در حال خواندن: Alibaba «هتتریک» صوتی را کامل کرد؛ تسلط چین بر سه قله «شنیدن، حرف زدن و مکالمه»
-
01
Alibaba «هتتریک» صوتی را کامل کرد؛ تسلط چین بر سه قله «شنیدن، حرف زدن و مکالمه»
Alibaba «هتتریک» صوتی را کامل کرد؛ تسلط چین بر سه قله «شنیدن، حرف زدن و مکالمه»
اگر تا دیروز بحث رقابت هوش مصنوعی (AI) آمریکا و چین تنها بر سر مدلهای متنی و استدلال منطقی بود، از امروز این رقابت وارد عرصهای تازه شده است: «تعامل صوتی طبیعی».
روز گذشته (۲۸ می ۲۰۲۶)، در جدیدترین بهروزرسانی پلتفرم معتبر جهانی Artificial Analysis، مدل صوتی علیبابا با نام Fun-Realtime-TTS-Preview موفق شد با کسب امتیاز ۱۱۹۰ در سیستم رتبهبندی Elo، جایگاه پنجم جهانی و اولین در میان مدلهای چینی را از آن خود کند.
اما مهمتر از رتبه کلی، آنچه این دستاورد را به یک «هتتریک» (سهگانه) کامل تبدیل میکند، پیروزی همزمان در هر سه شاخه اصلی فناوری صوتی است:
- ASR (تشخیص گفتار)
- Chat (مکالمه هوشمند)
- TTS (تبدیل متن به گفتار)
این سه مدل در کنار هم، اولین «پشته فناوری صوتی کامل» جهان را تشکیل دادهاند. حالا علیبابا مالک کاملترین مجموعه فناوری صوتی هوش مصنوعی در جهان محسوب میشود؛ مجموعهای که میتواند بشنود، بفهمد، فکر کند و با لحن و احساس مناسب صحبت کند.
در این گزارش، جزئیات این «سهگانه» تاریخی و چگونگی عبور مدلهای چینی از GPT-4o و GPT-Realtime-2 شرکت OpenAI را بررسی میکنیم.
«سهگانه صوتی» علیبابا؛ تسلط بر سه عرصه کلیدی
برای آنکه درک کنیم «انسان بودن» یک هوش مصنوعی صوتی چه معنایی دارد، باید بدانیم فرآیند «صحبت کردن» یک انسان از سه مرحله مجزا اما به هم پیوسته تشکیل شده است: ما صدای طرف مقابل را میشنویم و کلماتش را رمزگشایی میکنیم (ASR)، منظور و قصد او را تحلیل میکنیم (Chat/Reasoning)، سپس پاسخی متناسب با لحن و احساس تولید میکنیم (TTS).
سهگانه علیبابا دقیقاً همین فرآیند انسانی را در دنیای ماشین پیادهسازی کرده است.
«شنیدن» در سطحی فراتر از انسان (ASR)
مدل Fun-Realtime-ASR علیبابا هفته گذشته موفق شد در رتبهبندی جهانی پلتفرم Artificial Analysis، عنوان قهرمان جهان در تشخیص گفتار خودکار را از آن خود کند.
نرخ خطای کلمه (WER) این مدل تنها ۱.۸ درصد است. یعنی از هر ۱۰۰ کلمه که یک انسان به زبان میآورد، این مدل کمتر از ۲ کلمه را اشتباه تشخیص میدهد. این رقم از میانگین خطای انسانی (حدود ۴-۵ درصد در شرایط ایدهآل) نیز بهتر است.
نکته شگفتانگیز: این مدل در شرایط نویزدار (مثل خیابان شلوغ یا کافه) نیز عملکردی نزدیک به محیط ساکت دارد و توانسته است مدلهای مطرح آمریکایی مانند Whisper OpenAI و Gemini Audio گوگل را پشت سر بگذارد.
این یعنی علیبابا حالا بهترین «گوش» دیجیتال جهان را در اختیار دارد.
«فهمیدن و مکالمه» با ضریب هوشی صوتی بالا (Chat)
مدل Fun-Realtime-AudioChat علیبابا در دو شاخص کلیدی «قدرت استدلال صوتی» و «پویایی مکالمه» موفق به کسب رتبه اول و دوم جهان شده است.
این مدل قادر است نه فقط کلمات، بلکه لحن، احساس و قصد پنهان کاربر را نیز درک کند. مثلاً اگر کاربر با عصبانیت بگوید «بازم اینترنت قطع شد»، مدل نه تنها پیام را میفهمد، بلکه با لحنی همدلانه پاسخ میدهد: «میدونم چقدر میتونه آزاردهنده باشه. بذار چک کنم ببینم مشکل از کجاست.»
کارشناسان این مدل را «خوشصحبتترین ربات هوش مصنوعی جهان» نامیدهاند.
«حرف زدن» با لحن و احساس (TTS)
مدل Fun-Realtime-TTS-Preview که دیروز (۲۸ می) رتبه پنجم جهانی و اول چین را کسب کرد، حلقه مفقوده این زنجیره بود. این مدل میتواند متن را با ۲۲ لحن و احساس مختلف (شاد، غمگین، جدی، خسته، مشتاق، رسمی، دوستانه و …) به گفتار تبدیل کند.
نکته کلیدی: این مدل به صورت بلادرنگ (Realtime) کار میکند و تأخیر آن کمتر از ۰.۵ ثانیه است. یعنی مکالمه با آن تقریباً روان و طبیعی است.
چرا این «سهگانه» مهم است؟ پایان دوران «چتباتهای کر و لال»
تا پیش از این، بیشتر چتباتهای صوتی موجود در بازار به صورت سه مرحلهای مجزا کار میکردند: یک مدل ASR صدای شما را به متن تبدیل میکرد، یک مدل متنی پاسخ مینوشت، و یک مدل TTS آن پاسخ را به صدا برمیگرداند. این فرآیند تکهتکه باعث میشد:
- تأخیر بالا برود (معمولاً ۲ تا ۳ ثانیه)
- احساسات در هر مرحله حذف شود
- قطع و وصل شدن (حرف زدن همزمان) غیرممکن شود
اما علیبابا با ارائه سه مدل مجزا اما هماهنگ که هر کدام در بهترین حالت خود هستند، این مشکل را حل کرده است. کاربر میتواند طبیعی صحبت کند، مدل او را قطع کند (مثلاً برای تصحیح یک نکته)، و مکالمه جریان داشته باشد.
عبور از OpenAI در شاخصهای کلیدی
مقایسه مستقیم مدلهای علیبابا با پرچمداران فعلی OpenAI (GPT-Realtime-2 و Whisper) نشان میدهد که چین در حوزه صوتی از رقیب آمریکایی خود پیشی گرفته است.
علیبابا در شاخصهای «دقت» و «سرعت» و «قیمت» از OpenAI جلوتر است. تنها در «طبیعی بودن صدا» (که تا حد زیادی سلیقهای است) و «تنوع زبانی» OpenAI همچنان برتری نسبی دارد.
واکنش صنعت و بازار
خبر کسب رتبه پنجم جهانی مدل TTS علیبابا، واکنشهای سریعی در پی داشت:
سهام علیبابا جهش کرد!
سهام شرکت علیبابا در بازارهای آمریکا و هنگکنگ در ۲۴ ساعت پس از انتشار این خبر، ۴.۷ درصد رشد کرد. تحلیلگران بر این باورند که این موفقیت میتواند درهای جدیدی از بازارهای صوتی هوشمند (مثل مراکز تماس، دستیارهای صوتی خودرو و خانههای هوشمند) را به روی این شرکت باز کند.
واکنش رقبا
سخنگوی OpenAI در پاسخ به درخواست برای اظهار نظر گفت: «ما همواره به رقابت سالم در صنعت هوش مصنوعی خوشآمد میگوییم. مدلهای جدید ما در دست توسعه هستند و به زودی معرفی خواهند شد.»
منابع آگاه از گوگل نیز اعلام کردهاند که این شرکت در حال کار روی نسخه جدیدی از مدل صوتی Gemini با تأکید بر کاهش تأخیر و بهبود تشخیص احساسات است.
استقبال گسترده در چین
رسانههای دولتی چین این دستاورد را «پیروزی فناوری ملی» و «نمایش قدرت اکوسیستم هوش مصنوعی چین» نامیدهاند. انتظار میرود که این مدلها به زودی در محصولات مصرفی علیبابا مانند دستیار صوتی Tmall Genie و سرویسهای ابری Alibaba Cloud یکپارچه شوند.
علیبابا با تکمیل «سهگانه صوتی» خود ASR قهرمان جهان، Chat با ضریب هوشی بالا و TTS در سطح اول جهانی، نشان داد که رقابت هوش مصنوعی آمریکا و چین از «متون و کد» به «صدا و تعامل طبیعی انسانی» کشیده شده است.
سه پیامد این موفقیت:
- پایان انحصار غرب در فناوریهای صوتی: برای سالها، Whisper OpenAI و Polly آمازون استاندارد طلایی این حوزه بودند. اکنون علیبابا نشان داده است که میتوان از آنها بهتر و ارزانتر ساخت.
- تسریع در تجاریسازی هوش صوتی: با کاهش هزینه (۶۵٪ ارزانتر از OpenAI) و افزایش کیفیت، استفاده از دستیارهای صوتی هوشمند در صنایع مختلف (خدمات مشتری، آموزش، سلامت، خودرو) رشد انفجاری خواهد داشت.
- تغییر معادله رقابت جهانی: دیگر «مدل زبانی بزرگ» (LLM) تنها میدان نبرد نیست. «هوش صوتی چندوجهی» به یک جبهه مستقل و حیاتی تبدیل شده است. شرکتهایی که در این جبهه ضعیف باشند، در عصر تعامل طبیعی انسان-ماشین حرفی برای گفتن نخواهند داشت.
پستهای مرتبط
با آخرین و مهمترین اخبار بهروز بمانید
You need to configure your Mailchimp API key for this form to work properly.
