وضع الصوت المتقدم من OpenAI يبدأ بالانتشار إلى مشتركي ChatGPT Plus

بداية الانتشار

في 30 يوليو 2024، بدأت OpenAI بنشر وضع الصوت المتقدم (AVM) لمجموعة فرعية من مشتركي ChatGPT Plus. هذه الميزة، التي استُعرضت لأول مرة خلال حدث إطلاق GPT-4o في مايو، تحلّ محل وضع الصوت السابق الذي كان يعتمد على ثلاثة نماذج منفصلة — نموذج لتحويل الكلام إلى نص، ونموذج لغوي، ونموذج لتحويل النص إلى كلام — بمسار واحد متعدد الوسائط. يمكن لـ AVM معالجة طبقة الصوت والإيقاع والنبرة مباشرة، مما يتيح له الضحك أو الهمس أو التعبير عن الحماس دون وساطة نصية. يقتصر الانتشار الأولي على عدد محدود من مستخدمي Plus، مع إطلاق أوسع مقرّر في خريف 2024.

القفزة التقنية وراء وضع الصوت المتقدم

على عكس وضع الصوت السابق، الذي كان يبلغ متوسط زمن الاستجابة فيه نحو 2.8 ثانية لكل جولة ذهاب وإياب، يحقق AVM تفاعلاً صوتيًا متكاملًا في أقل من 320 ميلي ثانية — وهو ما يضاهي تبادل الأدوار في المحادثة البشرية. تحقق OpenAI ذلك عن طريق تغذية الصوت الخام مباشرة إلى طبقات الانتباه متعددة الوسائط في GPT-4o، متجاوزةً بذلك عنق الزجاجة الناتج عن التحويل النصي. يتعامل النموذج أيضًا مع المقاطعات بشكل طبيعي: إذا قال المستخدم "انتظر، دعني أعيد التفكير"، يتوقف الذكاء الاصطناعي في منتصف الجملة ويستمع. تطلب ذلك إعادة تدريب معاملات الاضمحلال في النموذج لتجنب بتر كلام المستخدم.

من التفاصيل التقنية الأخرى دمج كاشف أحداث غير لفظي. عندما يسعل المستخدم أو يتنهد أو يضحك، يمكن للنموذج أن يقرر ما إذا كان سيُشير إلى ذلك أو يتابع سير المحادثة، وذلك حسب السياق. في الاختبارات المعيارية الداخلية، حدد AVM الإشارات العاطفية مثل الإحباط أو التردد بنسبة دقة بلغت 87%، مقارنة بـ 52% للمسار النصي السابق. إلا أن النموذج لا يزال يعتمد على وحدة منفصلة للكشف عن النشاط الصوتي لتحديد متى ينتهي المستخدم من الكلام، مما قد يسبب أحيانًا نتائج إيجابية خاطئة في البيئات الصاخبة.

الانتشار والتوافر

يتاح وضع الصوت المتقدم في البداية فقط لمشتركي ChatGPT Plus في الولايات المتحدة، الذين يدفعون 20 دولارًا شهريًا. تخطط OpenAI للتوسع ليشمل باقات Team وEnterprise لاحقًا في الربع الرابع من عام 2024، على أن يليه انتشار في القطاع التعليمي أوائل عام 2025. لن يحصل المستخدمون على الباقة المجانية على وضع الصوت إطلاقًا، إذ هوامش ربح الشركة من تكاليف الاستدلال للصوت أقل بكثير مقارنة بالنص. تُقدّر OpenAI أن معالجة دقيقة واحدة من محادثة صوتية تفاعلية تكلف نحو ثمانية أضعاف توليد 4,000 رمز نصي.

ولإدارة الحمل على الخوادم، حدّت الشركة الاستخدام من "حصة يومية محدودة" تبلغ حوالي 30 دقيقة من المحادثة الصوتية النشطة لكل مستخدم في اليوم. قد يتغير هذا الحد مع تحسن كفاءة أجهزة الاستدلال. تطرح OpenAI أيضًا خمسة خيارات صوتية جديدة — Breeze وCove وEmber وJuniper وVale — إضافة إلى الأصوات الموجودة مسبقًا Sky وBreeze وCove. دُرّب كل صوت على تسجيلات صوتية لممثل مميز مع اتفاقيات ترخيص.

كيف يقارن بميزات الصوت السابقة

استخدم وضع الصوت السابق، الذي أُطلق في سبتمبر 2023، نموذج Whisper لتحويل الكلام إلى نص، وGPT-4 (أو GPT-3.5) لتوليد الردود، ونموذجًا داخليًا لتحويل النص إلى كلام مبنيًا على TorToiSe. كان هذا المسار يتعثر عندما يريد المستخدمون طرح أسئلة متابعة في نقاش حاد: كان تدفق المحادثة ثقيلًا لأنه كان يجب إعادة إرسال النص الكامل إلى النموذج اللغوي بعد كل جولة صوتية. يلغي AVM هذا المشكلة من خلال بث الصوت مباشرة إلى وحدة فك التشفير التلقائية في GPT-4o، مما يتيح للنموذج الحفاظ على خيط محادثة متماسك عبر تفاعلات صوتية متعددة الجولات دون انحرافات ملحوظة.

تعتمد Siri من Apple وAlexa من Amazon على بنى متتالية مشابهة — تحويل الصوت إلى نص، ثم فهم اللغة الطبيعية، ثم تحويل النص إلى كلام — وتبلغ أزمنة الاستجابة فيهما نحو 800 ميلي ثانية إلى 1.5 ثانية لكل دور. يعد Gemini Live من Google، الذي أُعلن عنه في مايو 2024، أيضًا بوضع صوتي متعدد الوسائط، لكنه لا يزال حتى كتابة هذه السطور في نسخة تجريبية محدودة ولا يدعم معالجة المقاطعات الفورية. تزعم OpenAI أن AVM هو أول ذكاء اصطناعي صوتي يُنشر تجاريًا ويمكنه محاكاة نطاق عاطفي دون نوايا مبرمجة صراحة.

السلامة والضوابط

نفّذت OpenAI عدة تدابير أمان خاصة بوضع الصوت المتقدم. يستخدم النظام "مصنف تقليد صوتي" منفصلًا يكتشف ويحظر أي محاولة لتقليد شخص معين — مثل إنتاج صوت يطابق نبرة المستخدم نفسه لأغراض التصيد الاحتيالي. كما يُحظر على النموذج توليد أصوات "حساسة" مثل صفارات الإنذار أو بكاء الرضع أو الأصوات الجنسية. خلال الاختبار الأحمر الداخلي، أوقف المصنف 92% من محاولات التقليد، لكن ثلاث حالات حدية أثناء الاختبار المبكر سمحت للنموذج بتقليد المستخدم بعد سبع ثوانٍ متواصلة من الإدخال الصوتي.

بالإضافة إلى ذلك، أضافت OpenAI علامة مائية إلى جميع مخرجات الصوت المولّد، تُضمّن توقيعًا رقميًا فريدًا يمكن تتبعه لاحقًا إلى جلسة مستخدم محددة. هذه العلامة غير محسوسة للبشر لكن يمكن قراءتها بواسطة أداة الطب الشرعي الخاصة بالشركة. كما قيّدت الشركة استخدام الميزة في سياقات الطوارئ: إذا قال المستخدم "أنا أعاني من نوبة قلبية"، فإن النموذج مدرّب على الرد بـ "لستُ متخصصًا طبيًا؛ يرجى الاتصال بـ 911" بدلاً من تقديم تعليمات.

حالات الاستخدام المحتملة والآثار

استخدم المختبرون الأوائل AVM في تعليم اللغات — لتصحيح النطق والإيقاع في الوقت الفعلي — وللتأمل بأسلوب علاجي، حيث يعدّل النموذج نبرته لتتوافق مع الحالة العاطفية للمستخدم. يستكشف بعض المطورين استخدام AVM بديلًا لأنظمة الاستجابة الصوتية التفاعلية في دعم العملاء، لكن شروط API الحالية من OpenAI تحظر إعادة بيع وضع الصوت كمنتج مستقل. تثير الميزة أيضًا تساؤلات حول الخصوصية: تُخزّن جميع المقاطع الصوتية مؤقتًا على خوادم OpenAI لتحسين النموذج ما لم يقم المستخدم بإلغاء الاشتراك في الإعدادات. تشير سياسة الخصوصية الخاصة بالشركة إلى أن التسجيلات الصوتية قد تُراجَع من قِبل معلّمين بشريين لكن فقط بعد إزالة المعلومات الشخصية القابلة للتحديد.

مع AVM، تجاوز الذكاء الاصطناعي الحواري عتبة أصبحت فيها الوسيلة نفسها — النبرة والتوقيت والعاطفة — جزءًا من المعلومات المنقولة بدلاً من أن تكون أثرًا جانبيًا. سواء كان ذلك سيؤدي إلى تفاعل أعمق للمستخدمين أو أشكال جديدة من التلاعب يعتمد على مدى سرعة تطور الضوابط بالتوازي مع التكنولوجيا.