Nuance Labs تطلق الأفاتار Emma الذي يومئ برأسه ويتفاعل أثناء حديثك

يعمل تقريبًا كل أفاتار فيديو تحدثت معه كجهاز لاسلكي (walkie-talkie). تتحدث أنت، وينتظر النظام حتى يسود الصمت، ثم يفرّغ الكلام نصًّا، ويرسل النص إلى نموذج لغوي، وينطق الرد، وبعد ذلك فقط يحرّك نموذج منفصل الشفاه. وفي هذا المخطط يكون التأخير بين 1.5 و3 ثوانٍ أمرًا لا مفر منه. وبينما «يفكر» الأفاتار يحدّق في الفراغ، ويضيع الإحساس بالحوار.

تحاول Nuance Labs، وهي شركة ناشئة أمريكية أسسها باحثون سابقون في Apple، التخلص من فكرة الجهاز اللاسلكي نفسها. وخلال هذا الأسبوع عرضت الشركة النموذج الصوتي المرئي الأساسي Nuplex 1.0 وأطلقت الأفاتار Emma.

ما الذي تغيّر في البنية

بدلًا من سلسلة من أربعة نماذج، يعتمد Nuplex على شبكة عصبية واحدة شاملة. فهي تدرك الصوت والفيديو وتولّدهما معًا. ويقرأ النظام باستمرار نبرة صوت المحاور وفترات صمته وترددّه، ويبثّ الكلام وتعابير الوجه بالتوازي.

وفي الصناعة يُسمّى هذا «الديوبلكس الكامل» (full duplex): يمكن الاستماع والتحدث في الوقت نفسه، كما في المحادثة الحية. وكان ذلك سابقًا متاحًا في الغالب للنماذج الصوتية، أما هنا فقد أُضيف إليه الوجه.

كيف يبدو ذلك عمليًا

تخيّل أنك تحكي لـ Emma عن مشكلة في طلبك. في الأفاتار العادي تتحدث إلى الفراغ حتى تصمت. أما Emma فتومئ برأسها، وتغيّر تعابير وجهها، وتُصدر إشارات الإصغاء النشط مثل «أها» و«مفهوم». كل ذلك يحدث أثناء كلامك لا بعده. وبالنسبة لخدمات الدعم والتدريب والتأهيل (onboarding) والمحاورين الافتراضيين، هذا هو الفرق بين «أتحدث إلى نموذج إلكتروني» و«أتحدث إلى إنسان».

وفق اختبار داخلي أعمى أجرته Nuance Labs على 1785 سؤالًا اختباريًا، ساوى Nuplex سرعة رد فعل الإنسان الحي في 89% من الحالات. الرقم مثير للاهتمام، لكنه اختبار أجرته الشركة نفسها. ومن الأفضل التحقق بنفسك من المنهجية ومن المقارنة بالمنافسين.

الوصول وإجراءات الأمان

Emma متاحة على الويب دون تسجيل أو حساب، لذا يمكن تقييم الجودة في دقائق. وحصل المطورون على وصول مبكر إلى Nuplex Live API. ولا تذكر الشركة في إعلانها الأسعار ولا الحدود ولا زمن التأخير الدقيق.

ويرافق الإطلاق عدد من القيود:

• مظهر Emma مرخّص من ممثلة حقيقية؛
• تُوسَم البثوث بعلامات مائية إلزامية؛
• الاستنساخ المباشر لوجوه الآخرين وأصواتهم محظور.

وبالنسبة للشركات فهذا ميزة من حيث المخاطر، لكنه أيضًا قيد: فلا يمكن حتى الآن إنشاء «توأم رقمي» لموظف أو سفير للعلامة التجارية عبر هذه الواجهة.

ماذا نفعل بذلك

إذا كنت تبني وكيلًا صوتيًا أو مرئيًا، فالمفيد في هذا الخبر هو الفكرة نفسها. فالمشكلة الرئيسية في الحوار الحي ليست جودة الصورة بل التوقيت: متى تتدخل، ومتى تصمت، ومتى تومئ. والسلسلة المتتالية من STT وLLM وTTS تعيق ذلك بنيويًا، لأن كل مرحلة تنتظر السابقة.

والخطة العملية كالتالي:

• افتح Emma وجرّب سلوكها عند المقاطعة وفترات الصمت والكلام المتردد؛
• قارن الإحساس بالحوار مع حزمتك المتسلسلة الحالية؛
• اطلب الوصول إلى Live API إذا كان لديك سيناريو تهم فيه الطبيعية وليس دقة الإجابات فقط.

وتبقى أسئلة لا يجيب عنها الإعلان. ما مدى ذكاء «رأس» الأفاتار في المهام المعقدة؟ كيف يحتفظ النموذج بالسياق في حوار طويل؟ كم تكلفة دقيقة البث؟ عادةً ما تتفوق النماذج الشاملة في الطبيعية، لكنها تتخلف عن السلاسل المتتالية في قابلية التحكم: فمن الأصعب ربط الأدوات وقواعد المعرفة والسيناريوهات الصارمة. وحتى الآن هذا عرض قوي لاتجاه ما، وليس بديلًا جاهزًا للحزمة كلها. لكن الاتجاه واضح: الأفاتارات لم تعد روبوتات دردشة تتكلم، بل تصبح محاورين.