Hume AI تفتح واجهة API تجيب عن الأسئلة انطلاقًا من تسجيل صوتي: توافق بنسبة 70.7% مع البشر

إنها مشكلة مألوفة لكل من طوّر وكلاء صوتيين أو أنظمة لتحليل المكالمات: النص المنسوخ يفقد نصف المعنى. فالنص لا يكشف أن العميل تنهد، أو رفع صوته بانزعاج، أو أن طفلًا يبكي في الخلفية. وعادةً ما تُعالج هذه المشكلة باستخدام مصنفات منفصلة للمشاعر والضوضاء وفصل المتحدثين، ولكل منها بيانات موسومة وتدريب إضافي خاص به. وتقترح Hume AI استبدال هذه المجموعة المتشعبة بنموذج واحد.

ما الذي أُطلق تحديدًا؟

يحمل المنتج اسم Audio Decisions. ويستقبل تسجيلًا وسؤالًا عنه وقائمة بالإجابات المسموح بها. ثم يعيد احتمالات هذه الإجابات ودرجة ثقة. وهناك أربعة تنسيقات للإجابة: نعم أو لا، والاختيار من بين عدة خيارات، ومقياس تقييم، ومقطع زمني داخل التسجيل — مثل توقيت ضحك شخص أو تنهدِه.

يمكن طرح أسئلة عن اللغة والكلام، وعدد المتحدثين وتناوبهم، والمشاعر، والبيئة الصوتية، والأحداث غير اللفظية، وديناميكيات المحادثة، ونية العميل ونتيجة المكالمة، وكذلك الإشارات الاجتماعية. ويمكن تغيير مجموعة الأسئلة عند الطلب من دون وسم إضافي للبيانات أو تدريب إضافي. ويُربط حد الثقة بقواعد العميل: مثلًا، لا تُحوَّل المكالمة إلى موظف بشري إلا إذا بلغت ثقة النموذج بأن العميل منزعج 80% على الأقل.

كيف يعمل ذلك في مثال عملي؟

تقدم Hume سيناريو من قطاع التجزئة. يتحدث وكيل صوتي مع متسوق، ويطرح بالتوازي أسئلة على النموذج الصوتي: هل تبدو نبرة المتحدث مترددة، وهل يظهر فيها انزعاج، وكم شخصًا يتحدث، وهل توجد ضوضاء في الخلفية، وماذا يريد المتسوق؟ وتُرسل هذه الإجابات مع النص المنسوخ إلى نموذج لغوي، وهو الذي يقرر بعد ذلك ما إذا كان ينبغي الانتظار أو طلب توضيح أو تحويل المحادثة إلى موظف خدمة.

البنية معقولة من الناحية المعمارية. يعمل النموذج الصوتي بوصفه «أذنين» تنتجان مخرجات منظمة، بينما يعمل نموذج اللغة الكبير LLM بوصفه العقل الذي يتخذ القرار. ولا حاجة إلى تعليم النموذج اللغوي كيفية الاستماع؛ إذ يكفي تزويده بإشارات واضحة ومفهومة.

وفقًا للشركة، يجيب النموذج أثناء المكالمة المباشرة عن عشرات الأسئلة كل بضع ثوان، بينما يصبح أرشيف يضم 40 ألف تسجيل قابلًا للبحث خلال دقائق. وبالنسبة إلى ضبط الجودة في مركز اتصال، تتيح هذه التقنية الانتقال من فحص عينة صغيرة من المكالمات إلى فحصها جميعًا.

ماذا عن الجودة؟

تقارن Hume نموذجها مع Gemini 3.8 Flash وQwen3.8-Omni-Flash وInkling-Small وgpt-audio-1.5 وGemini 3.5 Flash Lite وNemotron 3 Nano Omni، وتضع نفسها في الصدارة أمامها جميعًا. وفي المقارنة مع البشر، توافق النموذج مع متوسط رأي مجموعة من المستمعين في 70.7% من الحالات، بينما بلغت نسبة توافق مُقيّم منفرد 56.5%. وبعبارة أخرى، كان النموذج أقرب إلى الإجماع من شخص اختير عشوائيًا.

الحجة قوية، لكنها تستوجب بعض التحفظات. فقد نشرت الشركة نفسها نتائج الاختبارات المعيارية، كما أن الإعلان لا يوضح تركيبة الأسئلة أو البيانات. إضافة إلى ذلك، تظل نسبة 70.7% بعيدة جدًا عن 99%. فالمشاعر والنوايا ذاتية، وحتى البشر يختلفون في تفسيرها. وفي مهام مثل تقييم موظف بما قد تترتب عليه آثار قانونية، تمثل هذه الدقة سببًا للإبقاء على الإنسان ضمن دائرة اتخاذ القرار.

ما الذي ينبغي للمطورين وفرق المنتجات فعله؟

لا يزال الوصول متاحًا حاليًا بالطلب فقط عبر قائمة انتظار، والسعر 47 سنتًا لكل مليون رمز إدخال. ويُحوَّل الصوت إلى عدد كبير من الرموز، كما قد يكون حجم تدفق المكالمات ضخمًا، لذا ينبغي تقدير التكلفة مسبقًا وفق أحجام الاستخدام الفعلية لديكم.

خطة عملية:

• إذا كان لديكم مركز اتصال أو وكيل صوتي، فاجمعوا ما بين 100 و200 مكالمة من مكالماتكم قيّمها خبراء، واختبروا النموذج عليها بدلًا من الاكتفاء بعرض تجريبي؛
• قارنوا النتائج مع Gemini أو gpt-audio باستخدام الأسئلة نفسها: تستطيع النماذج متعددة الوسائط أيضًا الإجابة عن مثل هذه الأسئلة من خلال مطالبة نصية، لكن من دون معايرة الثقة التي تعلنها Hume؛
• حددوا الحدود مسبقًا: ما الحالات التي تُحال إلى موظف بشري، وما الحالات التي تُعالج تلقائيًا.

إذا تأكدت الأرقام المعلنة على بياناتكم، فسيعالج Audio Decisions أكثر أجزاء المشروع إزعاجًا: وسم البيانات وصيانة مجموعة متناثرة من المصنفات المتخصصة. وإذا لم تتأكد، فلن تخسروا سوى أمسيتين في الاختبار، وستحتفظون بفهم واقعي للسقف الفعلي الذي يمكن أن يبلغه تحليل الصوت.