Sparrow-2 من Tavus يفكّك مسار الذكاء الاصطناعي الصوتي: يُنصت إلى الغرفة كاملةً وإلى الدور كاملًا
النظام المعتاد ينقّي الصوت ويعزل متحدّثًا واحدًا ويطرح الباقي. أما Sparrow-2 فيفعل العكس، والشركة تقول إنها قاست معدّل إخفاق في المحادثة بلغ 2.1 بالمئة.
أطلقت Tavus نموذجها Sparrow-2 لفهم المحادثة في الزمن الحقيقي. ويشغّل النموذج ما تسمّيها الشركة PALs، أي شخصياتها الحوارية المرئية.
ولفهم المشكلة لا بدّ من معرفة الطريقة القائمة. فقد جعل الذكاء الاصطناعي الصوتي المهمّة ممكنةً حتى اليوم هكذا: يكشف رصد النشاط الصوتي من يتكلّم، ويمحو إلغاء الضجيج الغرفة، ويُعزل متحدّث واحد، ويُحوَّل الصوت إلى نصّ، ثم يقرّر مؤقّت أن الجملة انتهت. وتُطرح معلومات في كل خطوة: فـ"همهمة" تُحسب ضجيجًا، وصوت ثانٍ يصير تشويشًا، وغرفة صاخبة تختفي تمامًا.
ويفعل Sparrow-2 العكس: إذ يُنمذج الدور كاملًا والغرفة كاملة باستمرار من الصوت المتدفّق. وبحسب رواية الشركة، يفتح هذا أمرين. أوّلهما أن الذكاء الاصطناعي الصوتي لم يعد يحتاج إلى غرفة هادئة وميكروفون نظيف، ما يتيح الأكشاك والمتاجر والمقاهي والسيارات، وهي المسألة المعروفة في الأدبيات بـمشكلة حفلة الكوكتيل. وثانيهما أن تبادل الأدوار يصير أكثر طبيعية: فيميّز الوقفة التي تعني الانتظار، والهمهمة التي تعني المتابعة، والكلام غير الواضح الذي يعني إعادة السؤال.
وتعطي الشركة رقمًا أيضًا: قاست معدّل إخفاق المحادثة عند 2.1 بالمئة، أي أقلّ بنحو أربعة أضعاف من أفضل بديل اختبرته. وهذا قياس Tavus نفسها، ولم تُسمَّ الأنظمة المقارَنة، ولا يوجد تحقّق مستقلّ.
ملاحظة البحث على مدوّنة Tavus.
