تُحرك OpenAI التفاعل الصوتي مع الذكاء الاصطناعي إلى مستوى أقرب للحوار البشري عبر مشروع GPT-Live، وهو نظام مبني على نموذج صوتي مزدوج الاتجاه يستطيع الاستماع والتحدث في نفس اللحظة تقريبًا بدل الاعتماد على نمط “انتظر حتى ينتهي المستخدم ثم ابدأ الإجابة”. الفكرة الأساسية هي تقليل الفاصل الزمني الذي يقطع سلاسة المحادثة ويجعل التجربة تبدو أقرب لمحاورة متقطعة مع نظام تقليدي مقارنة بتفاعل إنساني طبيعي، مع الإبقاء على إمكانية الاستعانة بنماذج أكثر قوة عندما تتطلب المحادثة بحثًا أو استدلالًا أعمق أو تنفيذ مهام على شكل خطوات.
## نهاية انتظار الدور في المحادثة الصوتية
بحسب تقرير هندسي نُشر عبر مدونة OpenAI، تعامل GPT-Live مع مشكلة “كاشف الدور” التي كانت تُستخدم سابقًا لتحديد متى يتوقف المستخدم لكي تبدأ المنظومة بالإجابة. بدلًا من ذلك، يتجه النظام إلى تدفق صوتي مستمر من المستخدم إلى النموذج ثم عودة بالإجابة، ما يسمح بتقليل الإيقاف المتكرر أثناء الحوار. كما ذكرت OpenAI أن النظام يمكنه الاستعانة بموديلات متقدمة مثل GPT-5.5 عند الحاجة إلى مهام أكثر تعقيدًا، مثل البحث أو معالجة طلبات تتطلب فهمًا أعمق وتسلسلًا منطقيًا قبل تقديم النتيجة.
ولتحقيق زمن استجابة أقل — خصوصًا في السيناريوهات المناسبة للمحادثة الفورية — أشارت الشركة إلى إعادة تصميم مكونات مرتبطة بالاستدلال وإدارة السياق ونقل الوسائط خلال فترة زمنية تقارب ستة أشهر. والنتيجة المتوخاة هي جعل التجربة أقرب إلى المحادثة المباشرة، حيث لا يشعر المستخدم بأن هناك “تأخيرًا ثابتًا” يفصل بين سؤاله وجواب النظام.
## WebRTC لاستقرار تدفق الصوت
في جانب البنية التحتية، تعتمد المنظومة على WebRTC بهدف الحفاظ على استقرار تدفق الصوت حتى في البيئات غير المثالية. أي أنه عند حدوث فقد لبعض حزم البيانات أو تغيّر جودة الاتصال، يظل النظام قادرًا على الاستمرار في نقل الصوت بسلاسة مع تقليل التقطّع قدر الإمكان. هذا مهم لأن جودة الاتصال عادة ما تكون نقطة الضعف الأكبر في تطبيقات الصوت التفاعلية، خصوصًا مع التنقل أو الشبكات المتذبذبة.
## الصوت يتحول إلى واجهة تشغيل لوكلاء الذكاء الاصطناعي
لم يقتصر الهدف على سرعة الرد فقط، بل إن هذه الهندسة تمهد لتحول الصوت إلى “واجهة تنفيذ” لوكلاء الذكاء الاصطناعي. فالتفاصيل المنشورة توضح أن التقنية تدعم قدرات موجودة في ChatGPT Voice مثل التحكم في الكمبيوتر وتنسيق عمل الوكلاء داخل تطبيق سطح المكتب. وبالمنطق نفسه، يفترض أن تشكّل GPT-Live أساسًا لواجهة GPT-Live API المرتقبة، بحيث يستطيع المطورون دمج تفاعل صوتي فوري مع أنظمة قادرة على اتخاذ خطوات فعلية.
## ماذا يعني ذلك للمستخدمين؟
عند نجاح هذه المقاربة على نطاق واسع، قد تتغير المقارنة بين المنتجات من “أي نموذج يقدم إجابة نصية أفضل” إلى “أي نظام يستطيع إدارة حوار مستمر وينفذ مهام متعددة أثناء الحديث بطريقة أقرب لتجربة مساعد بشري”. على سبيل المثال، يمكن للمستخدم أثناء الكلام أن يطلب سلسلة مهام تتضمن تفاعلًا مع واجهات سطح المكتب، أو تنسيق وكلاء مختلفين، أو تحضير معلومات من مصادر خارجية عند الحاجة — دون أن تعود التجربة إلى نمط التوقف والانتظار.
وبذلك تصبح المحادثة الصوتية ليست مجرد وسيلة لإخراج كلام من نموذج، بل قناة تفاعلية تجمع بين الفهم الفوري وإدارة السياق وتنفيذ المهام، مع تقليل الإحساس بالفواصل الزمنية التي تميز أنظمة المساعدات التقليدية.
التعليقات