شتاب فزاینده در بهروزرسانی ابزارهای مبتنی بر پردازش زبان طبیعی، مرزهای میان تعامل انسان و ماشین را بیش از هر زمان دیگری کمرنگ کرده است. در حالی که مدلهای زبانی بزرگ تا پیش از این در درک و تولید متن به پختگی بالایی رسیده بودند، بخش ارتباط صوتی آنها همچنان از ساختار سنتی «نوبتگیری برای گفتگو» پیروی میکرد. این محدودیت ساختاری، مکالمه با ابزارهای هوشمند را به تجربهای شبیه به کار با بیسیمهای قدیمی (واکیتاکی) محدود ساخته بود؛ اما اکنون پلتفرمهای پیشرو با معرفی معماریهای نوین، در صدد تبدیل هوش مصنوعی به یک همصحبت زنده و پویا هستند.
تحول در ساختار مکالمه با معرفی مدل صوتی GPT-Bidi-1 توسط اوپنایآی
بر اساس آخرین یافتههای فنی و کدهای استخراجشده از نسخههای آزمایشی اپلیکیشن چتجیپتی، شرکت اوپنایآی ($OpenAI$) در حال آمادهسازی و تست یک مدل اختصاصی صدا به نام GPT-Bidi-1 است. واژه Bidi که از عبارت «دوطرفه» ($Bidirectional$) الهام گرفته شده، نشاندهنده یک تغییر پارادایم اساسی در پلتفرم چتجیپتی است. این مدل صوتی جدید به گونهای معماری شده که کانالهای شنیدن و صحبت کردن را به صورت همزمان و موازی فعال نگه میدارد تا یکی از بزرگترین نقاط ضعف دستیارهای صوتی فعلی برطرف شود.
در ابزارهای صوتی نسل قبل، هوش مصنوعی ابتدا منتظر سکوت کامل کاربر میماند و سپس فرآیند پردازش و پاسخدهی را آغاز میکرد. اما با اتکا به مدل صوتی GPT-Bidi-1، چتجیپتی میتواند در همان لحظهای که در حال صحبت کردن و ارائه پاسخ است، صدای محیط و کلام جدید کاربر را تحلیل کند. این قابلیت به سیستم اجازه میدهد تا در صورت قطع شدن کلام توسط کاربر (قطع زودهنگام پوزیشن گفتار)، بدون فریز شدن یا گیج شدن، بلافاصله پاسخ خود را متناسب با جریان جدید گفتگو تغییر دهد و اصلاح کند.
جزییات فنی رابط کاربری جدید و لایههای سهگانه هوشمندی در مدل صوتی GPT-Bidi-1
گزارشهای منتشرشده از سوی کارشناسان حوزه فناوری نشان میدهد که اوپنایآی نهتنها کدهای این ابزار را در فریمورکهای خود مستقر کرده، بلکه تغییراتی را نیز در بخش ظاهری اپلیکیشن اعمال خواهد کرد. در بهروزرسانی جدید، رابط کاربری بخش مکالمه صوتی با یک حباب زرد رنگ نمادین بازطراحی شده است تا دسترسی به قابلیتهای پیشرفته همزمان را به کاربر یادآوری کند.
همچنین، این مدل صوتی جدید برای مدیریت بهتر پهنای باند و منابع پردازشی، مکانیزم متمایزی را در اختیار کاربران قرار میدهد:
- انعطافپذیری در انتخاب سطوح پردازش: تعبیه سه سطح هوشمندی شامل گزینههای «فوری» ($Instant$)، «متوسط» ($Medium$) و «بالا» ($High$) که به کاربر اجازه میدهد بر اساس نیاز خود، میان سرعت پاسخدهی حداقلی (تاخیر کم) یا عمق تحلیل و استدلالهای پیچیده، تعادل بهینهای برقرار کند.
پیامدهای تجاری ارتقای سیستم صوتی بر سهم بازار دستیارهای هوشمند
توسعه مدل صوتی GPT-Bidi-1 درست در زمانی فاش شده است که آمارهای بینالمللی از کاهش سهم بازار چتجیپتی به زیر ۵۰ درصد برای نخستین بار حکایت دارند. ظهور رقبای سرسخت در اکوسیستم اندروید و آیآواس، رقابت را در بازار دستیارهای صوتی به اوج رسانده است. کارشناسان بر این باورند که گذار از ساختار صوتی نوبتی به مکالمه دوطرفه، برگ برنده اصلی اوپنایآی برای حفظ رهبری این بازار خواهد بود.
امکان پیادهسازی این مدل در بخش پشتیبانی خودکار مشتریان، آموزش آنلاین زبانهای خارجه و دستیارهای شخصی هوشمند، کارایی ابزارهای شناختی را به رفتار طبیعی انسان نزدیکتر میکند. با وجود اینکه اوپنایآی هنوز بیانیه رسمی یا تاریخ دقیقی برای انتشار عمومی این ابزار ارائه نکرده، اما شواهد موجود در زیرساختهای سرور نشان میدهند که تا رونمایی رسمی از این جهش صوتی زمان زیادی باقی نمانده است.
**مسعود کریمی**
دبیر سرویس فناوریهای نوظهور
مسعود کریمی تحلیلگر فناوری، نویسنده و روزنامهنگار حوزه تکنولوژی با بیش از هشت سال تجربه حرفهای در زمینه پوشش تحولات فناوریهای نوین، هوش مصنوعی و برنامهنویسی است. تمرکز اصلی وی بر تحلیل روندهای نوظهور در دنیای فناوری، بررسی تأثیرات اجتماعی هوش مصنوعی و پوشش رویدادهای مهم حوزه تکنولوژی میباشد.
**تحصیلات**
وی دارای مدرک کارشناسی مهندسی نرمافزار از دانشگاه علم و صنعت ایران است. در دوران تحصیل، علاوه بر دروس دانشگاهی، به صورت خودآموز به یادگیری مباحث نوین در حوزه هوش مصنوعی، یادگیری ماشین و برنامهنویسی پیشرفته پرداخته و در چندین دوره تخصصی مرتبط با فناوریهای نوظهور شرکت کرده است.
**سوابق حرفهای**
کریمی فعالیت حرفهای خود را از سال ۱۳۹۶ با راهاندازی یک وبلاگ شخصی در زمینه تحلیل فناوریهای نوین آغاز کرد. در آن وبلاگ، به بررسی موضوعاتی مانند هوش مصنوعی، یادگیری ماشین و تحولات دنیای برنامهنویسی میپرداخت که با استقبال جامعه فناوری کشور مواجه شد.
پس از کسب تجربه و شناخته شدن در محافل تخصصی، به عنوان نویسنده و تحلیلگر با چندین مجله و وبسایت معتبر حوزه تکنولوژی همکاری کرد. وی در این دوران موفق به تولید دهها مقاله تحلیلی و گزارش تخصصی درباره جدیدترین دستاوردهای فناوری جهان شد.
وی از سال ۱۳۹۹ به تیم تحریریه مجله تکنولوژی آپلود پیوسته و اکنون به عنوان دبیر سرویس فناوریهای نوظهور در این رسانه فعالیت میکند. در این مسئولیت، تیم نویسندگان و تحلیلگران این حوزه را رهبری کرده و بر تولید محتوای تخصصی درباره هوش مصنوعی، فناوریهای دیجیتال، سختافزار، نرمافزار و تحولات صنعت فناوری نظارت دارد.
**تخصصها و حوزههای کاری**
تخصص اصلی کریمی در تحلیل روندهای فناوریهای نوظهور، بررسی تحولات هوش مصنوعی و یادگیری ماشین، پوشش رویدادهای مهم صنعت تکنولوژی و گزارشنویسی تحلیلی است. وی همچنین در زمینه فناوریهای سختافزاری، گوشیهای هوشمند، کنسولهای بازی و تحولات دیجیتال تجربه قابل توجهی دارد.
**روششناسی حرفهای**
رویکرد کریمی در تحلیل فناوری مبتنی بر پایش مستمر منابع معتبر جهانی، اعتبارسنجی اخبار و اطلاعات، ترجمه دقیق مفاهیم تخصصی به زبانی ساده و قابل فهم برای مخاطب عمومی است. وی در تحلیلهای خود بر تفکیک دقیق واقعیتها از شایعات، بررسی تأثیرات اجتماعی فناوری و پرهیز از بزرگنمایی دستاوردها تأکید دارد.
**عضویت در نهادهای تخصصی**
وی عضو انجمن صنفی روزنامهنگاران فناوری ایران است و در چندین همایش و رویداد تخصصی حوزه فناوری به عنوان کارشناس و تحلیلگر مشارکت داشته است.
