الوكلاء الصوتيون: استحواذ وحزم متكاملة

الوكيل الصوتي الذي يرد على هاتف الشركة ليس منتجًا واحدًا، بل سلسلة. جزء يستمع ويحوّل الكلام إلى نص، وجزء يفهم الطلب ويتصرف بناءً عليه، وجزء ينطق الإجابة، وجزء ينقل المكالمة عبر شبكة الهاتف أو الإنترنت. وحتى الآن كان كثير من المطورين يجمعون هذه السلسلة من مورّدين مختلفين. وفي النصف الثاني من أكتوبر بدأت الحلقات تصل في صندوق واحد، والشركة التي تقف وراء Pipecat، الإطار المفتوح الذي يستخدمه كثير من المطورين لوصل هذه الحلقات، في طريقها إلى أن تُشترى.

Deepgram تشتري البنية التحتية

في 29 أكتوبر قالت Deepgram، التي تصنع نماذج للتعرف على الكلام ونماذج صوتية، إنها تستحوذ على Daily. وتشغّل Daily بنية تحتية فورية لمكالمات الصوت والفيديو، وهي التي أنشأت Pipecat، وهو إطار مفتوح المصدر يربط النماذج داخل الوكيل الصوتي ويتولى الأجزاء الصعبة مثل اكتشاف تبادل الأدوار في الحديث والمقاطعات. ولم يُكشف عن السعر. وكتبت Deepgram: «سيبقى إطار Pipecat مفتوح المصدر بالكامل ومجانيًا لجميع المطورين بموجب ترخيص BSD V2 الحالي». وأضاف كويندلا هولتمان كرامر، المؤسس المشارك لـ Daily، أن مؤسسة مستقلة باسم Pipecat Foundation ستديرها لجنة توجيهية «تمثل منظومة الذكاء الاصطناعي الفوري بأكملها، بما في ذلك شركات تنافس Deepgram».

وفي اليوم نفسه عرض إد أنوف، مسؤول المنتجات في Deepgram، لمحة أولى عن منصة للوكلاء الصوتيين (Voice Agent Platform) مبنية على Pipecat، تعمل «باستضافة Deepgram أو في سحابتكم الخاصة». ولم تُطلق بعد: «المنصة نفسها لا تزال أمامنا. سنعلن التوقيت قريبًا». وكتب أن معظم الوكلاء الصوتيين «ثلاثة نماذج متتالية»، وأن كل شيء تقريبًا عدا الكلمات يضيع عند كل تسليم. وجواب Deepgram شركة واحدة مسؤولة عن السلسلة بأكملها، على إطار يعمل أيضًا مع نماذج مورّدين آخرين، إضافة إلى بروتوكول مفتوح هو Real-Time Context Standard، ينقل الهمسة أو الكلمة غير الواضحة من نموذج إلى الذي يليه.

السلسلة كاملة في صندوق واحد

في 20 أكتوبر أصدرت Mistral نماذج Voxtral 3، وهي نماذج جديدة للتفريغ النصي والكلام، مع حزمة لبناء الوكلاء الصوتيين مبنية على LiveKit «تجمع الاستماع والتفكير واستدعاء الأدوات والكلام في مسار بث فوري واحد». وتقول Mistral إن كل دور في المحادثة يكتمل في أقل من ثانية، وإن «الوكيل يتوقف عن الكلام حين يقاطعه المتصل». ويستقبل الوكيل المكالمات الهاتفية ويجريها، ويعمل في المتصفحات والتطبيقات. ويعمل على واجهة API لدى Mistral المستضافة في الاتحاد الأوروبي، أو على البنية التحتية الخاصة بالشركة، مقابل 4 سنتات للدقيقة حين يتولى Mistral Small 4 الاستدلال.

وأصدرت ElevenLabs في اليوم نفسه Eleven Realtime، بنسختين Mini وMax، وتصفه بأنه «فئة جديدة من نماذج تحويل الكلام إلى كلام»: صوت يدخل، وصوت يخرج، واسم نموذج واحد. لكنه في العمق لا يزال سلسلة، «مبنية على بنية متتابعة من المكونات الموصوفة أعلاه، مضبوطة من البداية إلى النهاية». وتقول ElevenLabs إن النسختين تتحدثان أكثر من 90 لغة، وإن Max يبدأ الكلام بعد 0.57 ثانية في المتوسط، في اختبارات أجرتها Artificial Analysis.

ما الذي ينبغي اختباره قبل الاختيار

كل إطلاق يعد بتبادل طبيعي للأدوار في الحديث. لكن الاختبار الذي يُعتدّ به هو مكالماتكم أنتم: متصل يتوقف ليفكر، أو يغيّر اليوم في منتصف الجملة، أو يتكلم فوق صوت الوكيل، أو يتصل من سيارة صاخبة. قيسوا الوقت الذي يستغرقه الوكيل للرد على خطكم الهاتفي أنتم، لا في اختبار معياري، وأنصتوا لتعرفوا هل يتوقف فعلًا حين يُقاطَع.

وتحتاج اللغات إلى العناية نفسها. فلا يذكر أي من الإعلانات التي قرأناها الألمانية السويسرية. وتذكر Mistral أكثر من 50 لهجة لإخراج الكلام، وتتحدث الأصوات الجديدة لدى Deepgram الألمانية، لكن المتصل من برن لا يتحدث الألمانية الفصحى. وقد وجدت ورقة بحثية أولية نُشرت في مايو أن مجموعة الاختبار التي تقوم عليها أفضل النتائج المنشورة للألمانية السويسرية «تقيس في المقام الأول مطابقة الاصطلاحات لا فهم اللهجة». فالنتيجة الجيدة على الورق تثبت أقل مما تثبته تسجيلات المتصلين بكم أنتم.

ما لا يأتي في الصندوق

الإفصاح ليس اختياريًا. فمنذ 2 أغسطس يشترط قانون الذكاء الاصطناعي الأوروبي (AI Act) أنه «يجب إبلاغ المستخدمين بوضوح حين لا يتفاعلون مع شخص حقيقي، بل مع نظام ذكاء اصطناعي»، مع غرامات تصل إلى 15 مليون يورو أو 3 بالمئة من حجم الأعمال السنوي العالمي. وفي سويسرا يرى المفوض الاتحادي لحماية البيانات والشفافية أنه بموجب القانون القائم «للمستخدمين حق قانوني في معرفة ما إذا كانوا يتحدثون أو يتراسلون مع آلة». وأبسط طريقة لتلبية الشرطين هي الجملة الأولى في كل مكالمة.

والصوت المستنسخ يحتاج إلى أكثر من ذلك. إذ يكتب المفوض أن استخدام برامج قادرة على تزييف صوت شخص يمكن التعرف عليه يجب أن يُشار إليه دائمًا بوضوح، وقد يكون في بعض الحالات مخالفًا للقانون الجنائي. وتتيح Mistral استنساخ الأصوات، ولا يذكر إعلانها شيئًا عن طريقة التحقق من موافقة صاحب الصوت. وهذا الجزء يبقى على عاتق الشركة التي تستخدم الصوت: موافقة مكتوبة من صاحب الصوت، وسجل يوثّقها.

ثم اسألوا أين يذهب الصوت. تتيح Deepgram نقاط وصول إقليمية في الولايات المتحدة والاتحاد الأوروبي والهند وأستراليا، تُبقي المعالجة والتخزين داخل المنطقة. وتتيح Mistral واجهة API المستضافة في الاتحاد الأوروبي أو خوادمكم الخاصة. وتسجيلات المكالمات ونصوصها المفرَّغة تحتوي عادةً على بيانات شخصية، ولذلك فإن مكان حفظها ومدة حفظها أمران مكانهما العقد.

أبقوا السلسلة قابلة للاستبدال

الاندماج ليس سيئًا في حد ذاته. فالشركة الواحدة المسؤولة عن السلسلة بأكملها تستطيع إصلاح المشكلات التي تقع بين الحلقات. والخطر هو الوجه الآخر لذلك: كلما قلّ عدد المورّدين المستقلين، صعب ترك أحدهم.

ولهذا تهم القطع المفتوحة. فـ Pipecat يبقى بترخيص متساهل، ويُفترض أن تحافظ مؤسسته على حياده، وإن كان أي من الإعلانين لا يسمّي عضوًا في اللجنة ولا موعدًا. وتقول Mistral إن كل مرحلة في وكيلها نموذج مستقل، فيمكن تغيير النموذج اللغوي أو الصوت أو اللغة «من دون إعادة كتابة الوكيل». وتتبع ElevenLabs واجهة Realtime API لدى OpenAI، فقد يعني التبديل تغيير عنوان واسم نموذج.

رأينا: أبقوا الأجزاء التي تخصّكم خارج أي مورّد. فرقم هاتفكم، ومعرفتكم وأسعاركم وقواعدكم، ومسارات مكالماتكم واختباراتكم، ينبغي أن تصمد أمام تغيير المورّد. وعندها يصبح النموذج الأفضل، أو المورّد الذي اشتراه منافس، تغييرًا في الإعدادات لا مشروعًا جديدًا.

أين يقف Timbre

Timbre هو منتجنا لهذا الغرض، وهو متاح. يستنسخ صوتًا يختاره العميل، ولا يفعل ذلك إلا بموافقة مكتوبة من صاحب الصوت، ويشغّله على الهاتف وفي الاستقبال وفي الحجوزات وعلى الموقع الإلكتروني. ويُبلَّغ المتصلون بأنهم يتحدثون مع مساعد، وكلما كان وجود شخص أهم، تنتقل المكالمة إليه مع ملخص مكتوب. ونبنيه مع شركاء في الصوت والاتصالات مثل ElevenLabs، ونشغّله بأنفسنا. ومع اندماج السوق، نرى أن هذا هو الترتيب الصحيح: قد يتغير الشركاء في الأسفل، لكن الموافقة والإفصاح وقواعد العميل ينبغي ألا تتغير.