ElevenLabs Scribe v3 Live يعلّم الوكلاء الصوتيين عدم المقاطعة: أخطاء أقل بنسبة 25%

تخيّل أنك تتصل بعيادة وتملي رقم وثيقة التأمين. عند الرقم الرابع تتوقف لأنك تنظر إلى البطاقة. يقرر الروبوت أنك انتهيت ويرد بنشاط: «لم أسمع جيدًا، أعد من فضلك». مألوف؟ المشكلة ليست في غباء النموذج اللغوي. فمعظم الوكلاء الصوتيين يعتمدون على مؤقت صارم للصمت، وهذا بالضبط ما تحاول ElevenLabs استبداله.

ماذا أطلقت الشركة

قدّمت الشركة نموذجين للتعرف على الكلام. Scribe v3 مصمم للملفات الصوتية الجاهزة، أما Scribe v3 Live فيعمل في الوقت الفعلي بزمن استجابة منخفض. كلاهما متاح عبر واجهة API ومنصة ElevenAgents. وقد صُمّما للتعامل مع الصوت «المتسخ»: ففي الاجتماعات يتحدث الناس في وقت واحد، وفي المكالمات يضج الشارع بالضجيج.

وبحسب ElevenLabs، يرتكب Scribe v3 أخطاء أقل في الكلمات بنسبة 25% مقارنة بالإصدار السابق، وينطبق ذلك على 102 لغة. وتشير الشركة بشكل منفصل إلى تقدم ملحوظ في اللغة الألمانية. كما أصبح تمييز المتحدثين (diarization)، أي تحديد من يتكلم بالضبط، أكثر موثوقية في المجموعات الكبيرة. وفي النسخة الحية يعمل هذا لأول مرة في الوقت الفعلي.

كيف يفهم Live أنك أنهيت كلامك

المخطط القديم بسيط: صمت أطول من N ميلي ثانية يعني أن الجملة انتهت. إن جعلت N صغيرة، سيقاطع الروبوت من يفكر أو يملي الأرقام ببطء. وإن جعلتها كبيرة، سيصل كل رد بتأخير محرج.

يراقب Scribe v3 Live الإشارة الصوتية، لكنه ينظر أيضًا إلى سياق المحادثة. فإذا قال الشخص «رقمي أربعة، ثمانية، واحد…» وصمت، فمن الواضح أن الجملة لم تكتمل، ولا تُعد الوقفة نهاية للدور. أما إذا قال «شكرًا، هذا كل شيء»، فيمكن الرد الآن. هذا المثال من عندنا: فالشركة لا تكشف تفاصيل آلية العمل.

بالنسبة لمدير المنتج، هذا هو الجزء الأهم في الخبر. تُعد المقاطعة من أكثر مشكلات الواجهات الصوتية إزعاجًا، وعليها يتوقف ما إذا كان العميل سيصل إلى النتيجة أم سيغلق الخط.

وهناك أيضًا تفاصيل لطيفة للمطورين:

• يمكن تحميل آلاف المصطلحات الخاصة في النموذج، مثل أسماء العلامات التجارية أو الأدوية، حتى لا يشوّهها؛
• يمكن ضبط تنسيق الأرقام والتواريخ بقواعد مكتوبة بلغة عادية؛
• يتحمل الوضع متعدد اللغات تغيّر اللغة في منتصف الجملة؛
• للعملاء من الشركات خوادم معزولة في الاتحاد الأوروبي ووضع zero-retention الذي تُحذف فيه البيانات فور انتهاء الطلب.

ماذا أظهر المعيار المستقل

أكدت Artificial Analysis أن Scribe v3 من بين أدق النماذج في السوق. فقد تفوق على حلول Microsoft وMistral وxAI وGoogle وOpenAI، ولم يسبقه سوى نموذج تجريبي من Alibaba. وبلغ السعر في الاختبار 3.33 دولار لكل 1000 دقيقة.

أما من حيث السرعة والتكلفة، فجاءت ElevenLabs في منتصف القائمة. فنماذج Microsoft وxAI أسرع بأضعاف، وأخطاؤها أكثر بقليل فقط، وتكلفتها أقل بنحو النصف. وإذا كنت تفرّغ أرشيفات ضخمة من التسجيلات وتهمك السرعة والسعر، فالاختيار ليس بديهيًا.

والتحفظ الأساسي أن المعيار يقيس فقط الأخطاء في الكلمات على ملفات مسجلة. ولم يختبر تمييز المتحدثين ولا اللغات النادرة ولا سلوك النسخة الحية. لذلك فإن الوعد الرئيسي في الخبر، وهو عدم مقاطعة المحاور، لا تؤكده حتى الآن سوى الشركة نفسها.

الأعمال حول النماذج

إلى جانب النماذج، توسّع ElevenLabs توجهها المؤسسي. فبالشراكة مع Nvidia تدمج النموذج المفتوح Nemotron 3.5 Super VL في ElevenAgents، وتحجز قدرات حوسبة إضافية على Nvidia، وتطوّر تحكمًا صوتيًا محليًا بالروبوتات. كما تطلق الشركة وكيلًا هاتفيًا لنظام الرعاية الصحية في بولندا. وأُعلن بشكل منفصل عن تحالف مع McKinsey، وبرنامج موسّع لمتكاملي الأنظمة، وسوق خاص بها. وفيه تعرض Salesforce وIBM وZendesk وكلاء صوتيين جاهزين.

ماذا تفعل بهذا

إذا كنت تبني وكيلًا صوتيًا للاتصالات الهاتفية، فجرّب Live على تسجيلاتك الحقيقية. لا تحتسب نسبة الأخطاء في الكلمات فقط، بل أيضًا وتيرة المقاطعات، لأن المعايير العامة لا تقيسها. وإذا كان مجالك الطب أو المالية أو أي مجال آخر ذي مصطلحات صارمة، فتحقق من تحميل القاموس. وإذا كان الامتثال للمتطلبات الأوروبية مهمًا، فانتبه إلى خوادم الاتحاد الأوروبي ووضع zero-retention. أما لتفريغ الأرشيفات بكميات كبيرة، فقارن أولًا السعر والسرعة: فقد تكون النماذج الأرخص أكثر منطقية بدقة شبه مماثلة.