صوت الذكاء الاصطناعي في ازدهار – ولكن هل هو واقعي بما فيه الكفاية لتأثير؟

سوق الوكلاء الصوتيين الذكاء الاصطناعي العالمي في ازدهار، ومن المتوقع أن ينمو من 3.14 مليار دولار في عام 2024 إلى 47.5 مليار دولار بحلول عام 2034. لم يعد هذا التكنولوجيا مجرد تكنولوجيا هامشية، حيث أن معظم الشركات التكنولوجية الكبرى (بما في ذلك جوجل وأمازون وأبل وميتا ومايكروسوفت) لديها الآن منتجات صوتية، والشركات الناشئة تقدم ابتكارات إلى السوق، والتكنولوجيا نفسها تصبح متاحة بشكل متزايد مع نماذج مفتوحة المصدر. من المساعدين الافتراضيين اليوميين مثل سيري وأليكسا إلى الدوبلاج الإقليمي في الأفلام والتلفزيون، لم يكن هناك وقت أفضل لتبني صوت الذكاء الاصطناعي.

لكن مع زيادة انتشار صوت الذكاء الاصطناعي، تظل التجارب غير متساوية بشكل عميق. وذلك لأن الجزء الأكثر صعوبة في صوت الذكاء الاصطناعي ليس في توليد صوت، بل في توليد صوت يبدو معقولاً في التفاعلات اليومية. لا يعني توافر واسع النطاق أن هذه الأصوات الكافية لاحتياجات الشركات أو لتبني المستخدمين على المدى الطويل. السباق الحقيقي سوف يفوز به من ي提供 أصوات تشعر بالحياة والديناميكية والوعي العاطفي في المواقف الواقعية.

وادي الغرابة: “جيد بما فيه الكفاية” لا يكفي

هناك افتراض متزايد داخل الصناعة هو أن تحقيق صوت ذكاء اصطناعي يبدو معقولاً سيكون “جيد بما فيه الكفاية” لتبني واسع النطاق، وبالتالي ينتهي السباق. سيتحمل المستخدمون قليلاً من غير الطبيعية لأن الفائدة تفوق العيوب.

في الواقع، هذا الافتراض يفهم بشكل خاطئ كيف يدرك الناس الكلام والانفعالات والصدق. الأصوات شبه الإنسانية معرضة لخلق تأثير “وادي الغرابة” الذي يجعل المستخدمين غير مرتاحين، خاصة في دعم العملاء أو التفاعلات الصحية أو التخطيط للسفر، حيث يمكن أن تكون الانفعالات مرتفعة والشعور بالفهم أمر بالغ الأهمية. مع زيادة التعرض لأصوات الذكاء الاصطناعي، تقل التسامح مع الروبوتية أو التفاعلات الغير مريحة.

في الواقع، الأبحاث حول التفاعل بين الإنسان والآلة تظهر باستمرار أن عندما يكون الصوت قريبًا من الصوت البشري ولكن يفتقر إلى الانسجام العاطفي أو الإيقاعي، يشعر المستخدمون بشكل غريزي أن هناك شيئًا خاطئًا. على سبيل المثال، بعض الشركات التي لديها موظفو استقبال ذكاء اصطناعي يلاحظون أن المستخدمين يصفون التفاعلات بأنها مخيفة أو غير مريحة لأن الصوت يفتقر إلى تناغم إيقاعي أو عاطفي دقيق.

تجاوز هذا الوضع “جيد بما فيه الكفاية” يصبح أكثر أهمية للأهداف التجارية. من المتوقع أن يتعامل الذكاء الاصطناعي مع حوالي 50% من حالات دعم العملاء بحلول عام 2027، ومع ذلك، يمكن أن تؤدي التفاعلات الآلية السلبية إلى ضرر مباشر لتجربة العلامة التجارية.

مع زيادة تفاعل المستهلكين مع أصوات الذكاء الاصطناعي، يقل التسامح مع التفاعلات الروبوتية أو الغير مريحة، وسوف ينسحب المستخدمون بسرعة، مما يؤدي إلى عواقب تجارية خطيرة للشركات التي تعتمد على هذه الأدوات.

الواقعية الحقيقية

في صوت الذكاء الاصطناعي، الواقعية على مستوى الإنسان هي أكثر من مجرد دقة النطق أو إزالة الأصوات الروبوتية. إنها تتطلب أيضًا مزيجًا متعددي الأبعاد من الانفعالات والسياق والتنوعات الثقافية والإيقاعية والعوامل الأكثر دقة.

مدى الانفعالات والصدق

جمال الأصوات البشرية يكمن في khảيتهم على نقل الدفء والاستعجال والفكاهة والخيبية والحماس، إلى جانب الكلمات نفسها. هذا النوع من الدقة الانفعالية يؤثر مباشرة على ما إذا كان المستخدم يشعر بالفهم أو الإهمال.

تخيل، على سبيل المثال، وكيل دعم ذكاء اصطناعي يتعامل مع عميل محبط. قد يقول الوكيل، “أنا أفهم تمامًا كيف يكون هذا محبطًا. دعونا نرى كيف يمكننا إصلاحه.” عندما يبدو الصوت المتكلم متعاطفًا، يمكن أن يقلل من مستوى القلق للمتصل ويشير إلى حل حقيقي للنزاع.

الذكاء السياقي

البشر يعدلون تلقائيًا كلامهم بناءً على الضرورة الحاسمة للموقف، حالة المستمع العاطفية، التعقيد المعلوماتي، والسياق الاجتماعي. اليوم، الأصوات الذكاء الاصطناعي تميل إلى تقديم السطور بشكل موحد، تفقد الإشارات السياقية التي تجعل الكلام يشعر بالاستجابة والوجود.

التعبيرات الصغيرة في الصوت

النطق الطبيعي يتضمن عيوبًا دقيقة مثل التنفس والتنفسات والتهيج والتناغم غير المنتظم. هذا هو أحد الأسباب الرئيسية التي تجعل الكلام الذكاء الاصطناعي المثالي يشعر بأنه أقل إنسانية. ومع ذلك، فإن تكرار هذه الإشارات بشكل معقول يظل تحديًا تقنيًا.

النفاسة والتنوع اللغوي

إضافة إلى إعادة إنتاج النبرة، يعتمد التواصل الإقليمي الحقيقي على意识 بالثقافات المختلفة، وتيرة النطق، واللحن، ومستويات الرسمية، وأساليب التواصل. على سبيل المثال، نمط تصاعد اللحن الذي يشير إلى الودية والحماس في ثقافة ما قد يفسر على أنه عدم اليقين أو التساؤل في ثقافة أخرى، مما قد يغير تصور المستخدم عن النية أو الانفعال.

بدون هذه النفاثات الصوتية المتكاملة في نماذج الذكاء الاصطناعي، قد تشعر الأصوات حتى التقنية الدقيقة بالغیر مناسبة أو الغامضة للمستخدمين من خلفيات ثقافية مختلفة. الواقعية الحقيقية تتطلب القدرة على التكيف مع النبرة والنمط بناءً على توقع أي مستخدم معين.

عندما نحسب جميع هذه العوامل الدقيقة ولكن المهمة، يصبح واضحًا أن أصوات الذكاء الاصطناعي لا يجب أن تبدو فقط مثل صوت بشري، ولكن يجب أن تستجيب في الوقت الفعلي مثل ما يفعل الإنسان. هذا هو السبب في أن زمن الاستجابة هو عنصر حاسم في تقييم مدى تشابه صوت الذكاء الاصطناعي مع الصوت البشري.

لماذا يهم هذا

في المستقبل، السوق سوف يفضل الشركات التي يمكنها تقديم الواقعية والاستجابة في الوقت الفعلي.

对于 وكلاء الذكاء الاصطناعي والمساعدين، يعتمد تبني المستخدم والاستخدام المستدام على ما إذا كان الناس يرغبون في التفاعل مع التكنولوجيا في المقام الأول. الفرق بين أداة يجرّبها شخص مرة واحدة وأداة يعتمد عليها يوميًا هو جودة تجربة المحادثة.

في صناعة الترفيه، يعتمد استمرار الجمهور وغمره على مدى واقعية المحتوى، ويمكن أن يؤدي خط واحد غير طبيعي إلى تعطيل انخراط المشاهد.

对于 دعم العملاء، الثقة والتعاطف هما الأهم، خاصةً عندما تحدث العديد من التفاعلات خلال لحظات من الإحباط أو الارتباك. صوت يبدو صلبًا أو منفصلًا عاطفيًا يمكن أن يزيد من تدهور الوضع بدلاً من حلها.

ماذا يأتي بعد ذلك

الشركات التي سوف تفوز في سباق صوت الذكاء الاصطناعي سوف تكون تلك التي تتقن النفاسة، تفهم التنوع السياقي والثقافي، تستجيب في الوقت الفعلي وبسلاسة، وتقدم تجارب لا تختلف عن التحدث مع إنسان.

في سوق حيث يمكن لأي شخص توليد صوت ذكاء اصطناعي، وتتطور تطلعات المستخدمين بالتالي، سوف يصبح “جيد بما فيه الكفاية” سريعًا ليس جيدًا على الإطلاق. الطريقة الوحيدة للبقاء في المنافسة سوف تكون توليد أصوات ذكاء اصطناعي يمكن للمستخدمين نسيانها بسهولة أنها ذكاء اصطناعي.