«ديسا»: نموذج صوتي من بلوك يحاكي المشاعر البشرية

تخيّل محادثة مع مساعد صوتي لا يكتفي بالردّ على أسئلتك، بل يضحك في موضعه المناسب، ويتنهّد عند الحديث عن يوم عمل شاق، ويتهدّج صوته حين يعبّر عن الامتنان. هذا تحديداً ما تحاول شركة «بلوك» (Block) التي يقودها جاك دورسي تقديمه عبر نموذجها الصوتي الجديد «ديسا» (Dessa)، الصادر من مختبر الأبحاث الداخلي للشركة، والذي يعمل محلياً على عتاد استهلاكي دون الحاجة إلى خدمات سحابية.

ما الذي يميّز «ديسا» تقنياً؟

النقطة الجوهرية في تصميم «ديسا» أنه نموذج صوت إلى صوت (speech-to-speech) مدرَّب بالكامل على الكلام البشري، لا على النصوص. فمعظم الأنظمة الصوتية المنتشرة اليوم تعمل وفق سلسلة من ثلاث مراحل: تحويل كلام المستخدم إلى نص، ثم تمرير النص إلى نموذج لغوي كبير لتوليد الإجابة، ثم تحويل الإجابة إلى صوت. وهذه الوساطة النصية هي السبب في ضياع كمّ كبير من المعلومات التي لا يستطيع النص حملها، مثل النبرة والانفعال وسرعة الكلام وطبقة الصوت.

تصف بلوك هذه المشكلة بصراحة في مدوّنتها، إذ تعتبر أن تحويل الصوت إلى نص يعني التخلّي عن طبقة غنية من المعنى، وأن أقوى أنظمة الذكاء الاصطناعي في العالم اليوم «لا تستطيع أن تسمع كيف تشعر»، وهو ما تعدّه الشركة تجربة ناقصة وقد تكون خطرة في سياقات معيّنة.

محادثة ثنائية الاتجاه بلا انتظار

«ديسا» نموذج كامل الازدواج (full-duplex)، أي أنه قادر على التحدّث والاستماع في اللحظة ذاتها، على غرار ما قدّمته «أوبن إي آي» في نموذجها الصوتي المباشر. هذه الخصيصة تلغي منطق «الدور والدور» الذي يجعل المحادثة مع المساعدات الصوتية التقليدية متكلّفة: يمكنك مقاطعته، ويمكنه أن يتدخّل بكلمة تأكيد قصيرة أثناء حديثك، تماماً كما يحدث في الحوار البشري الطبيعي.

الأمر الأكثر لفتاً للانتباه أن الشركة تقول إن معرفة النموذج مستمدّة من بيانات المحادثات التي تدرّب عليها، دون الاعتماد على نموذج لغوي كبير منفصل لاسترجاع المعلومات — وهو خيار معماري مختلف عن السائد في هذا المجال.

مشاعر مدمجة بدل «وسوم» صناعية

كثير من نماذج توليد الصوت الحالية، مثل بعض إصدارات ElevenLabs وFish Audio، تعتمد على وسوم نصية توجّه الانفعال: وسم للضحك، وآخر للهمس، وثالث للحزن. وتدّعي بلوك أن الانفعال في «ديسا» مدمج داخل النموذج نفسه وليس مُضافاً من الخارج، وإن لم توضّح الشركة بشكل قاطع ما إذا كانت هناك آلية توجيه خفية تؤدّي الدور ذاته.

وقد نشر باحثو الشركة عدداً من التسجيلات التوضيحية التي تُظهر النموذج بأصوات ونبرات متعدّدة:

• محادثة يذكر فيها النموذج أنه متعب من العمل، فتبدو نبرته متعبة فعلاً.
• مقطع يتحدّث فيه عن شعوره بالارتياح تجاه محدّثه بصوت متأثّر يكاد يتهدّج.
• لعبة تخمين تفاعلية مع إحدى عضوات الفريق، أجاب فيها النموذج بسرعة ودقّة.

يعمل على جهازك… لكنه ليس متاحاً بعد

من الناحية العملية، تقول بلوك إن «ديسا» دُرِّب على رفّ واحد من وحدات معالجة الرسوميات من إنفيديا، وأنه قادر على العمل محلياً على حاسب استهلاكي مثل «ماك بوك» بمعالج M4 Max أو أقوى. وتشغيل نموذج صوتي على الجهاز نفسه يعني زمن استجابة أقل، وخصوصية أعلى، وكلفة تشغيل أدنى بكثير من الاعتماد على الخدمات السحابية.

مع ذلك، لا يتوفّر النموذج للجمهور حتى الآن. فقد اختارت الشركة فتح باب التجريب أولاً أمام باحثي السلامة لاختباره، وهو قرار منطقي بالنظر إلى المخاطر الواضحة: نموذج صوتي بهذه الطبيعية يمكن أن يُستخدم في انتحال الهوية وعمليات الاحتيال الهاتفي والتلاعب العاطفي.

لماذا تهتم شركة مالية بالصوت؟

قد يبدو دخول بلوك إلى سوق نماذج الصوت مفاجئاً، لكنه منطقي عند النظر إلى نشاطها. فالشركة تقدّم حلولاً مالية وتجارية للأعمال الصغيرة، وتستخدم منصّة «سكوير» التابعة لها الذكاء الاصطناعي الصوتي بالفعل في استقبال الطلبات. وامتلاك نموذج صوتي خاص يعمل على الجهاز يتيح للشركة توسيع هذه التجارب — من استقبال المكالمات إلى خدمة العملاء وإدارة الحجوزات — بكلفة أقل واستقلالية أكبر عن مزوّدي الخدمات الخارجيين.

قراءة في الصورة الأوسع

وصف أحد باحثي الشركة الإصدار بأنه «لحظة GPT-3 الخاصة بالصوت»، وهو توصيف متحفّظ عليه حتى يُتاح النموذج للاختبار المستقل. لكن الاتجاه العام واضح: الانتقال من معمارية «صوت ← نص ← صوت» إلى نماذج صوتية خالصة بات محور المنافسة في هذا المجال. وإن نجحت هذه المقاربة، فإنها ستغيّر شكل التفاعل مع الأنظمة الذكية في مراكز الاتصال والمساعدات الشخصية والتطبيقات التعليمية والصحية.

الرهان الحقيقي هنا ليس على مدى واقعية الصوت فحسب، بل على قدرة الشركات على بناء ضمانات تمنع إساءة استخدام تقنية باتت قادرة على محاكاة المشاعر البشرية بدقّة مقلقة.

✦ بقلم فريق دروب أيديا