مايكروسوفت AI تطلق نماذج تحويل الكلام إلى نص فوري وتحويل النص إلى كلام لوكلاء الصوت

أطلقت مايكروسوفت AI محرك تحويل فوري جديد للكلام إلى نص، إلى جانب نموذجين لتحويل النص إلى كلام، في حزمة موجهة للمطورين الذين يبنون وكلاء صوتيين تفاعليين. وتضيف هذه الإصدارات، التي أوردها موقع The Decoder في 2 أكتوبر 2026، التعرف الفوري على الكلام والتركيب متعدد اللغات إلى خط نماذج MAI لدى الشركة، ما يمنح المطورين منظومة شبه كاملة للاستماع والتحدث من مورّد واحد.

زمن الاستجابة يصبح خط الفصل

صُمم النموذج الرئيسي MAI-Transcribe-2-Streaming لتحويل الكلام إلى نص أثناء حدوثه، لا بعد اكتمال العبارة. وتقول مايكروسوفت إنه ينتج أول مخرجات جزئية في ما يزيد قليلاً على 100 مللي ثانية، وهو رقم يهم أي مطور يبني واجهة صوتية أكثر من دقة النموذج الخام.

وتؤكد الشركة أيضاً أن النموذج يتصدر تصنيفات الدقة التي يتابعها موقع Artificial Analysis، وهو موقع تقييم مستقل. وإذا صمد ذلك أمام التدقيق المستقل، فسيمنح مايكروسوفت مزيجاً نادراً من السرعة والدقة، وهما صفتان غالباً ما تتعارضان عندما يتعين على نظام التعرف على الكلام أن يحسم تفسيره قبل أن يكمل المتحدث فكرته.

لماذا تغيّر الاستجابات في منتصف الجملة طبيعة التفاعل

تغطي المفردات 60 لغة. لكن الخيار التصميمي الأكثر أثراً هو بنية البث نفسها: فبما أن النتائج الجزئية تصل فوراً تقريباً، يستطيع الوكيل البدء في صياغة رد بينما لا يزال المستخدم يتحدث. وهذا هو الفرق بين نظام يبدو كجهاز لاسلكي ونظام يتصرف كشخص يتوقع إلى أين تتجه الجملة.

وحتى نهاية العام، تسعّر مايكروسوفت الخدمة بسعر تمهيدي قدره 0.54 دولار لكل ساعة صوت تتم معالجتها. وبالنسبة لمراكز الاتصال ذات الحجم الكبير أو المساعدات التي تعمل دائماً، سيكون هذا السعر هو الرقم الذي يحدد ما إذا كانت ميزة السرعة ستترجم إلى عمليات نشر فعلية.

صوت واحد عبر 23 لغة

على جانب التركيب، صُمم MAI-Voice-2.1 ليتحدث 23 لغة مع الحفاظ على الهوية الصوتية نفسها، وتبنّي لكنة أصلية في كل لغة. وبدلاً من استبدال متحدث مختلف الصوت لكل منطقة، يهدف النموذج إلى الحفاظ على شخصية صوتية متسقة، وهي سمة تميل العلامات التجارية وفرق المنتجات إلى الاهتمام بها عندما يصبح المساعد جزءاً معروفاً من الخدمة.

وهناك نسخة ثانية، MAI-Voice-2.1-Flash، تقايض بعضاً من هذا الثراء مقابل السرعة. وتذكر مايكروسوفت أن زمن الاستجابة يبلغ 150 مللي ثانية، وسعرها 15 دولاراً لكل مليون حرف، مقابل 22 دولاراً للنموذج القياسي.

حسابات التسعير لوكلاء الصوت

غالباً ما تكون بنية التكلفة هي ما يحدد النموذج الذي تبني عليه الشركات الناشئة، وقد قدمت مايكروسوفت للمطورين سلماً واضحاً:

• تحويل الكلام إلى نص: 0.54 دولار لكل ساعة صوت بالسعر التمهيدي، وهو ساري حتى نهاية العام.
• التركيب (القياسي): MAI-Voice-2.1، مع سلوك الصوت متعدد اللغات الكامل.
• التركيب (السريع): MAI-Voice-2.1-Flash بزمن استجابة 150 مللي ثانية و15 دولاراً لكل مليون حرف، مقابل 22 دولاراً للفئة القياسية.

وتضع هذه الأرقام الشركة في منافسة مباشرة مع سوق مزدحم من مورّدي تقنيات الكلام، حيث تُفحص أسعار الحرف والدقيقة بدقة لا تقل عن فحص نتائج المعايير.

استنساخ الأصوات — مع ضمانات مرفقة

يستطيع نموذجا الصوت إعادة إنتاج صوت متحدث من بضع ثوانٍ فقط من الصوت المرجعي. وهذه القدرة قوية لأدوات إمكانية الوصول والتوطين والمساعدات المخصصة، وهي بالقوة نفسها ناقل محتمل لانتحال الهوية. وتقول مايكروسوفت إن ضمانات مدمجة تهدف إلى منع إساءة الاستخدام، رغم أن آليات هذه الضوابط لم تُوضح علناً.

من أين يمكن للمطورين الحصول على النماذج

تتوفر النماذج عبر Microsoft Foundry وMAI Playground، ضمن قنوات توزيع أخرى. ويظهر نموذجا الصوت أيضاً على OpenRouter، ما يمنح المطورين طريقة لتوجيه الطلبات إلى جانب نماذج منافسة دون الالتزام بمورّد واحد.

وادي الغرابة، مقاساً

أجرت مايكروسوفت اختباراً استمع فيه نحو 4000 مشارك إلى الأصوات المركّبة. واعتقد نحو نصفهم أنهم يسمعون شخصاً حقيقياً. وتؤثر هذه النتيجة في الاتجاهين: فهي تشير إلى أن النماذج تجاوزت عتبة واقعية ذات معنى، وتلمّح إلى مقدار المسافة المتبقية قبل أن يتقبل المستمعون الكلام الاصطناعي بوصفه بشرياً بشكل موثوق.

وبالنسبة لمصممي المنتجات، فإن الخلاصة هي أن الشك المتبقي ليس موزعاً بالتساوي. فالمستمعون الذين خُدعوا في تجربة قصيرة قد يتفاعلون بشكل مختلف عندما يطلب صوت مستنسخ تفاصيل حساب أو تعليمات توصيل، وهي سياقات ترتفع فيها التوقعات بشأن الأصالة.

ما يبقى غير موثّق

عدة ادعاءات بارزة في الإعلان مصدرها مايكروسوفت نفسها. ويظل التقييم المستقل لتصنيف دقة تحويل الكلام، وأرقام زمن الاستجابة في ظروف الشبكة الحقيقية، ومتانة ضمانات الاستنساخ، أسئلة مفتوحة:

• تصنيف الدقة لدى Artificial Analysis تؤكده مايكروسوفت ولم يؤكده بعد اختبار خارجي.
• أرقام زمن الاستجابة تصف سلوك النموذج وقد لا تعكس الأداء من طرف إلى طرف في بيئة الإنتاج.
• الضمانات ضد إساءة استخدام استنساخ الصوت موصوفة بعبارات عامة فقط.

وسيرغب المطورون الذين يقيّمون هذه المنظومة في اختبارها على أصواتهم الخاصة — كلام بلكنات، وبيئات صاخبة، ومتحدثون متداخلون — قبل اعتبار الأرقام المنشورة خط أساس.

لماذا يهم ذلك

لم تكن العقبة أمام وكلاء الصوت تتعلق بفهم اللغة بقدر ما تتعلق بآليات تبادل الأدوار. فالنظام الذي ينتظر الصمت لا يمكن أن يبدو محادثة طبيعية. ومن خلال دفع التحويل الجزئي للكلام إلى ما دون عتبة رد الفعل البشري وقرنه بتركيب يعمل في جزء من الثانية، تراهن مايكروسوفت على أن الموجة المقبلة من المساعدات ستُقيَّم على الإيقاع بقدر ما ستُقيَّم على الذكاء. ويبقى الاختبار التالي هو ما إذا كانت الأسعار والضمانات ستصمد تحت الحمل في العالم الحقيقي.

يعتمد هذا المقال على تقرير لموقع The Decoder. اقرأ المقال الأصلي.