> ## Content Index
> Fetch the complete content index at: https://arabroot.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# تحويل الكلام إلى نص Speech-to-Text محلياً مع Whisper
- URL: https://arabroot.io/articles/تحويل-الكلام-الى-نص-محليا-مع-whisper/
- Published: 2026-11-19T06:51:04.000Z
- Updated: 2026-11-19T07:48:22.000Z
- Description: قسنا خمسة أحجام من Whisper وثلاث أدوات على كلام عربي حقيقي بنص مرجعي، لتختار النموذج الذي يحول تسجيلاتك إلى نص وترجمة مكتوبة على سيرفرك.
- Author: فريق عرب رووت
- Tags: الأدلة التقنية, الذكاء الاصطناعي والبيانات, الاستضافة الذاتية

لديك تسجيل اجتماع Meeting Recording مدته ساعة، أو مجموعة محاضرات تريد لها ترجمة مكتوبة Subtitles، أو مقابلات Interviews مع عملاء تريد أن تبحث فيها لاحقاً، والحل الأسهل أن ترفع الملفات إلى خدمة سحابية لتحويل الكلام إلى نص Speech-to-Text، فتعود إليك بالنص خلال دقائق. والمشكلة أن هذه التسجيلات فيها أصوات أشخاص وأسماء عملاء وأرقام وتفاصيل داخلية، وقد شرحنا في [الذكاء الاصطناعي في العمل](https://arabroot.io/articles/%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D9%81%D9%8A-%D8%A7%D9%84%D8%B9%D9%85%D9%84-%D9%85%D8%A7-%D9%84%D8%A7-%D8%AA%D8%B1%D8%B3%D9%84%D9%87-%D8%A7%D9%84%D9%89-%D8%AE%D8%AF%D9%85%D8%A9-%D8%AE%D8%A7%D8%B1%D8%AC%D9%8A%D8%A9/) لماذا لا يصح أن يخرج هذا النوع من البيانات إلى خدمة خارجية دون تصنيف وعقد Contract. والبديل أن تشغل نموذج [Whisper](https://github.com/openai/whisper?ref=arabroot.io) على سيرفرك أو جهازك، وهو نموذج مفتوح من OpenAI برخصة MIT للكود والأوزان معاً، يفهم العربية ضمن عشرات اللغات، ويعمل على المعالج CPU وحده إذا اخترت الحجم Model Size والأداة المناسبين.

وقد استخدمنا faster-whisper داخل الوكيل الصوتي في [وكيل صوتي بالعربية على Asterisk](https://arabroot.io/articles/%D9%88%D9%83%D9%8A%D9%84-%D8%B5%D9%88%D8%AA%D9%8A-ai-%D8%A8%D8%A7%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9-%D8%B9%D9%84%D9%89-asterisk/)، وقسنا هناك دقته على جمل مولدة بصوت آلي في مكالمة، أما هذا المقال فعن الحالة الأكثر شيوعاً: ملف تسجيل لكلام بشري حقيقي تريد له نصاً وترجمة مكتوبة، ونقارن فيه ثلاث أدوات وخمسة أحجام على نفس الصوت Audio.

وسوف نناقش في هذا المقال ما يلي:

- كيف يعمل Whisper من الداخل، ولماذا يقطع الصوت إلى نوافذ زمنية Audio Windows من 30 ثانية، ومن أين تأتي التوقيتات Timestamps.
- أحجام النموذج من tiny إلى large-v3-turbo، والأدوات الثلاث: الحزمة الأصلية openai-whisper وfaster-whisper وwhisper.cpp.
- صوت اختبار حقيقي برخصة واضحة ونص مرجعي، وكيف نقيس الدقة بنسبة الخطأ في الكلمات WER والحروف CER بعد توحيد الكتابة العربية.
- جدول الحجم مقابل السرعة Speed مقابل الدقة على المعالج، بالأرقام التي قسناها.
- مشكلتان حقيقيتان: مكتبة PyAV أحدث من faster-whisper، ولغة افتراضية تترجم العربية إلى إنجليزية لا معنى لها.
- التوقيتات وملف الترجمة المكتوبة SRT، وفلتر الصمت VAD، وماذا يكتب النموذج في الصمت.

## كيف يعمل Whisper من الداخل؟

Whisper نموذج من نوع Transformer بجزأين: جزء أول Encoder يقرأ الصوت، وجزء ثان Decoder يكتب النص توكناً بعد توكن مثل أي نموذج لغة، وقد شرحنا فكرة التوليد توكناً بعد توكن في [كيف تعمل نماذج اللغة Language Models الكبيرة](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D8%AA%D8%B9%D9%85%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D9%83%D8%A8%D9%8A%D8%B1%D8%A9-llm-%D8%AE%D8%B7%D9%88%D8%A9-%D8%A8%D8%AE%D8%B7%D9%88%D8%A9/). والفرق أن المدخل هنا ليس نصاً وإنما صوت، والصورة التالية تبين الخطوات:

![خمس خطوات مرقمة: الصوت بتردد 16 kHz في نوافذ من 30 ثانية، ثم الطيف log-Mel، ثم المرحلة الأولى Encoder، ثم المرحلة الثانية Decoder تولد التوكنز والتوقيتات، ثم المقاطع بملفات txt وsrt وvtt وjson، وتحتها التوكنز الخاصة للغة والمهمة](https://arabroot.io/content/images/2026/11/whisper-local-01-pipeline.webp)

نفس الخطوات في الأدوات الثلاث، والفرق في المحرك ودقة الأرقام

في الصورة أعلاه لاحظ التالي:

- الصوت يحول دائماً إلى 16 kHz بقناة واحدة، لذلك لا تكسب شيئاً من تسجيل بجودة 48 kHz، وإنما من تسجيل واضح بلا ضجيج ولا صدى.
- النموذج يرى الصوت في نوافذ من 30 ثانية، فالتسجيل الطويل يقطع إلى نوافذ متتالية، وكل نافذة تأخذ النص الذي قبلها كسياق، وهذا يحسن الاستمرارية، ولكنه أيضاً سبب مشكلة معروفة: إذا أخطأ النموذج في نافذة فقد يكرر الخطأ في التي بعدها.
- التوقيتات Timestamps ليست شيئاً يضاف بعد النسخ، وإنما توكنز يولدها النموذج نفسه بين المقاطع، وهذا ما يجعل إخراج ملف ترجمة SRT ممكناً من نفس التشغيل.
- اللغة توكن في بداية النافذة، فإذا لم تحددها يكتشفها النموذج من أول 30 ثانية، وفي تسجيل يبدأ بموسيقى Music أو بجملة إنجليزية قد يختار لغة خاطئة، لذلك حدد العربية صراحة.

## أحجام Whisper: من tiny إلى large-v3

نشرت OpenAI نموذج Whisper في [ورقة عام 2022](https://arxiv.org/abs/2212.04356?ref=arabroot.io) بعدة أحجام، والجدول التالي من مستودعه الرسمي، ولاحظ أن عمود السرعة النسبية قيس على بطاقة A100 بكلام إنجليزي، أما أرقامنا على المعالج وبالعربية فتأتي في التجربة:

| الحجم                  | المعاملات | ذاكرة البطاقة المطلوبة | السرعة النسبية |
| ---------------------- | --------- | ---------------------- | -------------- |
| tiny                   | 39 M      | قرابة 1 GB             | قرابة 10 أضعاف |
| base                   | 74 M      | قرابة 1 GB             | قرابة 7 أضعاف  |
| small                  | 244 M     | قرابة 2 GB             | قرابة 4 أضعاف  |
| medium                 | 769 M     | قرابة 5 GB             | قرابة ضعفين    |
| large (v3)             | 1550 M    | قرابة 10 GB            | 1              |
| turbo (large-v3-turbo) | 809 M     | قرابة 6 GB             | قرابة 8 أضعاف  |

والنموذج turbo بحسب نفس المستودع نسخة محسنة من large-v3 بعدد طبقات أقل في جزء الكتابة Decoder، تخسر قليلاً من الدقة مقابل سرعة أكبر بكثير، ولم تدرب على مهمة الترجمة إلى الإنجليزية. وتوجد للنماذج الإنجليزية نسخ تنتهي بـ `.en`، وهذه لا تفيدك في العربية أبداً، فلا تحملها بالخطأ.

### على ماذا تدرب Whisper؟

تقول [بطاقة large-v3](https://huggingface.co/openai/whisper-large-v3?ref=arabroot.io) إنه تدرب على مليون ساعة من الصوت بنصوص «ضعيفة» Weakly Labeled، أي نصوص مرفقة بالتسجيلات من الإنترنت لم يراجعها أحد سطراً سطراً، وأربعة ملايين ساعة بنصوص كتبها النموذج السابق large-v2 نفسه Pseudo-labeled، وإنه يستخدم في الطيف Spectrogram 128 شريطاً بدل 80 في النماذج السابقة. وهذا يفسر شيئين ستراهما في التجربة: أن النموذج يكتب العربية بإملاء الإنترنت الشائع دون تشكيل، لأن هذا ما رآه في أغلب النصوص، وأن أداءه في العربية أقل من الإنجليزية، لأن نصيب العربية من هذه الساعات أصغر بكثير، والمستودع نفسه يقول إن الأداء «يختلف كثيراً» بين اللغات ويعرض رسماً لنسبة الخطأ في كل لغة.

## ثلاث أدوات لنفس النموذج

الأوزان التي نشرتها OpenAI واحدة، ولكن طريقة تشغيلها على المعالج تغير السرعة والذاكرة Memory كثيراً، وأشهر ثلاث أدوات:

- openai-whisper: الحزمة الأصلية من OpenAI بلغة Python فوق PyTorch، وهي المرجع الذي تقاس عليه الأدوات الأخرى، ولكنها على المعالج تعمل بدقة FP32 فقط، فهي الأبطأ والأكبر ذاكرة.
- [faster-whisper](https://github.com/SYSTRAN/faster-whisper?ref=arabroot.io): إعادة كتابة من شركة SYSTRAN فوق محرك CTranslate2، برخصة MIT، ويذكر مستودعها أنها أسرع حتى أربع مرات من الأصل بنفس الدقة وبذاكرة أقل، وتدعم على المعالج التكميم int8، ومعها فلتر الصمت Silero VAD والتوقيت لكل كلمة Word Timestamps.
- [whisper.cpp](https://github.com/ggml-org/whisper.cpp?ref=arabroot.io): من نفس فريق llama.cpp، بلغتي C وC++ فوق مكتبة GGML، برخصة MIT، يقرأ ملفات ggml مكممة مثل q5\_0 وq8\_0، ويخرج ملفات txt وsrt وvtt وjson مباشرة، ويعمل بملف تنفيذي واحد دون Python.

وفي جدول القياس في مستودع faster-whisper، على معالج Intel Core i7-12700K بثمانية خيوط Threads وتسجيل مدته 13 دقيقة بالنموذج small، أخذت الحزمة الأصلية 6 دقائق و58 ثانية و2335 MB من الذاكرة، وwhisper.cpp دقيقتين و5 ثوان و1049 MB، وfaster-whisper بتكميم int8 دقيقة و42 ثانية و1477 MB. وهذه أرقامهم بالإنجليزية على معالج أحدث من معالجنا، فلنقس بأنفسنا بالعربية.

## صوت الاختبار: تسجيلات حقيقية بنص مرجعي ورخصة واضحة

لكي تقيس دقة التحويل تحتاج شيئين: تسجيلاً لا يخالف استخدامه أي حق، ونصاً مرجعياً Reference Transcript كتبه إنسان لما قيل فيه بالضبط. والحل البسيط أن تسجل صوتك وتكتب ما قلته، ولكن صوتاً واحداً بميكروفون واحد لا يمثل عملاءك، والحل الثاني أن تولد الصوت ببرنامج تحويل النص إلى كلام TTS كما فعلنا في [تجربة الوكيل الصوتي](https://arabroot.io/articles/%D9%88%D9%83%D9%8A%D9%84-%D8%B5%D9%88%D8%AA%D9%8A-ai-%D8%A8%D8%A7%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9-%D8%B9%D9%84%D9%89-asterisk/#wer)، ولكن الصوت المولد أوضح بكثير من الكلام البشري، فتخرج الأرقام أفضل من الواقع. لذلك استخدمنا هنا [مجموعة FLEURS](https://huggingface.co/datasets/google/fleurs?ref=arabroot.io) من Google، وهي جمل من ويكيبيديا قرأها متحدثون Speakers حقيقيون بأكثر من مئة لغة، ومنشورة برخصة [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/?ref=arabroot.io) التي تسمح بالاستخدام والنشر مع ذكر المصدر، ولكل تسجيل نصه المكتوب.

واخترنا من القسم العربي `ar_eg` ثلاثين جملة مختلفة عشوائياً من ملف `dev.tsv` ببذرة ثابتة Seed، مجموعها 395.4 ثانية، أي قرابة 6.6 دقائق. ولاحظ حدود هذه العينة قبل أن تعمم نتائجها: الجمل بالفصحى Modern Standard Arabic ومقروءة من نص، وليست كلاماً عفوياً، وكل المتحدثات في هذا القسم من الإناث، والتسجيل نظيف نسبياً، أي أن الأرقام التي سوف تراها أقرب إلى أفضل حالة لمحاضرة أو تسجيل مكتبي، وأبعد عن مكالمة هاتفية أو اجتماع فيه مقاطعات ولهجات.

ولاحظ مصدر كل نموذج قبل أن تحمله: نماذج tiny إلى medium في faster-whisper محولة من شركة SYSTRAN نفسها في مستودعات Systran على Hugging Face، أما الاسم `large-v3-turbo` فيحمل نسخة حولها طرف آخر، فالاسم في المكتبة يشير إلى المستودع mobiuslabsgmbh/faster-whisper-large-v3-turbo، وهذا ينقل اليوم إلى dropbox-dash/faster-whisper-large-v3-turbo برخصة MIT وملف من 1.6 GB. وهذا لا يعني أنه غير موثوق، ولكن اعرف من أين يأتي ما تشغله على بيانات شركتك، كما في نماذج اللغة.

## كيف نقيس الدقة؟ نسبة الخطأ في الكلمات WER

نسبة الخطأ في الكلمات Word Error Rate واختصاراً WER هي المقياس المعتاد لتحويل الكلام إلى نص: نقارن النص الذي كتبه النموذج بالنص المرجعي Reference Transcript كلمة كلمة، ونعد ثلاثة أنواع من الأخطاء: كلمة مستبدلة Substitution، وكلمة محذوفة Deletion، وكلمة زائدة Insertion، ثم نقسم مجموعها على عدد كلمات المرجع. فإذا كان المرجع عشر كلمات وأخطأ النموذج في كلمتين فالنسبة 20%، ولاحظ أنها قد تزيد عن 100% إذا كتب النموذج كلاماً كثيراً لم يقل. ومعها نسبة الخطأ في الحروف Character Error Rate واختصاراً CER، وهي نفس الفكرة على مستوى الحرف، وهي مهمة في العربية تحديداً، لأن كلمة واحدة فيها حرف خاطئ مثل «الزكاء» بدل «الذكاء» تحسب في WER خطأ كاملاً، وفي CER خطأ في حرف واحد.

والمشكلة الخاصة بالعربية أن النص المرجعي في FLEURS مكتوب بتشكيل جزئي وعلامات ترقيم، مثل التنوين تحت كلمتي «بشكل آلي»، ونقطة في آخر «سلوكاً ذكياً.»، ونماذج Whisper تكتب عادة دون تشكيل، فإذا قارنت كما هو حسبت كل تنوين خطأ، وهذا ليس خطأ في السمع. لذلك يحسب البرنامج التالي `wer.py` بمكتبة [jiwer](https://github.com/jitsi/jiwer?ref=arabroot.io) النسبة مرتين: مرة بعد حذف علامات الترقيم فقط، ومرة بعد توحيد الكتابة العربية Normalization، أي حذف التشكيل والتطويل، وتوحيد أشكال الألف والتاء المربوطة والألف المقصورة، وتحويل الأرقام العربية الهندية إلى أرقام لاتينية، وقد شرحنا هذا التوحيد وسببه في [مقال معالجة العربية](https://arabroot.io/articles/%D9%85%D8%B9%D8%A7%D9%84%D8%AC%D8%A9-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D8%B7%D8%A8%D9%8A%D8%B9%D9%8A%D8%A9-nlp-%D9%84%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9/#normalization):

```python
# WER/CER of a transcript file against the FLEURS references, before and after Arabic normalisation.
#   python wer.py subset.tsv hyp.json      (hyp.json: {"<wav name>": "text", ...})
import csv, json, re, sys
import jiwer
def norm(s):
    s = re.sub(r"[\u064B-\u0652\u0670\u0640]", "", s)        # diacritics, dagger alef, tatweel
    s = re.sub(r"[إأآٱ]", "ا", s).replace("ة", "ه").replace("ى", "ي")
    s = s.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
    s = re.sub(r"[^\w\s]", " ", s)                           # punctuation
    return " ".join(s.split())
def light(s):
    return " ".join(re.sub(r"[^\w\s\u064B-\u0652]", " ", s).split())  # punctuation only
rows = list(csv.reader(open(sys.argv[1], encoding="utf-8"), delimiter="\t"))
hyp = json.load(open(sys.argv[2], encoding="utf-8"))
ref_raw = [r[2] for r in rows]; hyp_raw = [hyp[r[1]] for r in rows]
print(f"WER raw (punctuation removed): {jiwer.wer([light(x) for x in ref_raw], [light(x) or '-' for x in hyp_raw])*100:.1f}%")
R = [norm(x) for x in ref_raw]; H = [norm(x) or "-" for x in hyp_raw]
print(f"WER normalised: {jiwer.wer(R, H)*100:.1f}%   CER normalised: {jiwer.cer(R, H)*100:.1f}%")
if len(sys.argv) > 3:
    for r, h, row in zip(R, H, rows):
        if r != h: print("REF:", r, "\nHYP:", h, "\n")
```

## تجهيز التجربة

كل أداة في Image خاصة بها، حتى لا تختلط مكتباتها. وبدأنا بالصوت نفسه: ملفات FLEURS محفوظة بصيغة WAV بأرقام عشرية Float32، والحزمة الأصلية وfaster-whisper تقرآنها عبر ffmpeg وPyAV، أما `whisper-cli` فيقرأ بحسب [مستودعه](https://github.com/ggml-org/whisper.cpp?ref=arabroot.io) ملفات WAV بدقة 16 بت فقط، فحولنا الملفات الثلاثين كلها مرة واحدة إلى PCM بدقة 16 بت و16 kHz بقناة واحدة، واستخدمنا الملفات المحولة مع الأدوات الثلاث حتى تكون المقارنة على نفس الصوت. وجمع نفس البرنامج أول عشر جمل في ملف واحد `long.wav` مع ثانية صمت بين كل جملتين، لنجرب عليه التوقيتات وملف SRT:

```python
# Converts the FLEURS float32 WAV clips to 16-bit PCM mono 16 kHz (whisper.cpp reads 16-bit WAV),
# and joins the first 10 clips with one second of silence into long.wav for the SRT test.
import glob, os, struct, wave, numpy as np
def read_float_wav(p):
    b = open(p, "rb").read(); i = 12; fmt = None
    while i < len(b):
        cid, size = b[i:i+4], struct.unpack("<I", b[i+4:i+8])[0]
        if cid == b"fmt ": fmt = struct.unpack("<HHIIHH", b[i+8:i+24])
        if cid == b"data": data = b[i+8:i+8+size]
        i += 8 + size + (size & 1)
    assert fmt[0] == 3 and fmt[1] == 1 and fmt[2] == 16000, fmt
    return np.frombuffer(data, dtype="<f4")
def write16(p, x):
    w = wave.open(p, "wb"); w.setnchannels(1); w.setsampwidth(2); w.setframerate(16000)
    w.writeframes((np.clip(x, -1, 1) * 32767).astype("<i2").tobytes()); w.close()
os.makedirs("clips16", exist_ok=True)
names = [l.split("\t")[1] for l in open("subset.tsv", encoding="utf-8")]
parts = []
for n in names:
    x = read_float_wav("clips/" + n); write16("clips16/" + n, x)
    if len(parts) < 20: parts += [x, np.zeros(16000, dtype="<f4")]
write16("long.wav", np.concatenate(parts))
print("converted", len(names), "long.wav seconds:", round(sum(len(p) for p in parts) / 16000, 1))
```

```text
converted 30 long.wav seconds: 157.7
```

في البرنامج أعلاه لاحظ التالي:

- البرنامج يقرأ ترويسة ملف WAV بنفسه ويتأكد أن الصيغة 3، أي أرقام عشرية IEEE Float، وأن التردد 16 kHz والقناة Channel واحدة، فإذا جاءه ملف بصيغة أخرى توقف برسالة واضحة بدل أن يحول ملفاً خاطئاً بصمت.
- التحويل إلى 16 بت يضرب كل عينة في 32767 بعد قصها بين -1 و1، وهذا ما يفعله ffmpeg عند `pcm_s16le`، فلا يغير الصوت بشكل يسمع.
- الملف الطويل 157.7 ثانية لأن فيه عشر جمل وعشر ثوان من الصمت، وهذه الثواني العشر هي ما سيحذفه فلتر VAD لاحقاً مع صمت بداية الجمل ونهايتها.

وعلى سيرفر عادي تستطيع أن تفعل نفس التحويل بالأمر الذي يذكره مستودع whisper.cpp:

```bash
ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wav
```

أما الـ Images فثلاث، والأولى faster-whisper فوق `python:3.12-slim`:

```dockerfile
FROM python:3.12-slim
RUN pip install --no-cache-dir faster-whisper==1.2.1 "av==18.1.0" jiwer==4.0.0
WORKDIR /lab
```

والثانية whisper.cpp مبنية من الكود المصدري للإصدار 1.9.5 بنفس طريقة llama.cpp في مقال Ollama أم llama.cpp أم vLLM:

```dockerfile
FROM debian:trixie-slim AS build
RUN apt-get update && apt-get install -y --no-install-recommends build-essential cmake git ca-certificates && rm -rf /var/lib/apt/lists/*
RUN git clone --depth 1 --branch v1.9.5 https://github.com/ggml-org/whisper.cpp /src
WORKDIR /src
RUN cmake -B build -DGGML_NATIVE=ON -DCMAKE_BUILD_TYPE=Release -DWHISPER_BUILD_TESTS=OFF && cmake --build build -j8 --target whisper-cli whisper-bench whisper-quantize
FROM debian:trixie-slim
RUN apt-get update && apt-get install -y --no-install-recommends libgomp1 time ca-certificates curl && rm -rf /var/lib/apt/lists/*
COPY --from=build /src/build/bin/ /opt/whisper/
COPY --from=build /src/models/download-ggml-model.sh /opt/whisper/
ENV PATH=/opt/whisper:$PATH
WORKDIR /lab
```

والثالثة الحزمة الأصلية openai-whisper مع PyTorch للمعالج فقط، لأن نسخة PyTorch العادية تحمل مكتبات CUDA بعدة جيجابايتات لا نحتاجها:

```dockerfile
FROM python:3.12-slim
RUN apt-get update && apt-get install -y --no-install-recommends ffmpeg && rm -rf /var/lib/apt/lists/*
RUN pip install --no-cache-dir torch==2.15.0 --index-url https://download.pytorch.org/whl/cpu && pip install --no-cache-dir openai-whisper==20250625
WORKDIR /lab
```

### مشكلة حقيقية: مكتبة PyAV الأحدث أوقفت faster-whisper

في البناء الأول كتبنا `pip install faster-whisper==1.2.1` وحدها، فثبت pip معها أحدث إصدار من مكتبة PyAV التي تقرأ ملفات الصوت، وهو [19.0.2](https://pypi.org/project/av/?ref=arabroot.io). وعند أول ملف ظهر هذا الخطأ:

```text
  File "/usr/local/lib/python3.12/site-packages/faster_whisper/audio.py", line 46, in decode_audio
    with av.open(input_file, mode="r", metadata_errors="ignore") as container:
         ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "av/container/core.py", line 479, in av.container.core.open
TypeError: open() got an unexpected keyword argument 'metadata_errors'
```

والسطر واضح: faster-whisper 1.2.1 يمرر إلى `av.open` وسيطاً اسمه `metadata_errors`، والإصدار 19 من PyAV لم يعد يقبله. وهذا مثال على مشكلة شائعة جداً في حزم Python: تثبت إصدار الحزمة التي تريدها، ولكن حزمها الفرعية Dependencies تأتي بأحدث إصدار وقت البناء، فيعمل نفس الملف اليوم ويتوقف غداً. والحل أن تثبت إصدار المكتبة الفرعية أيضاً، فكتبنا `"av==18.1.0"` في الـ Dockerfile كما رأيت أعلاه، فعمل كل شيء. وفي مشروع حقيقي اكتب كل الإصدارات في ملف قفل Lock File، مثل `requirements.txt` بالأرقام الكاملة الناتجة من `pip freeze`، ولا تبن Image الإنتاج دون ذلك.

## faster-whisper: خمسة أحجام على نفس الصوت

البرنامج التالي `fw_run.py` يحمل النموذج بتكميم int8 على المعالج بأربعة خيوط، ثم يحول الجمل الثلاثين واحدة واحدة بالعربية وبحث شعاعي Beam Search بعرض 5، ويحفظ النص في ملف JSON، ويطبع زمن التحميل وزمن المعالجة ونسبته إلى طول الصوت وأعلى ذاكرة:

```python
# Transcribes every clip of subset.tsv with faster-whisper and saves the text, the time and the peak memory.
#   python fw_run.py MODEL COMPUTE_TYPE [beam]
import csv, json, sys, time, resource
from faster_whisper import WhisperModel
model_name, ctype = sys.argv[1], sys.argv[2]
beam = int(sys.argv[3]) if len(sys.argv) > 3 else 5
rows = list(csv.reader(open("subset.tsv", encoding="utf-8"), delimiter="\t"))
t0 = time.time()
m = WhisperModel(model_name, device="cpu", compute_type=ctype, cpu_threads=4, download_root="/hf/whisper")
load = time.time() - t0
out, audio, t1 = {}, 0.0, time.time()
for r in rows:
    segs, info = m.transcribe("clips16/" + r[1], language="ar", beam_size=beam)
    out[r[1]] = " ".join(s.text.strip() for s in segs)
    audio += info.duration
proc = time.time() - t1
tag = f"{model_name.split('/')[-1]}-{ctype}-b{beam}"
json.dump(out, open(f"hyp-fw-{tag}.json", "w", encoding="utf-8"), ensure_ascii=False, indent=1)
rss = resource.getrusage(resource.RUSAGE_SELF).ru_maxrss / 1024
print(f"{tag}: load {load:.1f}s, audio {audio:.0f}s, processing {proc:.0f}s, RTF {proc/audio:.2f}, peak RSS {rss:.0f} MB")
```

ونسبة الزمن إلى طول الصوت Real-Time Factor واختصاراً RTF هي زمن المعالجة مقسوماً على طول التسجيل، فإذا كانت 0.25 فساعة صوت تأخذ ربع ساعة، وإذا كانت 2.5 فساعة صوت تأخذ ساعتين ونصفاً. وشغلنا البرنامج على الأحجام الخمسة بالترتيب مع حساب WER بعد كل حجم، ثم حذف ملفات النموذج قبل الحجم التالي:

```bash
#!/bin/bash
# faster-whisper model sweep on CPU (int8, beam 5, language ar), then WER, then remove the model files.
cd /lab
for m in tiny base small medium large-v3-turbo; do
  python fw_run.py $m int8 5
  python wer.py subset.tsv hyp-fw-$m-int8-b5.json
  du -sh /hf/whisper 2>/dev/null
  rm -rf /hf/whisper
done
```

والمخرج سوف يكون كما يلي بعد حذف التحذيرات:

```text
tiny-int8-b5: load 15.9s, audio 395s, processing 135s, RTF 0.34, peak RSS 411 MB
WER raw (punctuation removed): 70.4%
WER normalised: 67.8%   CER normalised: 26.0%
base-int8-b5: load 22.9s, audio 395s, processing 97s, RTF 0.25, peak RSS 555 MB
WER raw (punctuation removed): 57.5%
WER normalised: 52.5%   CER normalised: 19.8%
small-int8-b5: load 56.9s, audio 395s, processing 529s, RTF 1.34, peak RSS 1577 MB
WER raw (punctuation removed): 39.5%
WER normalised: 34.3%   CER normalised: 14.9%
medium-int8-b5: load 167.6s, audio 395s, processing 989s, RTF 2.50, peak RSS 3867 MB
WER raw (punctuation removed): 23.4%
WER normalised: 17.0%   CER normalised: 5.1%
large-v3-turbo-int8-b5: load 162.3s, audio 395s, processing 439s, RTF 1.11, peak RSS 2906 MB
WER raw (punctuation removed): 18.9%
WER normalised: 11.8%   CER normalised: 3.4%
```

والصورة التالية تضع الأرقام الأربعة لكل حجم جنباً إلى جنب:

![أربعة رسوم أعمدة لخمسة أحجام من Whisper في faster-whisper: نسبة الخطأ في الكلمات من 67.8% في tiny إلى 11.8% في large-v3-turbo، ونسبة الخطأ في الحروف من 26% إلى 3.4%، ونسبة الزمن من 0.25 إلى 2.50، والذاكرة من 411 إلى 3867 ميجابايت](https://arabroot.io/content/images/2026/11/whisper-local-02-sizes.webp)

الدقة تتحسن مع الحجم، وturbo أسرع من medium وأدق

في النتائج أعلاه لاحظ التالي:

- الدقة تتحسن بوضوح مع الحجم: من 67.8% من الكلمات خطأ في tiny إلى 11.8% في large-v3-turbo. ونموذجا tiny وbase سريعان جداً، أسرع من زمن الكلام بثلاث وأربع مرات، ولكن نصاً نصف كلماته خطأ لا يصلح لشيء تقريباً بالعربية.
- الفرق بين WER المجرد وWER بعد التوحيد كبير في كل الأحجام، 7 نقاط تقريباً في large-v3-turbo (18.9% إلى 11.8%)، وهو فرق في الكتابة وليس في السمع، أي تنوين وهمزات وتاء مربوطة. فإذا قرأت رقماً منشوراً لدقة نموذج بالعربية، فاسأل أولاً: بعد أي توحيد؟
- CER أقل بكثير من WER في كل الأحجام، 3.4% مقابل 11.8% في turbo، لأن أغلب الأخطاء حرف واحد في الكلمة، مثل «الزكاء» و«المكلمة»، فالبحث Search في النص بالكلمات يجد أغلبها رغم الخطأ إذا استخدمت بحثاً يتسامح مع حرف، كما شرحنا في [مشكلات النص العربي في مقال RAG](https://arabroot.io/articles/%D8%A7%D9%84%D8%A8%D8%AD%D8%AB-%D9%81%D9%8A-%D9%85%D8%B3%D8%AA%D9%86%D8%AF%D8%A7%D8%AA%D9%83-%D9%85%D8%B9-rag-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#arabic).
- large-v3-turbo أسرع من medium رغم أنه أكبر ملفاً، 1.11 مقابل 2.50، وأدق منه أيضاً، والسبب أن turbo بحسب [بطاقته](https://huggingface.co/openai/whisper-large-v3-turbo?ref=arabroot.io) هو large-v3 نفسه بعد تقليص طبقات الجزء الثاني Decoder من 32 إلى 4، والجزء الثاني هو الذي يعمل مرة لكل توكن، فلا يوجد سبب على المعالج لاختيار medium للعربية.
- small كان أبطأ من base بخمس مرات وأكثر من فرق الحجم، وجزء من ذلك أن الجهاز كان تحت ضغط أعمال أخرى في تلك الدقائق، فقس على جهازك قبل أن تعتمد الأرقام.
- الذاكرة من 411 MB في tiny إلى 3.9 GB في medium، وكلها في حدود سيرفر صغير بذاكرة 8 GB.

وهذه بعض أخطاء medium كما خرجت من `wer.py` بعد التوحيد، لترى نوعها:

```text
REF: يتضمن البحث في الذكاء الاصطناعي صنع الالات للقيام بشكل الي بالمهام التي تتطلب سلوكا ذكيا
HYP: يتضمن البحث في الزكاء الاصطناعي صنع الالات للقيام بشكل الي بالمهامه التي تتطلب سلوكا ذكيا

REF: هناك الكثير من الاثار الاجتماعيه والسياسيه مثل استخدام النظام المتري والتحول من الاستبداد الي النظام الجمهوري والقوميه والاعتقاد بان البلاد ملك للشعب وليس للحاكم وحده
HYP: هناك الكثير من الاسري الاجتماعيه والسياسيه مثل استخدام النظام المتري والتحول من استبداد الي النظام الجمهوري والقوميه والاعتقال بان البلاد ملك للشعب وليس للحاكم وحده

REF: احتل المتزلج البولندي من ضعاف البصر ماسيج كريزيل والمرشده انا اوغارزينسكا المركز الثالث عشر في سباق Super G انهي جونغ سورك بارك ...
HYP: احتل المتزلج البولندي من ضعاف البصر ماسيك كريزيل والمرشده انا او غارزينسكا المركز الثالث عشر في انهي غونج كونغ سورك سوبر جي سباق باركف ...
```

في المخرج أعلاه لاحظ التالي:

- «الزكاء» بدل «الذكاء» تكرر في كل الأحجام، والأرجح أن السبب نطق المتحدثة نفسه، فالقسم `ar_eg` متحدثات من مصر، والذال تنطق زاياً في اللهجة Dialect المصرية، أي أن النموذج كتب ما سمع، وهذا ما سوف تراه أيضاً مع لهجات عملائك.
- «الاعتقال» بدل «الاعتقاد» خطأ من حرف واحد، ولكنه يغير معنى الجملة كلها، وهذا أخطر من خطأ واضح لأن القارئ لا ينتبه له.
- الأسماء الأجنبية مثل «Super G» و«Jong Seork Park» هي أصعب ما في العينة، فالنموذج كتب «سوبر جي» بالعربية ونقلها إلى مكان آخر من الجملة، وهذا متوقع في أي نص عربي فيه أسماء أجنبية.

والصورة التالية تبين كيف يحسب WER على الجملة الأولى منها:

![جملة المرجع وجملة النموذج كلمة كلمة، وكلمتان مستبدلتان باللون الأحمر: الذكاء أصبحت الزكاء، وبالمهام أصبحت بالمهامه، ثم الحساب WER = 2 من 15 = 13.3%](https://arabroot.io/content/images/2026/11/whisper-local-03-wer.webp)

كلمتان مستبدلتان من 15 في جملة واحدة

## الحزمة الأصلية openai-whisper للمقارنة

شغلنا الحزمة الأصلية من OpenAI بنفس النموذج small على نفس الجمل، ودقتها على المعالج FP32 لأن الخيار `fp16=False` ضروري على المعالج، بالبرنامج `ow_run.py`:

```python
# The original openai-whisper package on CPU (FP32), same clips, same settings, for comparison.
#   python ow_run.py small
import csv, json, sys, time, resource
import whisper
name = sys.argv[1]
rows = list(csv.reader(open("subset.tsv", encoding="utf-8"), delimiter="\t"))
t0 = time.time(); m = whisper.load_model(name, device="cpu", download_root="/hf/openai"); load = time.time() - t0
out, t1 = {}, time.time()
for r in rows:
    res = m.transcribe("clips16/" + r[1], language="ar", beam_size=5, fp16=False)
    out[r[1]] = res["text"].strip()
proc = time.time() - t1
json.dump(out, open(f"hyp-ow-{name}.json", "w", encoding="utf-8"), ensure_ascii=False, indent=1)
print(f"openai-whisper {name}: load {load:.1f}s, processing {proc:.0f}s, RTF {proc/395.4:.2f}, peak RSS {resource.getrusage(resource.RUSAGE_SELF).ru_maxrss/1024:.0f} MB")
```

```text
openai-whisper small: load 54.4s, processing 1048s, RTF 2.65, peak RSS 1742 MB
WER raw (punctuation removed): 34.7%
WER normalised: 29.2%   CER normalised: 9.4%
```

أي أن الحزمة الأصلية أخذت ضعف زمن faster-whisper بنفس النموذج (1048 ثانية مقابل 529)، وذاكرة أكثر قليلاً، ولكنها أعطت أقل نسبة خطأ في small: 29.2% مقابل 34.3% في faster-whisper بتكميم int8 و31.6% في whisper.cpp. والفرق في الدقة صغير على عينة من ثلاثين جملة، وقد يأتي من دقة الأرقام FP32 ومن اختلاف بسيط في طريقة البحث، ولكنه يذكرك بأن التكميم int8 ليس مجانياً تماماً. والصورة التالية تجمع الأدوات الثلاث بنموذجي small وlarge-v3-turbo:

![جدول يقارن openai-whisper وfaster-whisper وwhisper.cpp بنموذج small، ثم faster-whisper وwhisper.cpp بنموذج large-v3-turbo، في الزمن والذاكرة ونسبتي الخطأ](https://arabroot.io/content/images/2026/11/whisper-local-04-tools.webp)

الأصلية أبطأ، وfaster-whisper أسرع، وwhisper.cpp أخف ذاكرة

### ماذا يحدث إذا نسيت لغة الصوت؟

في whisper.cpp القيمة الافتراضية للخيار `-l` هي `en` كما تقول مساعدة الأمر نفسه، وهذا فخ سهل. شغلنا نفس الجملة «يستقبل القمر الصناعي بالفضاء المكالمة ثم يعكسها في نفس اللحظة تقريباً» ثلاث مرات: دون تحديد اللغة، ثم `-l auto`، ثم `-l ar`:

```bash
whisper-cli -m /hf/ggml/ggml-small.bin -f clips16/14721486350675440790.wav -t 4
whisper-cli -m /hf/ggml/ggml-small.bin -f clips16/14721486350675440790.wav -t 4 -l auto
whisper-cli -m /hf/ggml/ggml-small.bin -f clips16/14721486350675440790.wav -t 4 -l ar
```

```text
main: processing 'clips16/14721486350675440790.wav' (91200 samples, 5.7 sec), 4 threads, 1 processors, 5 beams + best of 5, lang = en, task = transcribe, timestamps = 1 ...
[00:00:00.000 --> 00:00:05.000]   It is used for making moon with the word "Mukalma" and then it is reflected in the same moment.
---
whisper_full_with_state: auto-detected language: ar (p = 0.997693)
[00:00:00.000 --> 00:00:05.040]   يستقبل قمر الصناعي بالفضاء المكلمة ثم يعكسها في نفس اللحظة قريبا
---
[00:00:00.000 --> 00:00:05.040]   يستقبل قمر الصناعي بالفضاء المكلمة ثم يعكسها في نفس اللحظة قريبا
```

في المخرج أعلاه لاحظ التالي:

- دون تحديد اللغة لم يخطئ النموذج في السمع فقط، وإنما أجبرته اللغة الإنجليزية على أن «يترجم» الجملة ترجمة لا معنى لها، فأصبح القمر الصناعي «making moon» والمكالمة «Mukalma». والأخطر أن هذا يبدو نصاً سليماً لمن لا يعرف الأصل، ولا يظهر أي خطأ في السجل.
- مع `-l auto` اكتشف العربية باحتمال 0.9977 وكتب نفس نص `-l ar`. ولكن الاكتشاف يحدث من أول 30 ثانية فقط كما شرحنا، فإذا بدأ تسجيلك بموسيقى أو بترحيب إنجليزي قد يختار لغة خاطئة للملف كله، لذلك حدد `ar` صراحة عندما تعرف لغة الملفات.
- الأخطاء الباقية بالعربية أخطاء سمع حقيقية: «قمر» بدل «القمر»، و«المكلمة» بدل «المكالمة»، و«قريبا» بدل «تقريباً»، وهذا ما يقيسه WER.

وفي faster-whisper لا توجد قيمة افتراضية خاطئة بهذا الشكل، فإذا لم تمرر `language` اكتشفها النموذج تلقائياً، ولكن نفس النصيحة تنطبق: مررها صراحة.

## whisper.cpp: ملف تنفيذي واحد ونماذج مكممة

نماذج whisper.cpp ملفات ggml جاهزة في مستودع [ggerganov/whisper.cpp](https://huggingface.co/ggerganov/whisper.cpp?ref=arabroot.io) على Hugging Face، ومنها نسخ مكممة، فحملنا نموذجين: `ggml-small.bin` بحجم 487,601,967 بايت، و`ggml-large-v3-turbo-q5_0.bin` بحجم 574,041,195 بايت، أي أن نموذج turbo المكمم بـ 5 بتات قريب من حجم small الكامل، وهذا ما يجعله خياراً مهماً على جهاز محدود. والسكربت `wcpp_run.sh` يشغل `whisper-cli` على كل جملة ويجمع النصوص في JSON بنفس شكل faster-whisper حتى يقرأها `wer.py`:

```bash
#!/bin/bash
# whisper.cpp on every clip of subset.tsv: total time, peak memory, and the text as JSON for wer.py
#   bash wcpp_run.sh MODEL_FILE TAG
m=$1; tag=$2; out=hyp-wcpp-$tag.json; start=$(date +%s.%N); peak=0
echo "{" > $out; first=1
for w in $(cut -f2 subset.tsv); do
  txt=$( { /usr/bin/time -f "%M" whisper-cli -m /hf/ggml/$m -f clips16/$w -l ar -bs 5 -t 4 -nt -np 2>/tmp/err; } )
  rss=$(tail -1 /tmp/err); [ "$rss" -gt "$peak" ] && peak=$rss
  txt=$(echo "$txt" | tr '\n' ' ' | sed 's/^ *//; s/ *$//; s/"/\\"/g')
  [ $first = 1 ] || echo "," >> $out; first=0
  printf '"%s": "%s"' "$w" "$txt" >> $out
done
echo "}" >> $out
end=$(date +%s.%N)
echo "$tag: processing $(awk "BEGIN{print $end - $start}") s, peak RSS $((peak/1024)) MB"
```

والنتيجة للنموذجين، بنفس البرنامج `wer.py`:

```text
small: processing 692.534 s, peak RSS 753 MB
WER raw (punctuation removed): 37.9%
WER normalised: 31.6%   CER normalised: 10.7%

turbo-q5_0: processing 1182.87 s, peak RSS 804 MB
WER raw (punctuation removed): 19.7%
WER normalised: 12.3%   CER normalised: 4.3%
```

في المخرج أعلاه لاحظ التالي:

- نموذج turbo المكمم بـ q5\_0 أعطى 12.3%، أي قرابة نفس دقة faster-whisper بنفس النموذج بتكميم int8 (11.8%)، بذاكرة 804 MB فقط مقابل 2906 MB، وهذا أكبر فرق رأيناه بين الأداتين.
- الزمن هنا لا يقارن مباشرة بـ faster-whisper، لأن السكربت يشغل `whisper-cli` من جديد لكل جملة من الثلاثين، فيحمل النموذج ثلاثين مرة. لذلك قسنا الزمن بطريقة أعدل على الملف الطويل `long.wav` في قسم ملف SRT أدناه.
- small في whisper.cpp أعطى 31.6% مقابل 34.3% في faster-whisper، والفرق صغير وقد يتغير مع خيارات فك الترميز، فلا تبن عليه قراراً، والمهم أن ترتيب الأحجام واحد في الأداتين.

## التوقيتات Timestamps وملف SRT على تسجيل طويل

الجمل المنفصلة تقيس الدقة، ولكن عملك الحقيقي غالباً ملف طويل تريد له نصاً بتوقيتات. لذلك شغلنا أفضل نموذج، large-v3-turbo، على الملف `long.wav` الذي جمعنا فيه أول عشر جمل مع ثانية صمت بينها، ومدته 157.7 ثانية، مرة في whisper.cpp ومرة في faster-whisper، وكل أداة تحمل النموذج مرة واحدة هذه المرة، فالزمن يقارن بعدل.

### whisper.cpp: ملف SRT بخيار واحد

```bash
/usr/bin/time -f "wall %e s, peak RSS %M KB" whisper-cli -m /hf/ggml/ggml-large-v3-turbo-q5_0.bin \
  -f long.wav -l ar -t 4 -bs 5 -osrt -of long-wcpp
```

```text
whisper_print_timings:     load time =  2935.12 ms
whisper_print_timings:   sample time =  4940.00 ms /  3709 runs (     1.33 ms per run)
whisper_print_timings:   encode time = 245292.14 ms /     7 runs ( 35041.73 ms per run)
whisper_print_timings:   decode time =    21.06 ms /     2 runs (    10.53 ms per run)
whisper_print_timings:   batchd time = 41272.84 ms /  3675 runs (    11.23 ms per run)
whisper_print_timings:    total time = 307422.47 ms
wall 307.55 s, peak RSS 924100 KB
```

في المخرج أعلاه لاحظ التالي:

- من 307 ثوان ذهبت 245 ثانية إلى الجزء الأول Encoder، سبع مرات بقرابة 35 ثانية لكل نافذة من 30 ثانية، أما كتابة النص `batchd` فأخذت 41 ثانية فقط. وهذا ما تتوقعه من turbo: OpenAI قصت طبقات الجزء الثاني Decoder من 32 إلى 4 بحسب بطاقة النموذج، وأبقت الجزء الأول كاملاً، فأصبح هو الثقيل.
- نسبة الزمن هنا 307 إلى 157.7، أي قرابة 1.95، وأعلى ذاكرة 924100 KB، أي قرابة 0.9 GB.
- تحميل النموذج أخذ 2.9 ثانية فقط، فالفرق الكبير في التجربة السابقة جاء من تحميله ثلاثين مرة.

وهذه بداية الملف `long-wcpp.srt` كما خرج:

```text
1
00:00:00,000 --> 00:00:08,580
 يتضمن البحث في الزكاء الاصطناعي صنع الآلات للقيام بشكل آلي بالمهام التي تتطلب سلوكا ذكيا

2
00:00:08,580 --> 00:00:21,060
 في الكثير من الأحيان يمكن أن يحسن التسجيل في درة تدريبية لمدة عام

3
00:00:21,060 --> 00:00:31,400
 خرج البلاد فرصك في الاتحاق بالتعليم العادي في بردك الأمة عند عوضتك

4
00:00:31,400 --> 00:00:38,720
 يستقبل القمر الصناعي بالفضاء المكالمة ثم يعكسها في نفس اللحظة تقريبا
```

### faster-whisper: الصمت والتوقيت لكل كلمة

في faster-whisper لا يوجد خيار جاهز لملف SRT، ولكن كل مقطع يرجع ببدايته ونهايته، فكتبنا الملف بأنفسنا في `fw_srt.py`، وفعلنا فلتر الصمت `vad_filter=True` والتوقيت لكل كلمة `word_timestamps=True`:

```python
# Long file -> segments with timestamps -> SRT, with the Silero VAD filter and word timestamps.
#   python fw_srt.py MODEL long.wav out.srt
import sys, time
from faster_whisper import WhisperModel
def ts(t):
    h, r = divmod(t, 3600); m, s = divmod(r, 60)
    return f"{int(h):02d}:{int(m):02d}:{int(s):02d},{int(round((s - int(s)) * 1000)):03d}"
model, src, dst = sys.argv[1], sys.argv[2], sys.argv[3]
m = WhisperModel(model, device="cpu", compute_type="int8", cpu_threads=4, download_root="/hf/whisper")
t0 = time.time()
segs, info = m.transcribe(src, language="ar", beam_size=5, vad_filter=True, word_timestamps=True)
with open(dst, "w", encoding="utf-8") as f:
    for i, s in enumerate(segs, 1):
        f.write(f"{i}\n{ts(s.start)} --> {ts(s.end)}\n{s.text.strip()}\n\n")
        if i <= 2:
            print(f"segment {i}: {s.start:.2f}-{s.end:.2f}", [(w.word.strip(), round(w.start, 2), round(w.end, 2)) for w in s.words[:4]])
import resource
print(f"peak RSS {resource.getrusage(resource.RUSAGE_SELF).ru_maxrss//1024} MB")
print(f"duration {info.duration:.1f}s, after VAD {info.duration_after_vad:.1f}s, language {info.language}, took {time.time()-t0:.0f}s")
```

```bash
python fw_srt.py large-v3-turbo long.wav long-fw.srt
```

```text
segment 1: 0.14-8.56 [('يتضمن', np.float64(0.14), np.float64(1.1)), ('البحث', np.float64(1.1), np.float64(1.56)), ('في', np.float64(1.56), np.float64(1.72)), ('الزكاء', np.float64(1.72), np.float64(2.2))]
segment 2: 8.56-21.04 [('في', np.float64(8.56), np.float64(9.46)), ('الكثير', np.float64(12.18), np.float64(13.06)), ('من', np.float64(13.06), np.float64(13.4)), ('الأحيان', np.float64(13.4), np.float64(14.4))]
peak RSS 2446 MB
duration 157.7s, after VAD 137.7s, language ar, took 167s
```

```text
3
00:00:21,040 --> 00:00:31,300
خارج البلاد فرصك في الاتحاق بالتعليم العالي في بلدك الأم عند عوضتك

4
00:00:33,800 --> 00:00:38,680
يستقبل القمر الصناعي بالفضاء المكلمة ثم يعكسها في نفس اللحظة تقريبا
```

والصورة التالية تضع المقطع الرابع من الملفين جنباً إلى جنب:

![مقطعان من ملفي SRT لنفس الجملة: whisper.cpp دون VAD يبدأ عند 00:00:31,400، وfaster-whisper مع VAD يبدأ عند 00:00:33,800، وتحتهما مثال على التوقيت لكل كلمة](https://arabroot.io/content/images/2026/11/whisper-local-05-srt.webp)

مع VAD تبدأ الجملة حين يبدأ الكلام

في المخرج أعلاه لاحظ التالي:

- فلتر الصمت Silero VAD حذف 20 ثانية من 157.7 قبل أن يصل الصوت إلى النموذج، وهي ثواني الصمت العشر بيننا وبين أطراف الجمل، فلم يضيع النموذج وقتاً عليها، واستغرق الملف كله 167 ثانية، أي نسبة 1.06، أسرع من whisper.cpp بقرابة الضعف على هذا الملف، مقابل ذاكرة 2446 MB.
- قارن بداية المقطع الرابع: في whisper.cpp دون VAD بدأ عند 31.4 ثانية، أي أنه ضم الصمت إلى الجملة، وفي faster-whisper مع VAD بدأ عند 33.8، وهو أقرب إلى بداية الكلام، وهذا الفرق هو ما يجعل الترجمة المكتوبة تظهر على الشاشة في وقتها الصحيح.
- التوقيت لكل كلمة يتيح لك أشياء لا يتيحها المقطع: أن تقفز في المشغل إلى كلمة بحثت عنها، أو أن تلون الكلمة التي تقال الآن. ولاحظ أن «في» في المقطع الثاني امتدت من 8.56 إلى 9.46 ثم بدأت «الكثير» عند 12.18، أي أن بينهما قرابة ثلاث ثوان، وهي ثانية الصمت التي أضفناها مع وقفة المتحدثة.
- الأخطاء نفسها تقريباً في الأداتين: «الزكاء» و«الاتحاق» و«عوضتك»، لأن النموذج واحد، والفرق في التكميم وفي التقطيع فقط.

### ماذا يكتب Whisper في الصمت؟

يكتب Whisper أحياناً كلاماً على فترات الصمت أو الضجيج Noise، لأنه نموذج لغة في جزئه الثاني يميل إلى أن يكمل نصاً حتى حين لا يوجد كلام، ولهذا يأتي faster-whisper بفلتر VAD الذي يحذف الصمت قبل أن يصل إلى النموذج. لذلك جربنا ملفاً من 30 ثانية من ضجيج هادئ جداً، صنعناه بالبرنامج `make_silence.py`، مرة دون VAD ومرة معه، بالنموذج small:

```text
vad_filter=False: []
vad_filter=True: []
```

ولم يكتب النموذج شيئاً في الحالتين، وهذه نتيجة جيدة، ولكنها لا تعني أن المشكلة غير موجودة، فالملف هنا ضجيج منتظم هادئ، أما التسجيل الحقيقي ففيه موسيقى وتصفيق وأصوات خلفية. والقاعدة أن تفعل VAD للتسجيلات الطويلة على أي حال، لأنه يوفر الوقت كما رأيت، ويقلل الفرص التي يكتب فيها النموذج على غير كلام.

## إعدادات تغير الدقة والسرعة

شغلنا كل الأدوات بإعدادات متقاربة حتى تصح المقارنة: البحث الشعاعي Beam Search بعرض 5، والعربية محددة، وأربعة خيوط. وعندما تنقل هذا إلى عملك، فهذه الإعدادات التي تستحق أن تجربها على تسجيلاتك، كل واحد منها على حدة:

- عرض البحث `beam_size`: النموذج لا يختار التوكن الأكثر احتمالاً فقط، وإنما يحتفظ بأفضل خمسة مسارات للجملة ويختار أفضلها في النهاية. والقيمة 1 أسرع وأقل دقة، والقيمة 5 هي ما استخدمناه، وأكبر منها يبطئ دون فرق كبير غالباً.
- التكميم `compute_type` في faster-whisper: استخدمنا `int8`، والمستودع يذكر `float32` أيضاً على المعالج، وقد رأيت أن الحزمة الأصلية بدقة FP32 كانت أدق قليلاً في small، فإذا كانت الدقة أهم من الزمن فجرب `float32` بنفس النموذج.
- التعليمات الأولى `initial_prompt`: نص قصير تعطيه للنموذج قبل الصوت، مثل أسماء منتجاتك ومصطلحات عملك، فيميل إلى كتابتها كما تكتبها أنت بدل أن يخمن، وهذا مفيد جداً في الأسماء الأجنبية التي رأيت أنها أصعب ما في العينة.
- النص السابق كسياق `condition_on_previous_text`: يجعل كل نافذة من 30 ثانية تقرأ النص الذي قبلها، فيتحسن الترابط، ولكن إذا أخطأ النموذج في نافذة فقد يكرر الخطأ أو يدخل في تكرار عبارة، فإذا رأيت تكراراً في ملف طويل فجرب إيقافه.
- التحويل على دفعات Batched Inference: يذكر مستودع faster-whisper أن `BatchedInferencePipeline` مع `batch_size=8` خفض زمن small بتكميم int8 على معالجهم من 1:42 إلى 51 ثانية لتسجيل من 13 دقيقة، مقابل ذاكرة أكبر، وهو مناسب للملفات الطويلة التي يقطعها VAD إلى أجزاء يعالجها معاً.
- عدد الخيوط: مثل نماذج اللغة، لا تتجاوز عدد الأنوية الحقيقية، لأن الخيوط الإضافية تتنافس على نفس الأنوية، كما رأيت في [تجربة الخيوط](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#lab-threads).

## لماذا ستكون أرقامك أسوأ من أرقامنا؟

عينة FLEURS قراءة بالفصحى لجمل مكتوبة، بميكروفون جيد، لمتحدث واحد في كل ملف، وهذا أقرب إلى أفضل حالة. أما تسجيلاتك فغالباً فيها ما يلي، وكل واحد منها يرفع نسبة الخطأ:

- اللهجات: Whisper تدرب على العربية كلغة واحدة، والكلام العفوي باللهجة أصعب عليه من القراءة بالفصحى، وقد ذكرنا في [مقال الوكيل الصوتي](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D9%8A%D8%B1%D8%AF-%D9%88%D9%83%D9%8A%D9%84-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D8%B9%D9%84%D9%89-%D8%A7%D9%84%D9%85%D9%83%D8%A7%D9%84%D9%85%D8%A9/#arabic) أرقاماً منشورة أعلى بكثير لكلام خليجي حقيقي.
- المكالمات Phone Calls الهاتفية: الصوت فيها بتردد 8 kHz أو أقل، فتضيع ترددات عالية تفرق بين حروف متقاربة مثل السين والصاد.
- أكثر من متحدث في نفس الوقت: Whisper لا يفصل المتحدثين Speaker Diarization، فإذا تكلم شخصان معاً كتب خليطاً من الاثنين، وفصل المتحدثين يحتاج أداة أخرى.
- الضجيج والصدى Echo والموسيقى: قاعة اجتماعات كبيرة بميكروفون واحد في وسطها تعطي نتيجة أسوأ بكثير من ميكروفون قريب من كل متحدث.
- المصطلحات Terminology والأسماء: أسماء العملاء والمنتجات والمصطلحات التقنية الإنجليزية داخل الكلام العربي، وهنا يساعدك `initial_prompt`.

لذلك لا تأخذ أرقام هذا المقال ولا أي رقم منشور كما هو، وإنما خذ الطريقة: اجمع عشرين تسجيلاً من عملك الحقيقي، واكتب نصها بيد إنسان، وشغل عليها `fw_run.py` و`wer.py`، ثم اختر الحجم.

## تشغيله كخدمة لبقية الأنظمة

في هذا المقال شغلنا الأدوات من سطر الأوامر على ملفات، ولكن إذا أردت أن ترسل إليها أنظمة أخرى ملفات صوتية، فلديك طريقان دون كتابة خادم من الصفر: whisper.cpp يأتي بخادم HTTP في مستودعه باسم [whisper-server](https://github.com/ggml-org/whisper.cpp/tree/master/examples/server?ref=arabroot.io) يستقبل الملف ويرجع النص، وتوثيق Ollama يذكر في [صفحة التوافق مع OpenAI](https://docs.ollama.com/api/openai-compatibility?ref=arabroot.io) نقطة `/v1/audio/transcriptions`، أي أن نفس الكود الذي يرسل ملفاً صوتياً إلى OpenAI قد يعمل على خادمك بتغيير العنوان، كما رأيت مع نماذج اللغة في مقال Ollama أم llama.cpp أم vLLM. وفي الحالتين لا تنشر الخدمة دون مصادقة Authentication، فهي تستقبل أصوات الناس.

## أين تستخدم هذا في عملك؟

التجربة كانت على ملفات، وهذا أكثر استخدام شائع، ولكن نفس النماذج تظهر في أماكن أخرى، وكل مكان له قيد مختلف:

- تفريغ التسجيلات Batch Transcription: محاضرات واجتماعات ومقابلات تحولها في الليل، والزمن هنا أقل أهمية من الدقة، فاختر أكبر نموذج يحتمله جهازك، مثل large-v3-turbo، واترك المهمة تعمل.
- الترجمة المكتوبة للفيديو Subtitles: تحتاج التوقيتات وملف SRT أو VTT، وتحتاج مراجعة بشرية Human Review قبل النشر، لأن خطأ واحداً في اسم أو رقم يظهر لكل المشاهدين.
- المحادثة الصوتية الفورية Real-time: كما في الوكيل الصوتي الذي بنيناه في [وكيل صوتي بالعربية على Asterisk](https://arabroot.io/articles/%D9%88%D9%83%D9%8A%D9%84-%D8%B5%D9%88%D8%AA%D9%8A-ai-%D8%A8%D8%A7%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9-%D8%B9%D9%84%D9%89-asterisk/)، وهنا كل ثانية تأخير يشعر بها المتصل، فتحتاج نموذجاً أصغر أو بطاقة رسومية، وقد قارنا أدوات هذا النوع ومزوديه في [أدوات بناء الوكيل الصوتي](https://arabroot.io/articles/%D8%A7%D8%AF%D9%88%D8%A7%D8%AA-%D8%A8%D9%86%D8%A7%D8%A1-%D8%A7%D9%84%D9%88%D9%83%D9%8A%D9%84-%D8%A7%D9%84%D8%B5%D9%88%D8%AA%D9%8A-ai-%D9%85%D8%B3%D8%AA%D8%B6%D8%A7%D9%81%D8%A9-%D8%A7%D9%85-%D9%85%D9%81%D8%AA%D9%88%D8%AD%D8%A9-%D8%A7%D9%84%D9%85%D8%B5%D8%AF%D8%B1/).
- الإملاء في واجهة المساعد: Open WebUI بنسختها الكاملة تحمل نموذج Whisper لتحويل كلام المستخدم إلى نص داخل المحادثة، أما النسخة slim التي شغلناها في مقال Ollama وOpen WebUI فلا تحمله، وتحتاج خادماً خارجياً مثل الذي في هذا المقال.

## متى تكون الخدمة السحابية أنسب؟

التشغيل المحلي ليس الإجابة لكل حالة. فإذا كانت تسجيلاتك عامة أصلاً، مثل محاضرات منشورة أو حلقات بودكاست، وكانت كميتها قليلة، فخدمة سحابية لتحويل الكلام إلى نص قد تعطيك دقة أعلى بدقائق وتكلفة صغيرة، وقد رأيت في [تجربة الوكيل الصوتي](https://arabroot.io/articles/%D9%88%D9%83%D9%8A%D9%84-%D8%B5%D9%88%D8%AA%D9%8A-ai-%D8%A8%D8%A7%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9-%D8%B9%D9%84%D9%89-asterisk/#wer) أن الخدمات السحابية أعطت نسبة خطأ أقل من النماذج المحلية على نفس الجمل. أما إذا كانت التسجيلات اجتماعات داخلية أو مكالمات عملاء أو مقابلات توظيف، أو كانت كميتها كبيرة ومستمرة، فالتشغيل المحلي يحفظ البيانات داخل شبكتك، وتكلفته ثابتة لا تزيد بعدد الساعات، وقد رأيت أن large-v3-turbo على معالج قديم يحول ساعة الصوت في قرابة ساعة.

## الصوت بيانات شخصية

التسجيل الصوتي ليس نصاً عادياً، فهو يحمل صوت الشخص نفسه، والصوت يعرف صاحبه، ومعه غالباً أسماء وأرقام هواتف وتفاصيل حسابات. لذلك عندما تقرر تشغيل Whisper على سيرفرك، فأنت حللت نصف المشكلة فقط، وهو ألا يخرج الصوت إلى طرف ثالث، ويبقى النصف الآخر عندك:

- الصلاحيات Permissions: من يستطيع أن يرفع التسجيلات ومن يقرأ النصوص الناتجة، فالنص المكتوب أسهل في البحث والنسخ من الصوت نفسه.
- مدة الحفظ Retention: احذف الملف الصوتي بعد التحويل إذا لم تكن تحتاجه، واحفظ النص فقط، أو حدد مدة واضحة للاثنين.
- الموافقة Consent: إذا كنت تسجل مكالمات العملاء أو الاجتماعات، فأخبر المشاركين، وقد ناقشنا التسجيل والموافقة ومكان البيانات في [مقال الوكيل الصوتي](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D9%8A%D8%B1%D8%AF-%D9%88%D9%83%D9%8A%D9%84-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D8%B9%D9%84%D9%89-%D8%A7%D9%84%D9%85%D9%83%D8%A7%D9%84%D9%85%D8%A9/#privacy)، وتصنيف البيانات قبل أي أداة في [الذكاء الاصطناعي في العمل](https://arabroot.io/articles/%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D9%81%D9%8A-%D8%A7%D9%84%D8%B9%D9%85%D9%84-%D9%85%D8%A7-%D9%84%D8%A7-%D8%AA%D8%B1%D8%B3%D9%84%D9%87-%D8%A7%D9%84%D9%89-%D8%AE%D8%AF%D9%85%D8%A9-%D8%AE%D8%A7%D8%B1%D8%AC%D9%8A%D8%A9/).
- النسخ الاحتياطي Backup: التسجيلات تكبر بسرعة، فساعة صوت بجودة 16 kHz و16 بت قرابة 115 MB في WAV، فقرر ماذا تنسخ ومتى تحذف.

## أي حجم وأي أداة تختار؟

والصورة التالية تجمع القرار في ثلاث بطاقات، ثم الجدول بالتفصيل:

![ثلاث بطاقات: لا تستخدم tiny وbase للعربية، وsmall للمسودة والبحث، وlarge-v3-turbo لأفضل دقة في faster-whisper أو whisper.cpp المكمم، وتحتها تذكير بتحديد اللغة وVAD والمراجعة](https://arabroot.io/content/images/2026/11/whisper-local-06-choose.webp)

اختر الحجم بنسبة الخطأ أولاً، ثم الأداة بالذاكرة والسرعة

| حالتك                                            | الاختيار                                     | والسبب من التجربة                                                                                |
| ------------------------------------------------ | -------------------------------------------- | ------------------------------------------------------------------------------------------------ |
| تفريغ تسجيلات عربية بأعلى دقة على سيرفر بالمعالج | large-v3-turbo في faster-whisper بتكميم int8 | أقل نسبة خطأ 11.8%، وأسرع من medium (RTF 1.11 مقابل 2.50)، مقابل قرابة 3 GB ذاكرة                |
| نفس الدقة على جهاز بذاكرة قليلة                  | large-v3-turbo مكمم q5\_0 في whisper.cpp     | 12.3% بذاكرة قرابة 0.9 GB، وملف من 574 MB                                                        |
| ترجمة مكتوبة SRT أو VTT                          | أي من الأداتين مع VAD، ومراجعة بشرية         | whisper.cpp يكتب SRT بخيار واحد، وfaster-whisper يعطيك توقيت كل كلمة                             |
| مسودة سريعة أو بحث داخل التسجيل                  | small                                        | 31.6% إلى 34.3% أخطاء في الكلمات ولكن 10.7% إلى 14.9% فقط في الحروف، فالبحث بالكلمات يعمل غالباً |
| العربية بأي شكل                                  | لا تستخدم tiny ولا base                      | 67.8% و52.5% من الكلمات خطأ، وهذا نص لا يصلح لشيء تقريباً                                        |

## أخطاء شائعة

- ترك لغة whisper.cpp على قيمتها الافتراضية `en`، فيترجم الكلام العربي ترجمة إنجليزية لا معنى لها دون أي رسالة خطأ.
- تحميل نماذج `.en` للعربية، وهي إنجليزية فقط.
- الحكم على الدقة من سماعك أنت لتسجيل واحد، بدلاً من WER وCER على عينة من تسجيلاتك مع نص مرجعي.
- مقارنة WER دون توحيد الكتابة العربية، فتحسب كل تنوين أو همزة خطأ.
- تثبيت faster-whisper دون تثبيت إصدار PyAV، فيتوقف البناء الجديد بخطأ `metadata_errors`.
- تشغيل التحويل على ملفات فيها فترات صمت طويلة دون VAD، فيكتب النموذج كلاماً لم يقله أحد.
- نشر ملف الترجمة SRT دون مراجعة بشرية، والأسماء والأرقام والمصطلحات الأجنبية أكثر ما يخطئ فيه النموذج.
- إرسال تسجيلات العملاء إلى خدمة سحابية دون تصنيف البيانات وعقد واضح، وهي تحمل أصواتهم وأسماءهم.

## قائمة التحقق

- هل حددت اللغة `ar` صراحة في كل أداة؟
- هل اخترت الحجم بعد قياس WER وCER على عشرين تسجيلاً على الأقل من تسجيلاتك مع نصوص مرجعية؟
- هل وحدت الكتابة العربية قبل حساب WER، وقرأت الأخطاء نفسها وليس الرقم فقط؟
- هل ثبت إصدارات الحزم Packages كلها، ومنها PyAV، في ملف قفل؟
- هل فعلت VAD للتسجيلات الطويلة، وجربت ملفاً فيه صمت؟
- هل الصوت محول إلى 16 kHz بقناة واحدة، وWAV بدقة 16 بت لـ whisper.cpp؟
- هل تبقى الملفات الصوتية والنصوص على سيرفرك، مع صلاحيات وسياسة حذف؟

## تدريب عملي

1. سجل دقيقتين من كلامك العادي بلهجتك، واكتب ما قلته بالضبط، ثم شغل `fw_run.py` بحجمي small وlarge-v3-turbo، واحسب WER بـ `wer.py`، وقارنها بأرقام FLEURS في هذا المقال.
2. شغل whisper.cpp على ملف طويل بالخيار `-osrt` مرة دون `--vad` ومرة معه مع نموذج Silero، وقارن بداية المقاطع في الملفين.

## الخلاصة

وصلنا لنهاية الموضوع، وأهم ما فيه:

- Whisper نموذج مفتوح برخصة MIT يعمل على المعالج، والأدوات الثلاث تشغل نفس الأوزان: الأصلية أبطأ، وfaster-whisper أسرع بتكميم int8، وwhisper.cpp أخف ذاكرة بملف تنفيذي واحد.
- على 6.6 دقائق من FLEURS بالعربية كانت نسبة الخطأ في الكلمات بعد التوحيد 67.8% في tiny، و52.5% في base، و34.3% في small، و17.0% في medium، و11.8% في large-v3-turbo، فلا تستخدم الأحجام الصغيرة للعربية.
- large-v3-turbo أدق من medium وأسرع منه، لأن طبقات الكتابة فيه قلصت من 32 إلى 4، وهو الخيار الافتراضي للعربية على المعالج، بنسبة زمن قرابة 1.1 في faster-whisper، أو بذاكرة 0.9 GB في whisper.cpp المكمم.
- قس WER وCER بعد توحيد الكتابة العربية، واقرأ الأخطاء نفسها، فأغلبها حرف واحد، وبعضها يغير المعنى.
- حدد اللغة `ar` صراحة، فالقيمة الافتراضية في whisper.cpp إنجليزية وتنتج ترجمة لا معنى لها، وثبت إصدارات الحزم كلها، وفعل VAD للملفات الطويلة.

وفي المقال القادم من [مرحلة الذكاء الاصطناعي على سيرفرك](https://arabroot.io/start/#stage-ai) بإذن الله سوف نستدعي هذه الخدمات من الكود عبر واجهة متوافقة مع OpenAI.

[![](https://arabroot.io/content/images/2026/11/ai-voice-lab-cover-cover.webp)دليلوكيل صوتي AI بالعربية على Asterisk: نموذج محلي أم سحابي؟نبني وكيلاً صوتياً عربياً يرد على مكالمات Asterisk ويحول إلى الطابور، ونقيس التأخير والدقة والتكلفة محلياً وسحابياً.](https://arabroot.io/articles/%D9%88%D9%83%D9%8A%D9%84-%D8%B5%D9%88%D8%AA%D9%8A-ai-%D8%A8%D8%A7%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9-%D8%B9%D9%84%D9%89-asterisk/)[![](https://arabroot.io/content/images/2026/11/ai-voice-concept-cover-cover.webp)دليلكيف يرد وكيل الذكاء الاصطناعي AI Voice Agent على المكالمة؟من SIP إلى التحويل إلى نص والنموذج والصوت: أين تذهب كل ثانية، وكيف يقاطع العميل الوكيل، ومتى يحوله إلى موظف.](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D9%8A%D8%B1%D8%AF-%D9%88%D9%83%D9%8A%D9%84-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D8%B9%D9%84%D9%89-%D8%A7%D9%84%D9%85%D9%83%D8%A7%D9%84%D9%85%D8%A9/)[![](https://arabroot.io/content/images/2026/11/ai-voice-tools-cover-cover.webp)دليلأدوات بناء الوكيل الصوتي AI: منصات مستضافة أم مفتوحة المصدر؟مقارنة Vapi وRetell وTwilio وAmazon Connect وGoogle مع Pipecat وLiveKit وjambonz بالسعر ودعم العربية ومكان صوت العميل.](https://arabroot.io/articles/%D8%A7%D8%AF%D9%88%D8%A7%D8%AA-%D8%A8%D9%86%D8%A7%D8%A1-%D8%A7%D9%84%D9%88%D9%83%D9%8A%D9%84-%D8%A7%D9%84%D8%B5%D9%88%D8%AA%D9%8A-ai-%D9%85%D8%B3%D8%AA%D8%B6%D8%A7%D9%81%D8%A9-%D8%A7%D9%85-%D9%85%D9%81%D8%AA%D9%88%D8%AD%D8%A9-%D8%A7%D9%84%D9%85%D8%B5%D8%AF%D8%B1/)[![](https://arabroot.io/content/images/2026/11/ollama-open-webui-cover-cover.webp)دليلOllama وOpen WebUI: مساعد ذكي داخل شبكتكنبني مساعداً لفريقك من Ollama وOpen WebUI بحسابات ومجموعات وصلاحيات على النماذج، ويجيب بالعربية من مستنداتك، مع ثلاث مشكلات حقيقية واجهتنا وحلها.](https://arabroot.io/articles/ollama-%D9%88-open-webui-%D9%85%D8%B3%D8%A7%D8%B9%D8%AF-%D8%B0%D9%83%D9%8A-%D8%AF%D8%A7%D8%AE%D9%84-%D8%B4%D8%A8%D9%83%D8%AA%D9%83/)[![](https://arabroot.io/content/images/2026/11/open-models-cover-cover.webp)دليلالنماذج المفتوحة Open Weights: الرخص والأحجام والعربيةما الذي تحمله عندما تحمل نموذجاً مفتوحاً، وماذا تسمح لك رخص Qwen وLlama وMistral وDeepSeek وGemma، وكم تخسر بالتكميم في العربية بقياس حقيقي.](https://arabroot.io/articles/%D8%A7%D9%84%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%85%D9%81%D8%AA%D9%88%D8%AD%D8%A9-open-weights-%D8%A7%D9%84%D8%B1%D8%AE%D8%B5-%D9%88%D8%A7%D9%84%D8%A7%D8%AD%D8%AC%D8%A7%D9%85-%D9%88%D8%A7%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9/)[![](https://arabroot.io/content/images/2026/11/local-llm-hardware-cover-cover.webp)دليلتشغيل نماذج اللغة على جهازك: كم ذاكرة وأي GPU تحتاج؟كيف تحسب الذاكرة التي يحتاجها النموذج، وماذا تتوقع من جهازك الحالي قبل أن تشتري بطاقة رسومية GPU.](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/)[![](https://arabroot.io/content/images/2026/11/arabic-nlp-cover-cover.webp)دليلمعالجة اللغة الطبيعية NLP للعربية ولماذا تصعب على البرامجلماذا تصعب العربية على البرامج من الزوائد واللهجات إلى تكلفة التوكنز، وما الأدوات والنماذج المتاحة لمن يبني مساعداً عربياً.](https://arabroot.io/articles/%D9%85%D8%B9%D8%A7%D9%84%D8%AC%D8%A9-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D8%B7%D8%A8%D9%8A%D8%B9%D9%8A%D8%A9-nlp-%D9%84%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9/)[![](https://arabroot.io/content/images/2026/11/llm-api-basics-cover-cover.webp)دليلاستدعاء نموذج اللغة من الكود عبر API متوافقة مع OpenAIكيف تستدعي نموذجاً على سيرفرك من الكود بنفس واجهة OpenAI، وتتعامل مع البث والمخرج المنظم والأدوات والأخطاء وتحسب تكلفة كل طلب.](https://arabroot.io/articles/%D8%A7%D8%B3%D8%AA%D8%AF%D8%B9%D8%A7%D8%A1-%D9%86%D9%85%D9%88%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D9%85%D9%86-%D8%A7%D9%84%D9%83%D9%88%D8%AF-%D8%B9%D8%A8%D8%B1-api-%D9%85%D8%AA%D9%88%D8%A7%D9%81%D9%82%D8%A9-%D9%85%D8%B9-openai/)

## سجل التحديثات

- 19 نوفمبر 2026: كتابة المقال واختباره على faster-whisper 1.2.1 (CTranslate2 4.9.0) وwhisper.cpp 1.9.5 وopenai-whisper 20250625 (PyTorch 2.15.0 للمعالج)، بعينة من 30 جملة من FLEURS العربية (ar\_eg)، على معالج Intel Core i7-7700K دون بطاقة رسومية مع Docker Desktop وWSL2.