النقاط الرئيسية
- الحزمة المحلية بالكامل هي Whisper (STT) + LLM محلي 3B–4B + Piper أو TTS النظام. المكونات الثلاثة تعمل محليًا على الجهاز بعد التثبيت؛ بدون مكالمات سحابية أثناء الاستخدام.
- iPhone: WhisperKit + LLM Farm + صوت نظام iOS هو أبسط مسار. WhisperKit يستخدم Apple Neural Engine للـ STT؛ LLM Farm يشغّل Phi-4 Mini للرد؛ TTS نظام iOS يتولى الصوت. صوت إلى أول صوت: ~0.9–1.4 ثانية على iPhone 16 Pro.
- Android: Layla تشمل الحزمة الكاملة بشكل افتراضي، أو ابنها يدويًا مع Termux + whisper.cpp + Ollama + Piper. Layla هو أسهل مسار؛ بنية Termux أكثر مرونة. صوت إلى أول صوت: ~1.0–1.6 ثانية على Pixel 9 Pro و Galaxy S25 Ultra.
- هجين (STT على الهاتف + Ollama عن بُعد) يعطي أفضل جودة LLM. الهاتف يشغّل Whisper محليًا (حرج لخصوصية الصوت) ثم يرسل النص المحوَّل إلى Mac أو PC في المنزل مع Llama 3.3 70B. جودة ردود أفضل؛ يتطلب Wi-Fi منزلي.
- Whisper Small (~466 ميجابايت) هو النقطة المثلى للجوال. ~12% WER في الكلام الشائع، ~150–300 مللي ثانية كمون STT. Whisper Medium (~1.5 جيجابايت) أدق (~9% WER) لكن أبطأ؛ Whisper Tiny (~75 ميجابايت) أسرع لكن معرض للأخطاء مع الضوضاء الخلفية.
- استهلاك البطارية ملحوظ — نحو 25–35% في الساعة من المحادثة النشطة على الهواتف المتميزة. للاستخدام طوال اليوم، وصّل الشاحن أو استخدم المسار الهجين (يعمل فقط الـ STT على الهاتف، يخفض الاستهلاك إلى ~10–15% في الساعة).
- هذا بديل حقيقي لـ Siri للمستخدمين الذين يفضلون الخصوصية على اتساع الميزات. ما تتنازل عنه: البحث على الويب وتكامل المنزل الذكي مع السحابات الاحتكارية وتغطية إجراءات النظام. ما تكسبه: يعمل دون اتصال، بدون تتبع، بدون حساب.
حقائق سريعة
- محرك STT: Whisper.cpp (متعدد المنصات)، WhisperKit (iOS، محسَّن لـ Apple Neural Engine)، Sherpa-ONNX (Android، نظام تشغيل ONNX).
- نموذج LLM: Phi-4 Mini (3.8B) على الهواتف المتميزة؛ Qwen3 1.7B أو SmolLM 2 1.7B على الأجهزة الأقدم.
- TTS: Piper TTS (مفتوح المصدر، ~50 ميجابايت لكل صوت)، TTS نظام iOS (AVSpeechSynthesizer)، TTS نظام Android.
- تطبيقات iPhone: WhisperKit، Whisper Transcription (مطور Aiko)، LLM Farm، PocketPal AI.
- تطبيقات Android: Layla (حزمة متكاملة)، Termux + whisper.cpp + Ollama، تطبيقات Sherpa-ONNX التجريبية.
- هدف صوت إلى أول صوت: أقل من ثانيتين = "يبدو قابلًا للاستخدام"؛ أقل من ثانية = "يبدو طبيعيًا".
- البطارية (ساعة نشطة): iPhone 16 Pro ~25–35%؛ Pixel 9 Pro / Galaxy S25 Ultra ~25–40%.
أي حزمة مساعد صوتي يجب أن تبنيها؟
لمعظم المستخدمين على الهواتف المتميزة: المسار المحلي بالكامل على الجهاز هو الخيار الصحيح. خاص تمامًا، يعمل دون اتصال، وينتج نتائج قابلة للاستخدام في أقل من 1.5 ثانية. استخدم المسار الهجين فقط إذا كنت تحتاج تحديدًا جودة نموذج 70B وتقبل الاعتماد على Wi-Fi المنزل.
📍 في جملة واحدة
أنشئ مساعدًا صوتيًا محليًا بالكامل بدمج Whisper (STT) ونموذج LLM محلي 3B–4B (Phi-4 Mini أو Gemma 3 4B) و Piper أو TTS النظام — صوت إلى أول صوت 0.9–1.6 ثانية على الهواتف المتميزة في 2026.
💬 بعبارات بسيطة
المساعد الصوتي لديه ثلاث مهام: تحويل صوتك إلى نص، وتوليد رد، وقول ذلك الرد بصوت عالٍ. مع Whisper للخطوة الأولى، ونموذج LLM صغير محلي للثانية، و Piper أو الصوت المدمج في الهاتف للثالثة، يمكنك إنجاز الثلاثة على الهاتف بدون إنترنت. الحلقة الكاملة تستغرق نحو ثانية على iPhone أو Android حديث متميز — سريع بما يكفي للشعور أنك تتحدث مع Siri، لكن كل شيء يبقى على الجهاز.
القرار: أي حزمة مساعد صوتي؟
Use a local LLM if:
- •تريد خصوصية كاملة وعمل دون اتصال ← محلي بالكامل على الجهاز (مسار iPhone أو Android)
- •تسافر كثيرًا وتريد صوتًا في الطائرات / المناطق بدون تغطية ← محلي بالكامل على الجهاز
- •صحفي أو مهني صحي أو محامٍ ← محلي بالكامل للحفاظ على سرية المصادر / المرضى / العملاء
- •مطور يبني نموذجًا أوليًا لسير عمل صوتي دون اتصال ← محلي بالكامل على الجهاز
Use a cloud model if:
- •تحتاج جودة نموذج 70B+ (استدلال معقد) ← المسار الهجين (STT على الهاتف + Ollama عن بُعد في المنزل)
- •تحتاج بحثًا على الويب في الوقت الفعلي أو بيانات حية ← مساعد سحابي (لا مكافئ محلي في 2026)
- •تحتاج تكاملًا عميقًا مع السحابات الاحتكارية (Google Calendar وiCloud وما إلى ذلك) ← استمر في استخدام Siri / Google Assistant لتلك المهام
Quick decision:
- →أبسط مسار على iPhone: WhisperKit + LLM Farm + صوت iOS
- →أبسط مسار على Android: Layla (حزمة متكاملة)
- →أفضل جودة: هجين (STT على الهاتف + Ollama في المنزل 70B)
💡Tip: ابدأ بالمسار المحلي على الجهاز حتى لو أردت في نهاية المطاف النهج الهجين. إعداد الجهاز يعلّمك المكونات المتحركة (STT وLLM وTTS) ويعمل بدون الاعتماد على خادم في المنزل. بمجرد تشغيله، تغيير مكالمة LLM من محلية إلى عنوان URL بعيد لـ Ollama هو تغيير سطر واحد.
مقارنة حزم المساعد الصوتي
ثلاث حزم قابلة للتطبيق في 2026، كل منها مُضبَّطة لأولوية مختلفة: البساطة (Layla) أو الصقل الأصيل لـ Apple (WhisperKit + LLM Farm) أو جودة LLM (هجين). الثلاثة تشغّل STT وTTS على الجهاز؛ الهجين فقط ينقل خطوة LLM إلى جهاز كمبيوتر في المنزل.
📍 في جملة واحدة
اختر iPhone (WhisperKit + LLM Farm + صوت iOS) للبساطة على iOS، أو Android (Layla) للبساطة على Android، أو هجين (STT على الهاتف + Ollama في المنزل) لأفضل جودة LLM.
💬 بعبارات بسيطة
أرقام الكمون أدناه هي الوقت من الصوت إلى أول صوت — الوقت من توقفك عن الكلام حتى يبدأ المساعد بالرد. أقل من ثانيتين يبدو قابلًا للاستخدام؛ أقل من ثانية يبدو طبيعيًا. البطارية هي النسبة المئوية المستهلكة في ساعة من المحادثة النشطة ثنائية الاتجاه.
| الحزمة | الكمون (صوت ← أول صوت) | البطارية (ساعة نشطة) | الأفضل لـ |
|---|---|---|---|
| iPhone (WhisperKit + LLM Farm) | ~0.9–1.4 ث (16 Pro / 17 Pro) | ~25–35% | مستخدمو iOS الذين يريدون الصقل الأصيل لـ Apple |
| Android (Layla، متكامل) | ~1.0–1.6 ث (Pixel 9 Pro، Galaxy S25 Ultra) | ~25–40% | مستخدمو Android الذين يريدون بساطة تطبيق واحد |
| Android (Termux + whisper.cpp + Ollama + Piper) | ~1.2–2.0 ث | ~30–40% | المستخدمون المتقدمون الذين يريدون تحكمًا كاملًا |
| هجين (STT على الهاتف + Ollama في المنزل 70B) | ~1.5–2.5 ث (يعتمد على Wi-Fi) | ~10–15% | جودة نموذج 70B، الاستخدام على الشبكة المنزلية |
💡Tip: الكمون يهيمن عليه خطوة "أول رمز" من LLM، لا Whisper ولا TTS. لتقليل الكمون، استخدم نموذج LLM أصغر (Qwen3 1.7B بدلًا من Phi-4 Mini يخفض خطوة LLM من ~600 مللي ثانية إلى ~250 مللي ثانية). العيب هو ردود أقصر وأقل تفصيلًا.
الحزمة الثلاثية: STT + LLM + TTS
الكلام إلى نص ونموذج LLM والنص إلى كلام هي ثلاثة مكونات مستقلة يمكن تبديل كل منها بشكل مستقل. تحسين أي منها (Whisper أصغر، LLM أسرع، TTS بكمون أقل) يخفض الكمون الإجمالي.
- STT — Whisper.cpp / WhisperKit / Sherpa-ONNX. Whisper Small (~466 ميجابايت) هو الاختيار القياسي للجوال — ~12% معدل خطأ كلمات (WER) في الكلام الشائع، ~150–300 مللي ثانية كمون STT لعبارة 5 ثوانٍ. Whisper Medium (~1.5 جيجابايت) يخفض WER إلى ~9% لكن يضاعف الكمون. Whisper Tiny (~75 ميجابايت) سريع لكن معرض للأخطاء مع ضوضاء خلفية معتدلة. WhisperKit (iOS) يستخدم Apple Neural Engine بكمون STT أقل ~30–40% من Whisper.cpp القياسي.
- LLM — Phi-4 Mini، Gemma 3 4B، Llama 3.2 3B. Phi-4 Mini (3.8B Q4_K_M، ~2.7 جيجابايت) هو الافتراضي الموصى به على الهواتف المتميزة. وقت أول رمز ~400–800 مللي ثانية على iPhone 16 Pro لموجّه قصير — أكبر مساهم فردي في الكمون الكلي. للأجهزة الأقدم أو المحدودة الذاكرة، Qwen3 1.7B (~1.1 جيجابايت) أسرع (~200–400 مللي ثانية TTFT) على حساب ردود أقصر وأبسط.
- TTS — Piper TTS أو TTS النظام. Piper (مشروع Rhasspy، مفتوح المصدر) يدعم أكثر من 30 لغة، ~50 ميجابايت لكل صوت، ~100–200 مللي ثانية كمون لأول صوت، ويعمل على iOS وAndroid وLinux وmacOS وWindows. TTS النظام (AVSpeechSynthesizer على iOS، TextToSpeech على Android) له كمون أقل (~50–100 مللي ثانية) لكن صوت أكثر آلية على الإصدارات الأقدم. أصوات النظام على iOS 18+ وAndroid 14+ أفضل ملحوظًا من الإصدارات السابقة.
- كشف نشاط الصوت (VAD). معظم التطبيقات تستخدم Silero VAD أو webrtcvad لاكتشاف توقفك عن الكلام. نافذة صمت 200–500 مللي ثانية هي عتبة نهاية العبارة النموذجية. قصير جدًا ← يقاطعك في منتصف الجملة؛ طويل جدًا ← يضيف كمونًا. 300 مللي ثانية هي قيمة افتراضية معقولة.
- خط الأنابيب الكامل: التقاط الميكروفون ← VAD يكشف نهاية الكلام ← Whisper يحوّل ← LLM يولّد الرد ← TTS يتكلم. بث رموز LLM إلى TTS لحظة وصولها هو ما يجعل "أول صوت" يصل في أقل من ثانية على الهواتف المتميزة — البديل (انتظار الرد الكامل لـ LLM ثم الكلام) يضاعف الكمون المُدرَك.
💡Tip: إذا بدت حزمتك بطيئة، حلّل كل خطوة: سجّل مدة (ميكروفون ← STT جاهز) و(STT جاهز ← أول رمز LLM) و(أول رمز LLM ← أول صوت TTS). خطوة واحدة عادةً تهيمن. على الهواتف المتميزة في 2026، هي دائمًا تقريبًا وقت أول رمز LLM (~400–800 مللي ثانية). بدّل إلى نموذج LLM أصغر لتقليل الكمون المُدرَك.
الإعداد على iPhone: WhisperKit + LLM Farm (5 دقائق)
أبسط وأكمل مساعد صوتي محلي على iPhone في 2026: WhisperKit (أو Whisper Transcription) للـ STT، وLLM Farm للـ LLM، وTTS نظام iOS للصوت. إجمالي وقت الإعداد 5–10 دقائق زائد وقت تنزيل النموذج.
- 1ثبّت تطبيقًا مبنيًا على WhisperKit من App Store (مثلًا "Whisper Transcription" من مطور Aiko، مجاني) — يوفر نسخًا على الجهاز باستخدام Apple Neural Engine. يمكنك أيضًا بناء تطبيق مرجع WhisperKit من GitHub (Argmax / WhisperKit).
- 2في WhisperKit / Whisper Transcription: نزّل نموذج "Small" (~466 ميجابايت). Tiny أسرع لكن غير دقيق؛ Medium أدق لكن أبطأ.
- 3ثبّت LLM Farm من App Store (مجاني). في LLM Farm: اضغط على النماذج ← "إضافة نموذج من URL" ← الصق رابط Hugging Face لـ Phi-4 Mini Q4_K_M (أو استخدم المكتبة المدمجة إن كانت متاحة). النموذج يحتل ~2.7 جيجابايت.
- 4اربطهما عبر Shortcuts على iOS: أنشئ اختصارًا بهذه الإجراءات — (1) تسجيل صوت (أو قبول إدخال صوتي من ورقة المشاركة)، (2) نسخ مع Whisper Transcription، (3) توليد نص مع LLM Farm (إن كان متاحًا) أو Private LLM (~£10، له إجراء Shortcuts)، (4) تشغيل النص بصوت نظام iOS.
- 5عيّن الاختصار لـ widget شاشة القفل، أو زر الإجراء (iPhone 15 Pro وما بعده)، أو "Siri قولي نفّذ [اسم الاختصار]". زر الإجراء يوفر أقل وقت استجابة حرّ اليدين.
- 6اختبر: اضغط مطولًا على زر الإجراء ← تكلّم ← أفلت. STT يعمل (~200 مللي ثانية) ← LLM يولّد (~600 مللي ثانية أول رمز، يبث إلى TTS) ← أول صوت يُسمع بعد ~0.9–1.4 ث إجمالًا. اضبط عتبة صمت VAD في الاختصار إذا قاطعك.
⚠️Warning: LLM Farm حاليًا لا يعرض إجراء Shortcuts (حتى مايو 2026). لاستخدام خط أنابيب iOS Shortcuts، ستحتاج Private LLM (~£10 دفعة واحدة) الذي يعرض إجراء "توليد نص". نهج Shortcuts هو ما يجعل مسار iPhone "5 دقائق" — بدون Shortcuts يجب ربط التطبيقات يدويًا.
الإعداد على Android: Layla أو حزمة Termux (5–15 دقيقة)
مساران على Android: Layla (نهج الحزمة المتكاملة في 5 دقائق) أو Termux + whisper.cpp + Ollama + Piper (النهج اليدوي في 15 دقيقة مع مزيد من التحكم). كلاهما يعمل محليًا بالكامل بعد الإعداد.
- المسار A — Layla (5 دقائق): ثبّت Layla من Play Store، نزّل نموذجًا (Phi-4 Mini أو Gemma 3 4B)، فعّل وضع الصوت في الإعدادات. Layla تشمل whisper.cpp للـ STT، وnLLM المحلي للرد، وتستخدم TTS نظام Android. أسهل مسار؛ العيب هو قدرة تهيئة أقل.
- المسار B — حزمة Termux (15 دقيقة):
- ثبّت Termux من F-Droid (لا من Play Store؛ نسخة Play Store قديمة).
- في Termux:
pkg update && pkg install git cmake clang ffmpeg. - ابنِ whisper.cpp:
git clone https://github.com/ggerganov/whisper.cpp && cd whisper.cpp && makeونزّل نموذج Small:bash ./models/download-ggml-model.sh small. - ثبّت Ollama (نسخة Termux ARM):
curl -fsSL https://ollama.com/install.sh | sh. نزّل نموذجًا:ollama pull phi4-mini. شغّل الخادم:ollama serve. - ثبّت Piper:
pip install piper-tts(في venv Python من Termux) ونزّل صوتًا (مثلًاpiper-tts --download-voice en_US-amy-low). - اربط خط الأنابيب بسكريبت Python صغير يقرأ من
arecord، يشغّل whisper.cpp على الصوت، يرسل النسخ إلى Ollama على localhost:11434 ويوجّه الرد إلى Piper. أو استخدم Tasker لتسلسل أوامر shell يُشغَّل بزر أو اختصار سريع.
💡Tip: للمسار B، استخدم Termux:Widget لإنشاء اختصار على الشاشة الرئيسية يشغّل سكريبت المساعد الصوتي. نقرة واحدة على الـ widget تُفعّل خط الأنابيب الكامل. ادمجه مع زر Bluetooth أو اختصار سريع من Tasker للاستدعاء حرّ اليدين. أزرار الإجراء / الجانبية لـ Pixel 9 Pro و Galaxy S25 Ultra يمكنها أيضًا تشغيل إجراءات Tasker.
الإعداد الهجين: STT على الهاتف + Ollama عن بُعد
الحزمة الهجينة تنقل فقط مكالمة LLM إلى جهاز كمبيوتر في المنزل، مبقيةً STT وTTS على الجهاز. هذا يتيح الوصول إلى نماذج 70B (Llama 3.3 70B، Qwen3-Coder 32B) مع الحفاظ على خصوصية الصوت (لا يغادر الهاتف أبدًا — فقط النسخة النصية تُرسَل عبر Wi-Fi المنزلي).
iOS Shortcut: مساعد صوتي هجين (تفعيل بزر الإجراء)
“1. تسجيل صوت → حفظ في ملف مؤقت. 2. نسخ مع Whisper Transcription → إخراج: نص النسخ. 3. الحصول على محتوى URL → URL: http://192.168.1.20:11434/api/generate، الطريقة: POST، جسم JSON: {"model":"llama3.3:70b","prompt":"[transcript]","stream":false} → إخراج: نص الرد. 4. تشغيل النص → إدخال: نص الرد، الصوت: صوت نظام iOS. عيّن لزر الإجراء. اضغط مطولًا للتسجيل؛ أفلت للإرسال. أول صوت يُسمع بعد ~1.5–2.5 ث.”
Tasker: مساعد صوتي هجين على Android
“1. متغير: %TRANSCRIPT = (إخراج whisper-cli على ملف الصوت المسجّل). 2. طلب HTTP: URL http://192.168.1.20:11434/api/generate، الطريقة POST، Body {"model":"llama3.3:70b","prompt":"%TRANSCRIPT","stream":false}. 3. متغير: %REPLY = (حقل "response" المُحلَّل من JSON). 4. قل: %REPLY (TTS نظام Android أو Piper إن كان مثبتًا). تفعيل عبر اختصار سريع أو زر Bluetooth أو ضغطة طويلة على الزر الجانبي لـ Pixel 9 Pro.”
- 1على جهاز الكمبيوتر المنزلي (Mac أو PC أو NAS): ثبّت Ollama. نزّل نموذج 70B:
ollama pull llama3.3:70b(يتطلب ~40 جيجابايت مساحة + ~48 جيجابايت RAM أو 24 جيجابايت VRAM للـ GPU). - 2ربط Ollama بشبكتك المحلية:
OLLAMA_HOST=0.0.0.0:11434 ollama serve. سجّل IP الجهاز المنزلي (مثلًا 192.168.1.20). - 3على الهاتف، هيّئ خط أنابيب المساعد الصوتي (iOS Shortcut أو Tasker على Android) لإرسال نسخ Whisper عبر HTTP POST إلى
http://192.168.1.20:11434/api/generateبدلًا من مكالمة LLM المحلية. - 4يستمر TTS في العمل على الهاتف (Piper أو صوت النظام) باستخدام نص الرد من الجهاز المنزلي.
- 5النتيجة: Whisper STT يعمل على الهاتف (الصوت لا يغادر الجهاز أبدًا)، Ollama المنزلي يولّد ردًا بجودة 70B في ~600–1200 مللي ثانية، TTS يتكلم على الهاتف. الكمون الإجمالي ~1.5–2.5 ثانية — أعلى قليلًا من الجهاز بالكامل لكن بجودة LLM أفضل بكثير.
💡Tip: لأقل كمون في الوضع الهجين، هيّئ Ollama في وضع البث ("stream":true) وابثّ الرموز إلى TTS لحظة وصولها بدلًا من انتظار الرد الكامل. iOS Shortcuts لا يمكنها البث بشكل أصلي، لكن بلاجن Tasker صغير أو تطبيق iOS مخصص يمكنهما. مع البث، الكمون المُدرَك لـ "أول صوت" ينخفض 200–400 مللي ثانية رغم أن إجمالي وقت الرد هو نفسه.
ميزانية الكمون: أين تذهب الثواني
على الهواتف المتميزة في 2026، وقت أول رمز LLM يهيمن على الكمون الكلي — عادةً 50–60% من وقت الصوت إلى أول صوت. تحسين خطوة LLM له أكبر أثر من ضبط Whisper أو TTS.
| الخطوة | الوقت النموذجي (iPhone 16 Pro، على الجهاز) | ملاحظات |
|---|---|---|
| كشف نهاية العبارة VAD | ~200–500 مللي ث | قابل للضبط؛ 300 مللي ث افتراضيًا. يُحتسب في الكمون المُدرَك. |
| Whisper Small STT (عبارة 5 ثوانٍ) | ~150–300 مللي ث | WhisperKit ~30–40% أسرع عبر Apple Neural Engine. |
| وقت أول رمز LLM (Phi-4 Mini) | ~400–800 مللي ث | أكبر مساهم. نموذج أصغر = أسرع. |
| أول صوت TTS (Piper أو نظام) | ~100–200 مللي ث | TTS النظام أسرع قليلًا من Piper. |
| إجمالي صوت إلى أول صوت | ~0.9–1.4 ث | أقل من ثانيتين = "يبدو قابلًا للاستخدام"؛ أقل من ثانية = "يبدو طبيعيًا". |
💡Tip: للنزول دون ثانية إجمالًا: استخدم Whisper Tiny (75 ميجابايت، ~80 مللي ث STT) + Qwen3 1.7B (~250 مللي ث TTFT) + TTS النظام (~80 مللي ث أول صوت). الإجمالي ~600–800 مللي ث على iPhone 16 Pro. العيب هو ردود LLM أقصر وأقل اتساقًا ودقة STT أقل في البيئات الصاخبة. يستحق ذلك إذا كانت سرعة الاستجابة هي أولويتك الرئيسية.
الدقة واستهلاك البطارية لمدة ساعة
Whisper Small يصل إلى ~88% دقة في الكلام الشائع مع ضوضاء خلفية معتدلة؛ Whisper Medium يصل إلى ~91% لكن يضاعف الكمون. استهلاك البطارية خلال ساعة من المحادثة النشطة ~25–35% على iPhone 16 Pro و~25–40% على Android المتميز.
- دقة Whisper حسب حجم النموذج (WER LibriSpeech-clean، أقل أفضل): Tiny ~7.5%، Small ~3%، Medium ~2.4%، Large v3 ~1.8%. في الظروف الحقيقية مع الضوضاء: Tiny يتدهور إلى ~15–20% WER، Small إلى ~10–14%، Medium إلى ~7–10%، Large v3 إلى ~5–7%.
- Whisper السحابي مقابل المحلي: Whisper API السحابي من OpenAI يستخدم Large v3 افتراضيًا (~2% WER على الكلام النظيف). Whisper Small المحلي على هاتف هو ~3% WER على نفس الصوت — قريب بما يكفي لعدم ملاحظة الفرق في الاستخدام اليومي للمساعد.
- استهلاك البطارية (ساعة من المحادثة النشطة، الشاشة مضاءة): iPhone 16 Pro ~25–35%؛ iPhone 17 Pro ~22–30%؛ Pixel 9 Pro ~30–40%؛ Galaxy S25 Ultra ~28–38%. الوضع الهجين يخفض استهلاك الهاتف إلى ~10–15% في الساعة لأن STT فقط يعمل محليًا.
- الحد الحراري: الاستدلال المستمر لـ LLM على الجهاز يُفعّل الحد الحراري بعد ~10–15 دقيقة على iPhone (سطح الشريحة ~38 درجة مئوية)؛ ~15–20 دقيقة على Android المتميز (كتلة حرارية أفضل في التابلت والهواتف الكبيرة). الحد يخفض الرموز/الثانية بنسبة 30–50%، مطيلًا كمون أول رمز LLM من ~600 مللي ث إلى ~900 مللي ث.
- تخفيف للجلسات الطويلة: وصّل الشاحن، ضع الهاتف واجهةً لأعلى على سطح صلب (لا في اليد) أو بدّل للوضع الهجين. الهاتف كميكروفون فقط يستهلك جزءًا صغيرًا من طاقة الهاتف بمعالجة كل شيء محليًا.
⚠️Warning: جلسة صوتية محلية بالكامل مدتها ساعة قد تستنزف بطارية هاتفك 30–40%. للاستخدام طوال اليوم أو في السيارة، خطّط للشحن. المسار الهجين (STT على الجهاز فقط) هو الخيار الواقعي للمساعدات الصوتية الدائمة التشغيل — الجهاز المنزلي يؤدي الجهد الثقيل.
الاستخدام حرّ اليدين: Shortcuts وTasker وCarPlay وAndroid Auto
التفعيل حرّ اليدين يعتمد على آلية التفعيل لا على حزمة الصوت. iOS يستخدم Shortcuts مع زر الإجراء أو "Siri قولي نفّذ [اختصار]"؛ Android يستخدم Tasker مع الزر الجانبي أو اختصار سريع أو أزرار Bluetooth.
- زر إجراء iPhone (iPhone 15 Pro وما بعده): عيّن Shortcut يُفعّل خط أنابيب الصوت. اضغط مطولًا على زر الإجراء لبدء التسجيل؛ أفلت للإرسال. أقل كمون للتفعيل حرّ اليدين على iPhone في 2026.
- **iPhone "Siri قولي نفّذ [اسم الاختصار]":** يُفعّل Siri (~500 مللي ث) ثم ينفّذ الاختصار. يضيف كمونًا مقارنة بزر الإجراء لكن يعمل حرّ اليدين في أي وقت مع الهاتف غير مقفل.
- زر جانبي / زر Bixby على Android (Galaxy): عيّن إجراء Tasker عبر إعدادات Galaxy Modes & Routines أو تطبيقات إعادة تعيين زر Bixby. اضغط للتفعيل.
- اختصار سريع من Tasker على Android: أضف اختصارًا سريعًا في لوحة الإشعارات يشغّل سكريبت الصوت. تفعيل بانزلاقتين من شاشة القفل.
- أزرار Bluetooth (مثلًا Flic، أزرار وسائط عامة): اقرنها مع iOS أو Android، هيّئها لتشغيل مهمة الصوت Shortcut / Tasker. تفعيل حقيقي حرّ اليدين (زر على مكتب، على عجلة القيادة، في جيب).
- CarPlay / Android Auto: يستخدمان نظام Siri / Google Assistant بالتصميم — لا يعرضان API مساعد صوتي لجهة خارجية في 2026. الحل البديل لـ CarPlay هو ربط Shortcut بزر إجراء CarPlay (دعم محدود للـ Shortcuts)؛ لـ Android Auto استخدم Tasker مُفعَّلًا بزر وسائط Bluetooth. لا أي منهما يصل لمستوى تكامل مساعدات النظام للاستخدام في السيارة.
💡Tip: للاستخدام في السيارة بدون تكامل CarPlay / Android Auto: اقرن زر Bluetooth صغيرًا (Flic، AirShou، تحكم وسائط عام) وثبّته على عجلة القيادة. اضغط لتفعيل المساعد الصوتي دون اتصال — يعمل بدون إنترنت، لا يرسل صوتًا إلى السحابة، يرد في ~1.5 ثانية. العيب مقارنة بـ CarPlay هو عدم وجود واجهة على شاشة السيارة، فقط صوت.
ضمانات الخصوصية: محلي فعلًا مقابل مدعوم بالسحابة
المساعد الصوتي "محلي فعلًا" فقط إذا بقيت صوت الميكروفون والنسخ وصوت TTS على الجهاز بدون أي مكالمة شبكية. كثير من التطبيقات التي تُسوَّق على أنها "خاصة" لا تزال ترسل النسخ أو بيانات التتبع إلى السحابة — تحقق بوضع الطائرة أو مراقب شبكة قبل الوثوق.
- كيف تتحقق من "محلي فعلًا": ضع الهاتف في وضع الطائرة واستخدم المساعد. إذا عمل بكامل الجودة، فهو محلي فعلًا. إذا تدهور أو فشل، فإحدى الخطوات تعتمد على خدمة سحابية.
- التقاط الصوت: يجب معالجة بيانات الميكروفون محليًا وعدم كتابتها على القرص أو إرسالها لأي مكان. Whisper وWhisperKit وSherpa-ONNX يشغّلون STT في الذاكرة ويتخلصون من الصوت بعد النسخ.
- استدلال LLM: إذا كان الرد يولّده نموذج محلي (Phi-4 Mini، Gemma 3، Llama 3.2) على الهاتف، لا موجّه يغادر الجهاز. إذا كان المساعد يستخدم وضع "مدعوم بالسحابة" (Apple Intelligence Private Cloud Compute، وضع Google الذي يبدأ بالجهاز ثم السحابة)، قد تُرسَل النسخ إلى خادم في ظروف معينة — راجع سياسة خصوصية التطبيق.
- TTS: Piper وTTS النظام محليان بالكامل. بعض الأصوات "المتميزة" السحابية (ElevenLabs، OpenAI TTS) تتطلب إرسال نص الرد إلى خادم — تجنّبها للاستخدام المحلي الحقيقي.
- موقف الخصوصية في المسار الهجين: في الوضع الهجين، يبقى الصوت على الهاتف (Whisper محلي)، لكن النسخة النصية تُرسَل إلى خادم Ollama المنزلي عبر Wi-Fi المحلي. هذا شبكة محلية فقط، لا سحابة — تبقى البيانات داخل شبكتك. مقبول لمعظم المستخدمين المهتمين بالخصوصية؛ لا يعادل الجهاز بالكامل لنماذج التهديد الأكثر صرامة.
- ملاحظات محددة على التطبيقات (مايو 2026): WhisperKit وwhisper.cpp مفتوحا المصدر ومحليان قابلان للتحقق. Layla يعمل محليًا افتراضيًا (تحقق بوضع الطائرة). LLM Farm وPocketPal AI يشغّلان الاستدلال بالكامل على الجهاز. Apple Intelligence لديها وضع على الجهاز وPrivate Cloud Compute — عطّل PCC في الإعدادات للتشغيل المحلي الكامل.
💡Tip: إذا كان التشغيل المحلي الكامل حرجًا (صحفي / سرية مصادر، صحة، قانوني): فضّل تطبيقات مفتوحة المصدر (نسخة مرجع WhisperKit، whisper.cpp عبر Termux، Layla) حيث يمكنك مراجعة سلوك الشبكة. التطبيقات مغلقة المصدر (حتى تلك المُسوَّقة على أنها "خاصة") قد تضيف وظائف سحابية في التحديثات المستقبلية دون إشعار واضح للمستخدم.
الأخطاء الشائعة
- استخدام Whisper Tiny لكل شيء. Tiny سريع (~80 مللي ث STT) لكن معرض للأخطاء في البيئات الصاخبة (~15–20% WER مقابل ~10–14% لـ Small). Tiny مقبول للأوامر القصيرة في الغرف الهادئة؛ استخدم Small للمساعدات الصوتية متعددة الأغراض.
- انتظار الرد الكامل لـ LLM قبل بدء TTS. هذا يضاعف الكمون المُدرَك. ابثّ رموز LLM إلى TTS لحظة وصولها — Piper يدعم الإدخال بالبث، TTS النظام يدعم الكلام التدريجي. أول صوت يجب أن يُشغَّل بعد أول جملة من LLM، لا بعد الرد الكامل.
- تشغيل LLM على الجهاز في بيئة حارة. الحد الحراري يُفعَّل في دقائق تحت أشعة الشمس المباشرة أو داخل سيارة حارة، خافضًا الرموز/الثانية بنسبة 30–50% ودافعًا الكمون فوق ثانيتين. استخدم المسار الهجين أو أبقِ الهاتف باردًا.
- الثقة في "خاص" دون تحقق. "خاص" و"محلي" مصطلحا تسويق في 2026 — بعض التطبيقات التي تدّعي المعالجة المحلية لا تزال ترسل البيانات للخادم للتحليل وتحديثات النماذج أو النسخ الاحتياطية السحابية. تحقق بوضع الطائرة قبل الوثوق بها للاستخدام الحساس.
- بناء حزمة Termux على Android ذو RAM قليل. Termux + whisper.cpp + Ollama + Piper يستهلكون ~4 جيجابايت RAM في الذروة. الأجهزة ذات 6 جيجابايت RAM أو أقل ستنهي المكونات بسبب OOM في منتصف محادثة. استخدم Layla على Android ذو RAM قليل، أو التزم بمسار iPhone.
المصادر
- Whisper.cpp — github.com/ggerganov/whisper.cpp (Whisper متعدد المنصات، بما فيها بنية Android وiOS).
- WhisperKit (Argmax) — github.com/argmaxinc/WhisperKit (Whisper محسَّن لـ Apple Neural Engine على iOS / macOS).
- Piper TTS (Rhasspy) — github.com/rhasspy/piper (TTS عصبي مفتوح المصدر، صديق للجوال، أكثر من 30 لغة).
- LLM Farm — github.com/guinmoon/LLMFarm (تطبيق iOS لتشغيل نماذج GGUF محليًا).
- Layla (Android) — قائمة Play Store ووثائق المطور (حزمة LLM محلية متكاملة مع دعم صوتي).
الأسئلة الشائعة
ما مدى دقة Whisper المحلي مقارنة بـ Whisper السحابي؟
Whisper Small يعمل محليًا على هاتف ويصل إلى ~3% WER على كلام نظيف؛ Whisper السحابي من OpenAI (Large v3) يصل إلى ~2%. في البيئات الصاخبة، Small المحلي يتراجع إلى ~10–14% WER بينما Cloud Large v3 يتراجع إلى ~5–7%. للاستخدام اليومي للمساعد الصوتي، الدقة المحلية قريبة بما يكفي لعدم ملاحظة الفرق. للإملاء النصي الطويل حيث كل كلمة مهمة، السحابة أو Medium / Large المحلي هو الأفضل.
هل يمكن للمساعد الصوتي المحلي أن يحل محل Siri بالكامل؟
للأسئلة والأجوبة الخاصة والمسودات والملخصات: نعم، بجودة مماثلة أو أفضل من ميزات Siri على الجهاز. لإجراءات النظام (فتح التطبيقات وضبط المنبّهات والتحكم في HomeKit) وإطلاق البحث على الويب والبيانات الحية (الطقس والنتائج الرياضية): لا — تكامل Siri مع iOS وخدمات Apple لا يمكن تكراره بحزمة محلية من طرف ثالث في 2026. كثير من المستخدمين يحتفظون بالاثنين: Siri لإجراءات النظام، والحزمة المحلية للأسئلة والأجوبة الخاصة.
هل يعمل مع CarPlay أو Android Auto؟
بشكل محدود. CarPlay وAndroid Auto مصمَّمان حول نظام Siri / Google Assistant؛ لا يعرضان API مساعد صوتي لجهة خارجية. الحلول البديلة: ربط Shortcut بزر إجراء CarPlay (دعم محدود للـ Shortcuts)، أو إقران زر Bluetooth (Flic، تحكم وسائط عام) وتفعيل Tasker / Shortcuts منه. لا يصل أي منهما لمستوى تكامل مساعدات النظام للاستخدام في السيارة.
كيف أُفعّله حرّ اليدين؟
iPhone: اضغط مطولًا على زر الإجراء (iPhone 15 Pro وما بعده) لاستدعاء الاختصار، أو قل "Siri قولي نفّذ [اسم الاختصار]". Android: استخدم الزر الجانبي أو زر Bixby على هواتف Galaxy، أو اختصارًا سريعًا من Tasker، أو زرًا Bluetooth مقترنًا. للتفعيل البيئي الحقيقي دون لمس (دائمًا يستمع لكلمة تفعيل)، الحزمة المحلية لا تضاهي Siri / Google Assistant في 2026 — كاشف كلمة التفعيل في النظام غير مكشوف لتطبيقات الجهات الخارجية.
هل يمكنه التعامل مع محادثات متعددة اللغات؟
نعم، لكن مع تحفظات. Whisper يكشف لغة الإدخال تلقائيًا ويدعم 99 لغة. نماذج LLM المحلية تتباين: Phi-4 Mini يتعامل جيدًا مع الإنجليزية ومعقولًا مع اللغات الأوروبية الرئيسية؛ Qwen3 لديه دعم متعدد اللغات قوي بما فيها الصينية؛ Gemma 3 يدعم أكثر من 100 لغة. للـ TTS، Piper لديه أصوات في أكثر من 30 لغة؛ TTS النظام يعتمد على حزم اللغات المثبتة. التبديل بين اللغات في منتصف المحادثة يعمل في Whisper لكن قد يربك نموذج LLM.
هل الضوضاء الخلفية تُفسد STT المحلي؟
Whisper Tiny يتدهور بشكل ملحوظ مع ضوضاء معتدلة (~15–20% WER)؛ Small يتعامل مع ضوضاء مستوى المقهى بشكل معقول (~10–14% WER)؛ Medium وLarge يتعاملان جيدًا مع معظم البيئات الحقيقية. للاستخدام الصاخب (سيارات، مواصلات عامة)، استخدم Whisper Medium إذا كانت RAM هاتفك تسمح، أو طبّق VAD بشكل عدواني (انسخ فقط عند كشف الكلام، تجاهل الصمت بين العبارات).
كيف أتكامل مع أجهزة المنزل الذكي محليًا؟
مرّر رد LLM عبر محلل يكشف النوايا (مثلًا "أطفئ أضواء المطبخ") واستدعِ API hub المنزل الذكي المحلي مباشرةً — Home Assistant لديه REST API على IP المحلي، وتكامل Apple HomeKit يعمل عبر إجراءات "التحكم في المنزل" في Shortcuts. تجنّب تكاملات المنزل الذكي السحابية (Alexa، Google Home) إذا أردت خط أنابيب محليًا بالكامل.
هل يمكنني تخصيص الصوت (TTS)؟
نعم. Piper TTS لديه أكثر من 100 صوت مدرَّبة من المجتمع في أكثر من 30 لغة، قابلة للتنزيل كنماذج صوت ~50 ميجابايت. Shortcuts iOS تتيح الاختيار من أصوات النظام بما فيها الأصوات المتميزة الأعلى جودة (للتنزيل في الإعدادات ← إمكانية الوصول ← المحتوى المنطوق ← الأصوات). TTS نظام Android يدعم حزم صوت Google أو جهات خارجية. استنساخ الصوت المخصص (صوتك أو شخص محدد) يتطلب سلسلة أدوات TTS منفصلة (Coqui، Tortoise TTS) — لا يزال غير عملي على الجهاز في 2026.
هل البطارية تعاني كثيرًا؟
نعم — نحو 25–40% في ساعة من المحادثة النشطة على الهواتف المتميزة. للاستفسارات الصوتية العرضية، الأثر صغير. للاستخدام طوال اليوم أو الدائم، وصّل الشاحن أو استخدم المسار الهجين (يعمل STT فقط على الجهاز، يخفض الاستهلاك إلى ~10–15% في الساعة). الاستماع السلبي في الخلفية مع كشف كلمة التفعيل غير ممكن حاليًا في الحزم المحلية من الجهات الخارجية بتكلفة بطارية مقبولة.
هل iOS 19 أو Android 16 سيكسران هذا الإعداد؟
من المستبعد للحزمة الرئيسية (Whisper ونموذج LLM المحلي وTTS) — هذه تطبيقات في مساحة المستخدم تعتمد على APIs قياسية (التقاط الميكروفون، TTS، الشبكة). ما قد ينكسر: تكاملات Shortcuts إذا غيّرت Apple API الخاصة بها؛ Termux على Android إذا قيّد Android 16 العمليات الخلفية أكثر (Android يشدّد القيود في كل إصدار). حافظ على تحديث التطبيقات وتحقق بعد كل تحديث رئيسي للنظام.