قادة الفكر
الذكاء الاصطناعي الصوتي يزدهر — لكن هل هو واقعي بما يكفي لإحداث أثر؟

النقاط الرئيسيةتأثير الوادي الغريب يجعل الأصوات الاصطناعية شبه البشرية مُربكة للمستخدمين في التفاعلات…
عرض المزيد
- تأثير الوادي الغريب يجعل الأصوات الاصطناعية شبه البشرية مُربكة للمستخدمين في التفاعلات الحساسة مثل خدمة العملاء.
- يتطلب الواقعية الصوتية الحقيقية دقة عاطفية وذكاءً سياقياً يتجاوز مجرد النطق الدقيق.
- زمن التأخير الأقل من 250 مللي ثانية أمر بالغ الأهمية للحفاظ على وهم المحادثة البشرية الطبيعية.
سوق الوكلاء الصوتيين القائمين على الذكاء الاصطناعي عالميًا في ازدهار، ومن المتوقع أن ينمو من 3.14 مليار دولار في عام 2024 إلى 47.5 مليار دولار بحلول عام 2034. لم تعد هذه تقنية محدودة الانتشار؛ فمعظم شركات التكنولوجيا الكبرى، ومنها جوجل وأمازون (AMZN ) وأبل (AAPL ) وميتا ومايكروسوفت (MSFT )، لديها الآن منتجات صوتية، وتطرح الشركات الناشئة ابتكارات في السوق، وتزداد إتاحة التقنية نفسها بفضل النماذج مفتوحة المصدر. ومن المساعدين الافتراضيين اليوميين مثل سيري وأليكسا إلى الدبلجة الإقليمية في الأفلام والتلفزيون، لم تكن فرصة تبني الذكاء الاصطناعي الصوتي أكثر خصوبة مما هي عليه الآن.
لكن مع اتساع إتاحة الذكاء الاصطناعي الصوتي، تظل التجارب متفاوتة بشدة. فأصعب ما فيه ليس توليد صوت، بل توليد صوت يبدو مقنعًا في التفاعلات اليومية. ولا تعني الإتاحة الواسعة أن هذه الأصوات تلبي احتياجات المؤسسات أو تضمن تبني المستخدمين لها على المدى الطويل. وسيتفوق في المنافسة من يقدم أصواتًا تبدو بشرية وحيوية وواعية بالمشاعر في مواقف الحياة الواقعية.
وادي الغرابة: “جيد بما فيه الكفاية” لا يكفي
يتزايد داخل القطاع افتراض أن الوصول إلى صوت ذكاء اصطناعي يشبه الصوت البشري بدرجة معقولة سيكون «جيدًا بما يكفي» لتبنيه على نطاق واسع، وبذلك ينتهي السباق عمليًا. فسيتسامح المستخدمون مع قدر طفيف من الاصطناع لأن الفائدة تفوق أوجه القصور.
في الواقع، ينطوي هذا الافتراض على سوء فهم لكيفية إدراك الناس للكلام والمشاعر والأصالة. فالأصوات شبه البشرية عرضة لإحداث تأثير «وادي الغرابة» الذي يسبب انزعاج المستخدمين، خصوصًا أثناء دعم العملاء أو التفاعلات في الرعاية الصحية أو التخطيط للسفر، حيث قد تحتد المشاعر ويكون الشعور بأن الآخرين يفهمونك بالغ الأهمية. ومع زيادة التعرض لأصوات الذكاء الاصطناعي، يتراجع التسامح مع المستوى المتوسط.
وتُظهر الأبحاث حول التفاعل بين الإنسان والآلة باستمرار أن الصوت الذي يكون قريبًا جدًا من البشري لكنه يفتقر إلى الانسجام العاطفي أو الإيقاعي يجعل المستخدمين يشعرون غريزيًا بأن هناك خطبًا ما. فعلى سبيل المثال، تلاحظ بعض الشركات التي تستخدم موظفي استقبال بالذكاء الاصطناعي أن المستخدمين يصفون التفاعلات بأنها مخيفة أو مقلقة، لأن الصوت يتضمن فروقًا طفيفة في التوقيت الإيقاعي أو العاطفي تبدو غير طبيعية. وفي بيئات التعامل مع العملاء، يمكن حتى للحظات بسيطة من الاحتكاك أو الانزعاج أن تتراكم سريعًا لتصبح استياءً حقيقيًا ينتهي بالتخلي عن الخدمة.
أصبح تجاوز نمط «جيد بما يكفي» أكثر أهمية لتحقيق الأهداف التجارية. فمن المتوقع أن يتولى الذكاء الاصطناعي نحو 50% من حالات خدمة العملاء بحلول عام 2027، لكن التفاعلات الآلية السلبية قد تضر مباشرة بصورة العلامة التجارية. ومن المرجح أن يولد التفاعل السيئ مع روبوت محادثة، إذا أعقبته تجربة صوتية سيئة بالقدر نفسه أو غير طبيعية، شعورًا عميقًا بالإحباط، وقد يوحي بعدم وجود مسار موثوق للحصول على مساعدة حقيقية.
مع تزايد تفاعل المستهلكين مع أصوات الذكاء الاصطناعي، يقل التسامح مع التفاعلات الروبوتية أو المحرجة، وينصرف المستخدمون سريعًا، مما يترتب عليه عواقب تجارية خطيرة للشركات التي تعتمد على هذه الأدوات.
الواقعية الحقيقية
في الذكاء الاصطناعي الصوتي، تتجاوز الواقعية بمستوى بشري مجرد دقة النطق أو إزالة النبرات الروبوتية. فهي تتطلب أيضًا مزيجًا متعدد الأبعاد من المشاعر والسياق والفروق الثقافية الدقيقة والتوقيت وعوامل أدق. ويكمن التحدي الحقيقي إذن في تفكيك الطبقات التي تشكل التواصل البشري وفهمها ثم محاكاتها في نهاية المطاف، ومنها:
المدى العاطفي والأصالة
يكمن جمال الأصوات البشرية في قدرتها على نقل الدفء والإلحاح والفكاهة وخيبة الأمل والحماس ومشاعر أخرى لا حصر لها، إلى جانب الكلمات نفسها. وتؤثر هذه الفروق العاطفية الدقيقة مباشرة في شعور المستخدم بأن الآخرين يفهمونه أو يتجاهلونه، أو يطمئنونه أو يثيرون انزعاجه.
تخيل، مثلًا، وكيل دعم بالذكاء الاصطناعي يتعامل مع عميل محبط. قد يقول الروبوت: «أتفهم تمامًا مدى الإحباط الذي لا بد أنك تشعر به. لنرَ كيف يمكننا معالجة الأمر». وعندما يبدو الصوت الذي ينطق هذه الكلمات متعاطفًا، يمكن أن يخفف توتر المتصل ويشير إلى تسوية حقيقية للخلاف. أما الكلمات نفسها، إذا قيلت بصوت رتيب أو غير طبيعي، فقد تثير رد الفعل المعاكس.
الذكاء السياقي
يعدل البشر كلامهم غريزيًا بحسب مدى إلحاح الموقف، والحالة العاطفية التي يعتقدون أن المستمع يمر بها، وتعقيد المعلومات، والسياق الاجتماعي. وتميل أصوات الذكاء الاصطناعي الحالية إلى إلقاء العبارات بصورة موحدة، فتفوتها الإشارات السياقية التي تجعل الكلام يبدو متجاوبًا وحاضرًا. ويتطلب الكلام الواقعي فهم الكلمات، وكذلك سبب قولها والحالة الذهنية لمن يعبرون عنها.
التعبيرات الدقيقة في الصوت
يتضمن الكلام الطبيعي عيوبًا طفيفة مثل الأنفاس والوقفات وعلامات التردد وعدم انتظام الوتيرة. وهذا أحد الأسباب الرئيسية التي تجعل كلام الذكاء الاصطناعي الخالي من العيوب والمتواصل بلا انقطاع يبدو بطبيعته أقل بشرية. وللأسف، تظل محاكاة هذه الإشارات بصورة مقنعة تحديًا تقنيًا.
الفروق الثقافية واللغوية الدقيقة
إلى جانب محاكاة اللهجات، يعتمد التواصل الإقليمي الأصيل على الوعي باختلاف الثقافات في وتيرة الكلام والتنغيم والتعابير الاصطلاحية ومستويات الرسمية وأساليب التواصل. فمثلًا، قد يُفسر التنغيم الصاعد الذي يشير إلى الود والحماس في ثقافة ما على أنه تردد أو تساؤل في ثقافة أخرى، مما قد يغير إدراك المستخدم للنية أو المشاعر.
إذا لم تُدمج هذه الفروق الصوتية الدقيقة في نماذج الذكاء الاصطناعي، فقد تبدو حتى الأصوات الدقيقة تقنيًا غير ملائمة أو مربكة للمستخدمين من خلفيات ثقافية مختلفة. وتتطلب الواقعية الحقيقية القدرة على تكييف النبرة والأسلوب بحسب توقعات كل مستخدم.
عند مراعاة كل هذه العوامل الدقيقة والمهمة، يتضح أن أصوات الذكاء الاصطناعي يجب ألا تبدو بشرية فحسب، بل أن تستجيب أيضًا في الوقت الفعلي كما يفعل الإنسان. ولهذا يُعد زمن الاستجابة عنصرًا حاسمًا في تقييم مدى بشرية صوت الذكاء الاصطناعي. ففي المحادثة الطبيعية، يتناوب البشر الكلام بفواصل زمنية يبلغ متوسطها 250 مللي ثانية. وأي تأخير أطول يجعل التفاعل يبدو بطيئًا أو غير منتبه أو مرتبكًا. وقد يكفي الفرق الطفيف بين وقفة تنم عن التفكير وتأخير تقني لكسر إيحاء المحادثة الطبيعية وجعل الصوت يبدو أقل انتباهًا.
لماذا يهم هذا
في المرحلة المقبلة، سيفضل السوق حتمًا الشركات القادرة على تقديم الواقعية والاستجابة في الوقت الفعلي معًا.
بالنسبة إلى وكلاء الذكاء الاصطناعي ومساعديه، يتوقف تبني المستخدمين واستمرار تفاعلهم على رغبة الناس أصلًا في التفاعل مع التقنية. والفرق بين أداة يجربها الناس مرة واحدة وأداة يعتمدون عليها يوميًا هو جودة تجربة المحادثة.
في صناعة الترفيه، يعتمد اندماج الجمهور واستمراره في المشاهدة على مدى إقناع المحتوى، وقد تعطل عبارة واحدة غير طبيعية تفاعل المشاهد. ويجب أن تندمج أصوات الذكاء الاصطناعي المستخدمة في الدبلجة أو أداء الشخصيات اندماجًا كاملًا في السرد للحفاظ على الأثر العاطفي.
في دعم العملاء، تُعد الثقة والتعاطف أمرين أساسيين، خصوصًا لأن كثيرًا من التفاعلات تجري في لحظات الإحباط أو الارتباك. وقد يؤدي الصوت الجامد أو المنفصل عاطفيًا إلى تصعيد الموقف بدلًا من حله. ويتوقع المستخدمون أصواتًا تعكس الاهتمام أو الصبر أو الطمأنة، لا مجرد إلقاء ردود مكتوبة سلفًا.
ماذا يأتي بعد ذلك
ستفوز بسباق الذكاء الاصطناعي الصوتي الشركات التي تتقن الفروق العاطفية الدقيقة، وتفهم الاختلافات الثقافية والسياقية، وتستجيب فورًا وبسلاسة، وتقدم تجارب لا يمكن تمييزها عن التحدث مع إنسان.
في سوق يستطيع فيه أي شخص توليد صوت بالذكاء الاصطناعي وتتطور فيه توقعات المستخدمين تبعًا لذلك، لن يعود «الجيد بما يكفي» جيدًا على الإطلاق سريعًا. والطريقة الوحيدة للحفاظ على القدرة التنافسية ستكون توليد أصوات ينسى الناس بسهولة أنها أصوات ذكاء اصطناعي.












