، على نفس كارت RTX 4060 8 GB، تسجيل واحد في المرة. Whisper-small بس اللي في نفس الخفة، وأخطاؤه 2.7 مرة أكتر.
النموذج من نوع CTC: بيعدّي على الصوت مرة واحدة ويكتب كل الحروف مرة واحدة. Whisper ونماذج اللغة الصوتية بتشغّل جزء الكتابة مرة لكل كلمة.
| Model | Params (M) | x real time | GPU memory GB |
|---|---|---|---|
| Anis Transcribe 1.0 | 325 | 127 | 1 |
| QwenCleo-ASR | 2000 | 3.8 | 4.8 |
| Whisper large code-switch | 1550 | 7.8 | 5.2 |
| Whisper large-v3 | 1550 | 6.9 | 5 |
| Qwen3-ASR 1.7B | 2000 | 3.5 | 4.6 |
| Whisper-small Egyptian | 244 | 5.3 | 1 |
بيشتغل في أي مكان، بنفس الدقة
نفس النموذج على كارت شاشة وعلى معالج عادي. ملف الـ int8 بحجم 303 MB هو اللي تطبيق أنيس على الموبايل بينزّله.
- كارت شاشة RTX 4060: 127x, 746 MB
- معالج، ONNX int8، 4 خيوط: 33.7x, 303 MB
- معالج، ONNX int8، خيطان: 23.1x, 303 MB
- معالج، PyTorch، 10 خيوط: 17x, 746 MB
- معالج، ONNX int4، 4 خيوط: 13.8x, 198 MB
وصل لكده إزاي
- 0.0: 25 ساعة من محاضرات أطباء, 29.8%
- 0.4: + 281 ساعة عربي مصري عام, 22.4%
- 1.0: + 32 ساعة من إملاء صاحب النموذج, 15.9%
بيشتغل إزاي
- يسمع: مُشفّر الصوت من EmbeddingGemma 2 من جوجل (304.8M)، متكيّف بـ LoRA
- يقرا: قارئ CTC بحجم 20M بيتهجّى عربي وإنجليزي وأرقام
- يصحّح: بحث بالقاموس بيختار الكتابة الأقرب
- يرتّب: الأرقام المنطوقة بتتحوّل لأرقام
الفكرة جت منين
الفكرة الأساسية من مشروع Embedding Gemma Transcribe من haku: إنك تسيب مُشفّر الصوت في EmbeddingGemma 2 زي ما هو وتدرّب قارئ صغير فوقه، فنموذج الـ embeddings يتحوّل لنموذج تفريغ سريع بيشتغل على الجهاز (للإنجليزي). Anis Transcribe خد الفكرة دي للعامية المصرية مع المصطلحات الإنجليزي: قارئ CTC بيتهجّى الحروف بدل ما يختار من قايمة كلمات، وLoRA على المُشفّر، وقاموس، وتحويل الأرقام.
اقرا ده قبل ما تقارن
- كل تسجيلات الاختبار بصوت صاحب النموذج، وحوالي 10% من بيانات التدريب كمان. ده نموذج إملاء شخصي: على أصوات تانية بيضعف (خطأ من 43 لـ 66% من غير القاموس).
- نسبة الخطأ بتبالغ في العربي: برضه وبرضو بيتحسبوا غلط. لو اعتبرنا الكتابات المختلفة صح، كل النماذج بتنزل من 2 لـ 5 نقط والترتيب ما بيتغيّرش.
- مش مُعتمد للتوثيق الطبي. اقرا النص قبل ما تستخدمه.
صمّمه ودرّبه محمد مصلوح في القاهرة، 2026.