Adventists AI تكشف عن Sophon الصوتي بزمن استجابة معلن يبلغ 0,31 ثانية

تتصل بمساعد صوتي وتبدأ بتوضيح العنوان، لكنه يواصل قراءة إجابته السابقة. بالنسبة إلى المستخدم، هذه بضع ثوانٍ مزعجة. وبالنسبة إلى فريق المنتج، فهي سبب لاختبار قدرة النظام على الاستماع أثناء الكلام. قدّمت Adventists AI نموذج Sophon-Realtime-v1 المفتوح بهذا النمط تحديداً: يمكن مقاطعة المساعد ومتابعة الحوار. ويعلن مطوّرو نسخة Flash السريعة أنها تُصدر أول صوت خلال 0,31 ثانية.

تكتسب هذه الإمكانية أهمية عملية لفرق الدعم ومطوّري الواجهات الصوتية ومؤسسي الخدمات التي تستخدم بوتات هاتفية. لكن من المبكر اختيار نموذج بناءً على رقم واحد لزمن الاستجابة؛ إذ ينبغي أولاً فهم سلوكه عند التوقفات والتوضيحات والأخطاء.

كيف يقرر المساعد متى يتكلم

يدعم Sophon نمط full-duplex، أي الاستماع والكلام في الوقت نفسه. وتستند عائلة النماذج إلى نموذج يضم 32 مليار معلمة. ووفق وصف المطوّرين، يميّز بين انتهاء مداخلة المتحدث واستمراره في الكلام ورد فعل قصير من المحاور ووقفة للتفكير. ويُعدّ مسودة للرد مسبقاً؛ فإذا واصل الشخص الكلام، يتخلى النظام عنها.

لنتصور طلب توصيل. يقول العميل: «أوصلوه غداً… همم، بل بعد غد». عند اختبار مساعد كهذا، من المهم التأكد من أنه ينتظر التصحيح ويؤكد اليوم الصحيح. وإذا كان البوت قد بدأ الرد ثم أضاف العميل «بعد السادسة»، فيجب أن يأخذ الحوار هذا التوضيح في الحسبان أيضاً. هذا مثال على سيناريو للاختبار، وليس نتيجة مؤكدة لأداء Sophon.

ويعلن المطوّرون أيضاً التعرف على نبرة الصوت والضحك والتنهدات والسخرية باستخدام DuplexJev. وهذا يدعو فريق المنتج إلى اختبار العبارات الملتبسة بشكل منفصل. فقد تعبّر عبارة «رائع فعلاً» عن رضا العميل أو انزعاجه. لكن القدرة على تحديد النبرة لا تثبت وحدها أن المساعد سيختار الإجراء التالي على نحو صحيح.

ثلاث نسخ بموازنات مختلفة

تركّز نسخة Tag على التعبير: يضيف النموذج علامات إلى الرد، ثم تتولى وحدة كلام منفصلة إنتاج الضحك والتنهدات والتشديد على الكلمات. وتستخدم Flash توليداً صوتياً أسرع. أما النسخة الثالثة، E2E، فقد نُشرت كنسخة أولية مخصصة للتجارب على توليد الكلام داخل البنية العامة.

تورد المادة الأصلية لنسخة Tag نحو 0,6 ثانية حتى صدور أول صوت و16 مستخدماً متزامناً، مقابل 0,31 ثانية و40 مستخدماً لنسخة Flash. وهناك توضيح جوهري في مستودع المشروع: قاس المطوّرون زمن الاستجابة والقدرة على تحمل الحمل على بطاقة H100 بذاكرة سعتها 80 غيغابايت. ولا يمكن تعميم هذه الأرقام تلقائياً على أي بطاقة رسومية أخرى تملك سعة الذاكرة نفسها.

ينبغي اختيار النسخة وفق المهمة. فقد تكون القدرة التعبيرية مفيدة لشخصية افتراضية أو أداة للتدرب على المحادثة. أما في مكالمة قصيرة للاستفسار عن حالة طلب، فالأهم اختبار السرعة ووضوح الكلام وصحة الإجراءات. ضحكة المساعد لا تعوّض خطأً في العنوان.

ما الذي ينبغي اختباره قبل الدمج في المنتج

ابدأ بمجموعة صغيرة من محادثاتك الخاصة: شخص يقاطع البوت، أو يفكر طويلاً، أو يغيّر رأيه، أو يتحدث وسط ضوضاء. ويلزم أيضاً إجراء اختبارات منفصلة للغات جمهورك ولهجاته. فالنتائج المعروضة لا تسمح باستخلاص حكم على جودة الكلام باللغة الروسية.

قِس المدة من نهاية مداخلة المتحدث إلى صدور أول صوت، وسرعة التوقف عند المقاطعة، ونسبة المحادثات التي احتفظ فيها البوت بالتوضيح على نحو صحيح. اختبر ذلك تحت الحمل المتوقع. فصدور أول صوت بسرعة لا يفيد كثيراً إذا تعطل الرد لاحقاً أو فقد النظام السياق بعد تدخل المستخدم.

وتتطلب السيناريوهات التي تتضمن تنفيذ إجراءات مجموعة إضافية من الاختبارات: هل يستدعي المساعد الأدوات بشكل صحيح ويؤكد النتيجة؟ إن نتيجة Pass@1 البالغة 48%، الواردة في المادة لاختبار استدعاء الأدوات، لا تبرر إسناد عمليات إليه من دون تحقق. ومن المنطقي البدء باختبار قراءة الحالة وإعداد الإجراء، ثم تقييم السيناريوهات الأكثر تعقيداً.

يستحق Sophon الاهتمام بوصفه خياراً لبناء نموذج أولي لخدمة صوتية. وينبغي أن يستند قرار اعتماده إلى تسجيلات محادثاتك وتكلفة التشغيل وعدد المهام المنجزة بنجاح. تساعد المقارنات التي نشرها مطوّروه في إعداد برنامج للاختبارات؛ أما جاهزيته للتعامل مع العملاء فعليك التحقق منها بنفسك.