ما وراء «يبدو إنسانيًا»: ما الذي يحدد فعليًا جودة الصوت في الذكاء الاصطناعي

يزعم معظم الوكلاء الصوتيين بالذكاء الاصطناعي في السوق أنهم «يبدون بشريين». وقد أصبحت هذه العبارة الجملة الافتراضية في كل عرض توضيحي وكل عرض تقديمي للمبيعات، إلى درجة أنها لم تعد تعني شيئًا تقريبًا. ومع ذلك، فإن المكالمات التي تبدو إنسانية فعلاً وتلك التي تشعرك بأنك تتحدث إلى آلة بصوت ودود قد تأتي من منصات تقدم الادعاء نفسه بالضبط.

الفارق ليس في الصوت نفسه. فالصوت الاصطناعي قد يبدو دافئًا وواضحًا وطبيعيًا تمامًا عند الاستماع إليه منفردًا، كعينة صوتية نظيفة دون أي شيء آخر يحدث حولها. لكن في اللحظة التي يحتاج فيها هذا الصوت إلى إجراء محادثة حقيقية ومباشرة وثنائية الاتجاه، تتدخل مجموعة مختلفة تمامًا من العوامل، ومعظمها لا علاقة له بكيفية صوت الصوت، بل بكيفية تصرف النظام.

إليك ما يفصل فعليًا وكيلاً صوتيًا بالذكاء الاصطناعي يبدو إنسانيًا فعلاً عن وكيل لا يبدو جيدًا إلا في عرض توضيحي للمبيعات.

المسألة ليست الصوت، بل التوقيت

لنبدأ بالعامل الأكبر على الإطلاق، وهو الذي يتحدث عنه المزوّدون أقل من أي شيء آخر: زمن الاستجابة، أي مدى سرعة رد الذكاء الاصطناعي بعد أن يتوقف المتصل عن الكلام.

تسير المحادثة البشرية على وتيرة لا يلاحظها معظم الناس بوعي. تُظهر الأبحاث المتعلقة بالحوار الطبيعي أن الفجوة المتوسطة بين انتهاء شخص من جملته وبدء الآخر بالرد تبلغ نحو 200 مللي ثانية. وبمجرد أن تتجاوز هذه الفجوة 300 إلى 400 مللي ثانية، يبدأ المستمعون بالشعور بأن هناك خطأ ما بسيط. وبعد 700 مللي ثانية، يُفسَّر هذا التردد كمشكلة حقيقية: يسجّله العقل على أنه عدم اهتمام، أو عدم كفاءة، أو اتصال سيئ، حتى لو كان محتوى الرد صحيحًا تمامًا. وقد وجدت دراسة من جامعة ستانفورد لعام 2025 وواسعة الانتشار أن أنظمة الصوت بالذكاء الاصطناعي التي تستجيب في أقل من 700 مللي ثانية حصلت على رضا مستخدمين أعلى بنسبة 73% من الأنظمة الأبطأ، رغم تقديمها معلومات متطابقة. فالتأخير نفسه كان الفارق كله.

لهذا السبب يمكن لوكيل صوتي بالذكاء الاصطناعي أن يتمتع بقواعد لغوية سليمة تمامًا ونبرة دافئة، ويظل يبدو آليًا رغم ذلك. فإذا استغرق ثانية ونصف للرد على سؤال بسيط، فلن يصلح أي قدر من الصقل الصوتي هذا الأمر. تقع الحدود التي يجب أن تحققها الأنظمة قيد التشغيل الفعلي، والتي تفصل الوكيل الصوتي بالذكاء الاصطناعي المحادثي فعليًا عن الوكيل البطيء، بين 300 و800 مللي ثانية لإجمالي وقت الاستجابة. وأي شيء أبطأ من ذلك يجعل المتصل يبدأ لا شعوريًا في تعديل طريقة كلامه، فيتوقف لفترات أطول، ويكرر كلامه، ويتحدث فوق الصمت، وهو بالضبط السلوك الذي تتوقعه من شخص يتحدث إلى خط هاتفي غير موثوق بدلًا من شخص حقيقي.

هل يمكن للمتصل مقاطعته فعليًا؟

العامل الثاني هو القدرة على المقاطعة (barge-in): أي ما إذا كان بإمكان المتصل قطع كلام الذكاء الاصطناعي في منتصف الجملة وجعله يتوقف بالفعل، ويستمع، ويستجيب لما قيل للتو، بالطريقة نفسها التي يفعلها شخص بشكل طبيعي.

المحادثة الحقيقية مليئة بالمقاطعات. فالناس يصححون أنفسهم في منتصف فكرة، أو يتدخلون قائلين «في الواقع، انتظر»، أو يجيبون عن سؤال قبل أن ينهي الذكاء الاصطناعي طرحه. والوكيل الصوتي الذي لا يستطيع التعامل مع ذلك يتحدث فوق المتصل، أو يُنهي جملته المبرمجة مسبقًا رغم ذلك، أو يرتبك بشأن ما قيل وأين وصلت المحادثة فعليًا. ولا شيء يُشير إلى «هذه آلة» أسرع من عدم القدرة على مقاطعتها.

يتطلب التعامل الجيد مع هذا الأمر عدة أنظمة تعمل معًا في الوقت الفعلي: تقييم الصوت الوارد باستمرار لاكتشاف ما إذا كان شخص ما قد بدأ الكلام فعليًا مقارنة بضجيج الخلفية، واتخاذ قرار في جزء من الثانية بشأن ما إذا كان ذلك يُعد مقاطعة حقيقية أو مجرد سعلة، ثم إيقاف مخرجات كلام الذكاء الاصطناعي نفسه بشكل شبه فوري. والمعيار الذي تُقاس به الأنظمة قيد التشغيل الفعلي في 2026 هو فجوة تبادل حديث تبلغ نحو 200 إلى 400 مللي ثانية، ومعدل مقاطعات خاطئة أقل من 2% (بحيث لا يتوقف النظام باستمرار بسبب ضجيج الخلفية)، والقدرة على إيقاف مخرجاته الصوتية في أقل من 60 مللي ثانية بعد تأكيد المقاطعة. وإذا أخطأ النظام في أي من هذه النقاط، تبدأ المحادثة تبدو كأنها تقاوم المتصل بدلًا من الاستماع إليه.

طبقة البنية التحتية المملة التي لا يعرضها أحد في العرض التوضيحي

إليك الجزء الذي لا يظهر تقريبًا أبدًا في عرض تقديمي للمبيعات، لأنه غير جذاب: لا شيء من كل ما سبق يهم إذا كانت شبكة الهاتف الأساسية غير موثوقة.

يقيس مهندسو الاتصالات جودة المكالمات الصوتية منذ عقود باستخدام مقياس يُسمى متوسط درجة الرأي (MOS)، ويُقيَّم على مقياس من 1 إلى 5 بناءً على كيفية إدراك مستمع حقيقي للصوت. وثلاثة أمور تخفض هذا التقييم بغض النظر عن جودة الذكاء الاصطناعي نفسه: التذبذب (jitter) (تأخير غير منتظم بين حزم الصوت، يتسبب في تقطع الصوت)، وفقدان الحزم (حتى فقدان 1 إلى 2% يبدأ في حذف كلمات)، وترميز الصوت (codec) المستخدم للضغط. فحتى نموذج ذكاء اصطناعي رائع يعمل عبر شبكة مزدحمة وغير مستقرة سيظل يبدو معطلًا، لأن المتصل يسمع مشاكل الشبكة، لا مشاكل الذكاء الاصطناعي.

لهذا السبب تُعد البنية التحتية الكامنة خلف وكيل صوتي بالذكاء الاصطناعي مهمة بقدر أهمية النموذج الذي يشغّله. فنقاط الوجود المحلية التي تُبقي حركة الصوت قريبة فعليًا من المتصل تُقلل زمن الاستجابة قبل أن يبدأ الذكاء الاصطناعي حتى في معالجة أي شيء. والتكرار بين مزودي الشبكة، أي قدرة المنصة على التبديل تلقائيًا بين مزودي الخدمة في منتصف المكالمة إذا تدهور اتصال ما، يمنع أي عطل شبكي بسيط من إفشال محادثة كاملة. وتُعد استمرارية التشغيل، ويُفضَّل أن تكون بمعدل يفوق 99.9%، مهمة لأن وكيلاً صوتيًا بالذكاء الاصطناعي يتعذر الوصول إليه من وقت لآخر ليست مشكلة جودة صوت، بل هي خطر تجاري. ولا يظهر أي من ذلك في عرض توضيحي للمنتج مدته دقيقتان يُسجَّل في ظروف مثالية. بل يظهر بعد ظهر يوم ثلاثاء عادي، حين يرتفع حجم المكالمات وتكون الشبكة تحت ضغط حقيقي.

التنغيم واللكنة: حيث ينهار الذكاء الاصطناعي الصوتي العام

على افتراض أن التوقيت والبنية التحتية سليمان، فإن صوت الكلام الفعلي لا يزال مهمًا، وتحديدًا تنغيمه: الوتيرة والنبر والتنغيم التي تجعل الكلام يبدو كشخص يفكر ويتفاعل، بدلًا من جملة تُقرأ بصوت عال. والكلام الاصطناعي المسطح والمتساوي الوتيرة هو أحد أسرع الدلالات على أن المتصل يتحدث إلى آلة، حتى عندما تُنطق كل كلمة بشكل صحيح.

ويصبح هذا أصعب بكثير عبر اللغات واللهجات. فالنموذج الصوتي المدرَّب أساسًا على كلام رسمي ومعياري سيبدو غالبًا أكثر آلية بشكل ملحوظ، وسيفهم بدقة أقل، في اللحظة التي يتحدث فيها متصل حقيقي بلهجة إقليمية أو يتنقل بشكل طبيعي بين لغتين في منتصف الجملة، وهذا بالضبط ما يحدث في جزء كبير من المحادثات اليومية الفعلية. جودة الصوت، بعبارة أخرى، ليست خاصية عالمية واحدة لنموذج ما. بل هي خاصية تعتمد على مدى جودة بناء وضبط ذلك النموذج للطريقة المحددة التي يتحدث بها عملاؤك الفعليون، لا على أدائه في قراءة نص نظيف في فيديو عرض توضيحي.

ذاكرة السياق: مشكلة الجودة التي لا تسمعها

العامل الأخير سهل التغافل عنه لأنه ليس مشكلة صوتية حقيقية على الإطلاق، بل مشكلة في الذاكرة، ومع ذلك فهو يدمر الجودة المُدرَكة. فإذا اضطر المتصل إلى تكرار معلومة سبق أن قدمها، سواء لأن الذكاء الاصطناعي فقد السياق بعد توقف، أو تحويل، أو لأنه لم يحتفظ بها ببساطة من وقت سابق في المكالمة نفسها، يبدأ التفاعل بأكمله يشعر بأنه معطل، بغض النظر عن مدى جودة الصوت نفسه قبل لحظة.

ويستحق هذا الأمر الإشارة إليه لأنه غير بديهي فعليًا: يمكن أن تكون جودة صوت الذكاء الاصطناعي ممتازة، وزمن استجابته سريعًا، وتعامله مع المقاطعات لا تشوبه شائبة، ومع ذلك ستظل المكالمة تبدو منخفضة الجودة للمتصل إذا نسي الذكاء الاصطناعي ما قاله للتو. فجودة الصوت المُدرَكة ليست صوتية بحتة. إنها مجموع كل ما يجعل المحادثة تبدو متماسكة، والذاكرة تمثل جزءًا أكبر من هذا المجموع مما يعترف به معظم المزوّدين.

جودة الصوت ليست إلا جزءًا من منصة مركز اتصال أكبر تعمل بالذكاء الاصطناعي

تحدد جودة الصوت ما إذا كانت مكالمة واحدة تبدو إنسانية. لكن الوكيل الصوتي بالذكاء الاصطناعي لا يعمل بمفرده. فهو قناة واحدة ضمن منصة مركز اتصال أكبر تعمل بالذكاء الاصطناعي، وجودة كل ما يحيط بتلك المكالمة تؤثر على التجربة بقدر ما يؤثر زمن الاستجابة تقريبًا.

تجمع منصة ذكاء اصطناعي تخاطبي حقيقية بين جودة صوت قوية ومعالجة للغة الطبيعية (NLP) تفهم النية بدلًا من مجرد مطابقة الكلمات، وهذا فعليًا ما تعتمد عليه معالجة اللغة الطبيعية في خدمة العملاء في الأساس. وتتصل بقواعد المعرفة بحيث تبقى الإجابات دقيقة مع تغيّر السياسات، وبالأنظمة التي يستخدمها فريق الدعم بالفعل، بحيث يمكن لوكيل صوتي بالذكاء الاصطناعي (أو وكيل افتراضي) أتمتة العمل الروتيني مثل التأكيدات والتذكيرات دون تحويل فرق خدمة العملاء عن المكالمات ذات القيمة الأعلى.

وتستحق بضع ميزات أساسية أن تتوقعها من أي منصة خدمة عملاء بالذكاء الاصطناعي جادة، إلى جانب الصوت نفسه: أدوات تحليلات ما بعد المكالمة وضمان جودة آلي لمركز الاتصال تقيّم كل مكالمة بدلًا من عينة 2%؛ وسير عمل آلي وذكاء اصطناعي وكيلي يُطلق الخطوة التالية في نظام إدارة علاقات العملاء بمجرد انتهاء المكالمة؛ وطبقة منصة ذكاء اصطناعي متعددة القنوات، بحيث تحافظ محادثة تبدأ كمكالمة وتستمر عبر الدردشة على رحلة العميل والسياق نفسيهما دون تغيير. وتمنح لوحات المعلومات الفورية والقابلة للتنفيذ المشرفين رؤية على صحة عمليات الخدمة لحظة حدوثها بدلًا من تقرير يصل بعد أسبوع، والمنصات التي تحسّن نماذجها باستمرار بناءً على بيانات مكالمات حقيقية تميل إلى تضييق فجوة «يبدو إنسانيًا» أسرع من غيرها. وتُعد مسارات المحادثة المخصصة المبنية بأدوات بلا كود مهمة أيضًا، لأنها تتيح للفرق تعديل السلوك دون انتظار فريق التطوير، ويوسّع الدعم متعدد اللغات كل ما سبق ليشمل لغات ولهجات متعددة بدلًا من واحدة فقط. وعند تنفيذها بشكل جيد، توفر أتمتة مركز الاتصال من هذا النوع تجارب مخصصة وأوقات انتظار أقصر دون أن يشعر العملاء أبدًا أنهم يتحدثون إلى آلة.

لا شيء من هذا يحل محل الأساسيات التي تم تناولها أعلاه. فحتى المنصة الأكثر اكتمالًا من حيث الميزات لا تزال تحيا أو تموت، مكالمة تلو الأخرى، بحسب زمن الاستجابة، والتعامل مع المقاطعات، وجودة الشبكة. ولكن من المفيد التعامل مع جودة الصوت وجودة المنصة كفحصين منفصلين، لأن دليل شراء خدمة عملاء بالذكاء الاصطناعي الحقيقي يدقق في الاثنين معًا، لا في واحد منهما فقط.

ما الذي يجب اختباره فعليًا قبل أن تصدق أنه «يبدو إنسانيًا»

في ضوء كل ذلك، فإن تقييم وكيل صوتي بالذكاء الاصطناعي عبر مكالمة عرض توضيحي هادئة ومبرمجة مسبقًا لا يخبرك بشيء مفيد تقريبًا. فالاختبار الأكثر صدقًا يتضمن القيام عن قصد بما يفعله المتصلون الحقيقيون دون تفكير: المقاطعة في منتصف الجملة لمعرفة ما إذا كان النظام يتوقف ويتكيف فعليًا، والتوقف بشكل مرتبك لمعرفة كيفية تعامله مع الصمت، والاتصال من شبكة جوال حقيقية بدلًا من خط مكتبي سلكي، والتحدث باللهجة أو مزيج اللغات الذي يستخدمه عملاؤك الفعليون، وطلب أن يتذكر شيئًا ذكرته منذ دقيقتين في المكالمة نفسها.

المنصة التي تصمد في ظل هذه الظروف تقوم بأمر حقيقي. أما المنصة التي لا تبدو جيدة إلا عندما يكون كل شيء هادئًا ومبرمجًا مسبقًا ومضبوط التوقيت تمامًا، فهي تُحسّن نفسها من أجل العرض التوضيحي، لا من أجل المكالمة الهاتفية التي سيخوضها عميلك فعليًا. وهذه الفجوة، بين ظروف العرض التوضيحي وظروف مركز اتصال حقيقي بعد ظهر يوم ثلاثاء، هي بالضبط حيث تنهار بهدوء معظم ادعاءات «يبدو إنسانيًا».

وهذه أيضًا أسرع طريقة للتمييز بين أفضل برامج خدمة العملاء بالذكاء الاصطناعي وبقية المنافسين، لأن ادعاءات التسويق تميل إلى أن تبدو متطابقة، في حين أن الأداء الفعلي في الظروف الحقيقية لا يكون كذلك. والمزوّدون الذين يرحبون بهذا النوع من اختبارات الضغط، بدلًا من إعادتك إلى عرض توضيحي مبرمج مسبقًا، هم عادة الذين استثمروا فعليًا في أساسيات عمليات مركز الاتصال، لا في العرض التقديمي فقط.

يتبيّن أن جودة الصوت لم تكن في الحقيقة تتعلق بالصوت أبدًا. بل تتعلق بما إذا كان النظام يتصرف كما لو أنه يستمع فعليًا.

الأسئلة الشائعة

هل يكون نموذج الصوت بالذكاء الاصطناعي الأكثر تكلفة أعلى جودة تلقائيًا؟ ليس بالضرورة. فنموذج لغوي متقدم مقترن ببنية تحتية شبكية ضعيفة أو تعامل سيئ مع المقاطعات سيظل يُنتج مكالمة تبدو معطلة، لأن المتصل يعيش السلسلة كاملة، لا النموذج فقط. والأنظمة الأقل تكلفة والمصممة بعناية من طرف إلى طرف تتفوق بانتظام على أنظمة مكلفة تعيقها مشاكل زمن الاستجابة أو الشبكة الكامنة تحتها.

لماذا يبدو الوكيل الصوتي بالذكاء الاصطناعي نفسه رائعًا في مكالمة وآليًا في مكالمة أخرى؟ عادة بسبب ظروف الشبكة، لا الذكاء الاصطناعي نفسه. فالمتصل عبر اتصال قوي خارج ساعات الذروة سيحصل على تجربة مختلفة تمامًا عن متصل يستخدم إشارة جوال ضعيفة خلال ذروة حركة المرور. وهذا بالضبط سبب أهمية البنية التحتية، ونقاط الوجود المحلية، والتكرار بين مزودي الشبكة، واستمرارية التشغيل، بقدر أهمية نموذج الذكاء الاصطناعي، وسبب إمكانية أن تبدو المنصة نفسها غير متسقة إذا لم تكن هذه البنية التحتية قوية في كل مكان تعمل فيه.

هل يمكن قياس «يبدو إنسانيًا» فعليًا، أم أن الأمر ذاتي بالكامل؟ إنه أكثر قابلية للقياس مما يفترضه معظم الناس. فزمن استجابة الرد، وفجوات تبادل الحديث، ومعدل المقاطعات الخاطئة، ودرجات MOS للشبكة، هي جميعها أرقام ملموسة وقابلة للاختبار، لا مجرد انطباعات. والشعور الذاتي بالتحدث إلى شيء يبدو إنسانيًا هو في الحقيقة مجرد أثر لاحق لوقوع هذه الأرقام جميعها في النطاق الصحيح في الوقت نفسه.

هل تريد أن تسمع الفرق في مكالمة حقيقية، لا في نص مبرمج مسبقًا؟ احجز عرضًا توضيحيًا لوكيل ZIWO الصوتي بالذكاء الاصطناعي، العامل على بنية تحتية إقليمية مصممة لظروف الشبكات في منطقة الشرق الأوسط وشمال أفريقيا.