انطباعاتنا الأولى عن واجهة GPT-Live-1 البرمجية للوكلاء الصوتيين

أطلقت OpenAI نموذج GPT-Live-1 الجديد للصوت ثنائي الاتجاه بالكامل عبر واجهة API قبل يومين. نحن نبني وندير وكلاء هاتف بالذكاء الاصطناعي في بيئات الإنتاج، لذا وضعناه على رقم هاتف حقيقي واتصلنا به. كثيرًا.

اختبرناه باستخدام نص تأهيل لعملاء محتملين دافئين يبلغ نحو 13,000 رمز مميز لأحد عملائنا في قطاع التأمين، ويتضمن سطورًا إلزامية تُقال حرفيًا، وقواعد صارمة لإعادة القراءة، ومتابعات متفرعة. خلال يوم طويل واحد، أجرينا عشرات المكالمات الهاتفية الحقيقية، ونحو 25 مقابلة محاكاة، ومجموعة من الاختبارات غير المنظمة.

هذه انطباعاتنا الأولى، مع النصوص المفرغة والصوت. سننشر قريبًا تحليلًا أعمق.

النصوص المفرغة مأخوذة من مكالماتنا الاختبارية، كما فرّغها GPT-Live. غيّرنا الأسماء والصياغات التعريفية، واختصرنا بعض الحوارات، ودمجنا الأجزاء المنفصلة. الطوابع الزمنية، بالثواني منذ بداية المكالمة، مأخوذة من النسخ الأصلية.

السلاسة استثنائية

GPT-Live-1 هو أكثر متحدث حواري طبيعي الصوت وضعناه على خط هاتف. إنها خطوة حقيقية إلى الأمام.

إنه يستمع ويتحدث عبر تدفق صوتي واحد مستمر، من دون مرحلتي تفريغ وتركيب منفصلتين. معظم آليات المحادثة تعمل ببساطة كما ينبغي. سمع المتصلون أول صوت منه بعد نحو 1.3 ثانية من توقفهم عن الكلام (الوسيط)، أو نحو 0.7 ثانية من دون وصلة الهاتف. لم نضف أي كشف للنشاط الصوتي أو منطق لتناوب الأدوار. يتعامل مع المقاطعات بسلاسة، وينتج إشارات تفاعل طبيعية («مم-هم»)، ويتحدث بوتيرة سريعة تشبه البشر.

عند تزويده بالأهداف بدلًا من سطور يقرأها، يكيّف الأسئلة مع المحادثة ويتعامل مع التصحيحات بهدوء:

لم يفقد هدوءه مطلقًا مع التصحيحات أو المقاطعات أو تغيير المتصلين لإجاباتهم في منتصف المكالمة. لو كانت السلاسة هي المهمة كلها، لانتهى هذا المقال هنا. لكن للأسف، الأمر أكثر من ذلك.

لا يتبع التعليمات بموثوقية

لا يتبع GPT-Live-1 التعليمات بموثوقية في السلوكيات المهمة للمكالمة الهاتفية المكتوبة.

أكثر من مرة، تعامل مع إجابة واضحة بـ«نعم» كما لو كانت «لا»، فأعاد طرح السؤال أو انتقل إلى ما بعده كما لو أن المتصل رفض.

كان الإخفاق الأكثر اتساقًا هو أخذ التعليمات بحرفيتها المفرطة. نص موجّهنا على أنه إذا قال المتصل إن حالة السكن المسجلة خاطئة، فاسأله إن كان يملك منزله أو يستأجره أو يعيش مع والديه. قال أحد المتصلين: «لا، أنا أملكه الآن»، وهي إجابة عن هذا السؤال بالفعل. ومع ذلك، قرأ النموذج القائمة كاملة:

كان بعض السلوك الغريب المبكر خطأ موجّهنا، لكن الحرفية استمرت عبر كل صيغة للموجّه جربناها. كان يتعامل مع أي إجابة لم نذكرها صراحةً بطريقة آلية بدلًا من التعامل معها بعقلانية.

كما أنه يفكر بصوت مرتفع أحيانًا تحت الضغط:

الأرقام والسلاسل الأبجدية الرقمية محفوفة بالمخاطر

يجب أن تكون التهجئات والعناوين وتواريخ الميلاد وأرقام الهوية دقيقة تمامًا. وهنا يواجه نطق GPT-Live-1 أكبر قدر من المشكلات.

سمعناه يحذف أحرفًا ويستبدلها في السلاسل الأبجدية الرقمية. هنا يقرأ رقم مطالبة مختلقًا؛ ولم نعدّل المقاطع سوى بقص الصمت. في الإنجليزية، كان النص المفرغ صحيحًا لكن الصوت أضاف حرف «Y»:

في الروسية كان الأمر أسوأ: تحوّل الحرف «Q» إلى «X» في كلٍّ من الصوت والنص المفرغ.

تسببت التواريخ بالمشكلة نفسها. أعطى متصل تاريخ ميلاد على هيئة أرقام، ثم قرأه النموذج لاحقًا كرقم:

كما أنه ينطق أحيانًا سطرًا يخص المتصل:

اللكنات في اللغات الأخرى

نختبر نماذج الصوت الجديدة عبر اللغات الـ47 التي يدعمها منتجنا. كانت الروسية لدى GPT-Live-1 طليقة، لكنها حملت لكنة أمريكية قوية، بينما تبدو أصوات تحويل النص إلى كلام التي نشغّلها في الإنتاج محلية عادةً:

جرّبنا أيضًا اللوغندية. في المكالمة الأولى، أجاب بالسواحيلية بدلًا منها. وفي الثانية، تحدث باللوغندية بصورة أكثر طبيعية مما توقعناه من نموذج عام، لكن بلكنة أمريكية قوية مرة أخرى. لم نختبر كل اللغات، لكننا نتوقع أن نمط اللكنة ينطبق على الأرجح بشكل عام. لا يهم ذلك لوكيل صوتي يعمل بالإنجليزية فقط، لكنه تحفظ مهم جدًا لحالات الاستخدام باللغات الأخرى.

بعض قيود API التي يجدر معرفتها

استنادًا إلى ما وجدناه هذا الأسبوع، هناك بعض قيود API المهمة لوكيل حقيقي:

• التعليمات لا يمكن تغييرها بعد بدء الجلسة، ويبلغ حدها 16,384 رمزًا.
• لا يتوقف بث الصوت الناتج مطلقًا — إذ يُبث الصمت أيضًا — لذلك لا يمكن استخدام «توقف الصوت» كإشارة لانتهاء الدور في حالات الاستخدام التي تحتاج إلى تقسيم الأدوار.
• لا يمكن الوصول إليه إلا عبر نقطة النهاية الجديدة v1/live/sessions، ولم يكن متاحًا بعد على Azure عندما تحققنا.

انطباعنا حتى الآن

يجب أن تبدو وكلاء الهاتف الإنتاجية طبيعية وأن تتبع النصوص الحوارية باستمرار. GPT-Live-1 مذهل في الأولى، لكنه يواجه بعض المشكلات الجادة في الثانية. سنجري المزيد من الاختبارات مع مرور الوقت، وسنواصل مشاركة نتائجنا.