GPTunneL تطلق مساعد GROM الصوتي على الهواء مباشرة: ما الذي تعطل خلال 3 ساعات من الهاكاثون

المساعد الصوتي إلى طاولة مشتركة فكرة واضحة، إلى أن يحين البث المباشر. اختبر فريق GPTunneL الفكرة في هاكاثون «المدن الجديدة» في «فيزتيخ الكبير»: طوال ثلاث ساعات استمع GROM إلى خبراء وتلاميذ وطلاب كانوا يبتكرون بلدة المستقبل، وأجاب عن الأسئلة بصوت مسموع. لم تكن النتيجة مثالية، لكن التحليل صريح.

كيف صُمم النظام

لم تُعتمد كلمة إيقاظ. كان الكلام الملتقط من الميكروفون يُفرَّغ نصًّا، ويُفحص أول كلمة في العبارة، فإن كانت «غروم» انتقل النص إلى النموذج. وكان الرد يُنطق بصوت اصطناعي اسمه «فيليب» طوره الفريق نفسه. وفي البروفة كان GROM يقحم نفسه في الحديث ويقاطع الأفكار، لذلك حُوّل قبل البث إلى وضع «لا يتكلم إلا إذا نُودي».

الصعوبة الرئيسة أن الناس يتحدثون فيما بينهم معظم الوقت لا مع المساعد. ولكي يعرف GROM ما تم الاتفاق عليه، عولج البث عبر خط معالجة منفصل. كان vMix يحفظ ملف فيديو كل خمس دقائق، وينقله Resilio إلى حاسوب ثانٍ، ويفرّغه Whisper محلي نصًّا، ثم يحدّث Claude Sonnet الملخص: من اقترح ماذا، وما الذي تقرر، وما الذي بقي مفتوحًا. وكان الملخص الحديث يُدرج في التعليمات النظامية لـ GROM. واختير Sonnet لأن الفريق سبق أن اختبر ملخصاته مرات كثيرة.

أين تعثر كل شيء

العطل الأول: خمس عشرة دقيقة ضائعة. حين كانت عدة ملفات تصل في وقت واحد، كان المعالج يأخذ الأحدث ولا طابور لديه. فبعد الملف الثامن جاء الثاني عشر، وعولجت المقاطع من التاسع إلى الحادي عشر يدويًا.

الثاني: الأسماء. لم يتلقَّ Whisper قائمة بالأسماء، فتحولت GPTunneL إلى GPTanal. والأسوأ كان تمييز المتحدثين: إذ كان الترقيم يبدأ من جديد في كل ملف، وقد يكون «المتحدث 1» في مقطعين متجاورين شخصين مختلفين.

الثالث: السياق. جدال طويل حول ما إذا كان للمرشد لحية ملأ سجل الحوار. وبعد تسع دقائق، وعند سؤال عما إذا كان الإنسان يعيش أقل من دون تواصل، عاد GROM يتحدث عن اللحية. فنظّف مهندس السجل أثناء البث، وبقي قرار مظهر البطل في ملخص منفصل، فلم يفقد المساعد شيئًا يُذكر من حيث الجوهر.

ما ينبغي تسجيله

الدرس للمطورين: الذاكرة الطويلة للمساعد ليست سياقًا كبيرًا بل انضباط. ينبغي فصل الحوار الخام عن خلاصة القرارات: يمكن تنظيف السجل ويبقى الملخص. وهي حيلة رخيصة نجحت في البث المباشر.

يحتاج خط المعالجة المكوَّن من أجزاء إلى طابور، لا إلى منطق «نأخذ الأخير». ويحتاج التعرف على الكلام إلى قاموس للأسماء والمصطلحات قبل البدء. وعند تعدد المتحدثين يلزم تمييز متواصل للمتحدثين: ويعتزم الفريق اختبار التضمينات الصوتية ومقارنة النتيجة بالتمييز اليدوي.

والقيود واضحة أيضًا. هذا مشروع تجريبي في فعالية واحدة، ولا توجد مقاييس لجودة الإجابات، وجزء من العمل جرى يدويًا، ونموذج الفيديو لم يولّد النقش على المنطاد، فأُضيف في المونتاج. وكانت الردود تذهب إلى البث بلا تحرير، ولذلك بقيت لحظة اللحية المخفقة في التسجيل عند 55:03.

أما الخطط المقبلة: العودة في نوفمبر إلى الفعاليات الحضورية مع طابور وقاموس، وربط المساعد بمحرر Workflow ليمكن القول «غروم، أعد مشهد المساء»، والبحث عن موارد للتشغيل على الأجهزة. ويتطلب ذلك بطاقات رسومية ومعدات للاختبار، ويناقش الفريق ذلك مع المستثمرين. أما لمديري المنتجات فالخلاصة بسيطة: قيمة الواجهة الصوتية في محادثة جماعية ليست في الإجابة عن سؤال، بل في معرفة سياق الاجتماع كله. وهذا الجزء هو الذي ينبغي بناؤه أولًا.