«برای پنجشنبه وقت می‌خواهم...»
«نه، جمعه بهتر است...»
«جمعه بعدازظهر؛ هنوز رزرو نکنید.»
این گفت‌وگوی فرضی نشان می‌دهد چگونه ممکن است درخواست فرد در حین صحبت تغییر کند. اگر دستیار فقط تکه اول را مبنای کار قرار دهد، هم روز را اشتباه می‌گیرد و هم ممکن است پیش از تمام شدن درخواست اقدام کند. اما اگر تا پایان همه صحبت‌ها هیچ چیزی نشان ندهد، کاربر از جریان تبدیل صدا به متن بی‌خبر می‌ماند. زیرنویس زنده دقیقاً با همین فاصله میان «زود نشان دادن» و «درست نهایی کردن» روبه‌روست.
مایکروسافت در ۱ اکتبر ۲۰۲۶ مدل MAI-Transcribe-2-Streaming را معرفی کرد؛ مدلی که صدا را هم‌زمان با دریافت آن به متن تبدیل می‌کند. دو مدل تولید گفتار MAI-Voice-2.1 و نسخه Flash نیز هم‌زمان معرفی شدند. این گزارش، با بررسی منابع در ۳ اکتبر، روی بخش شنیدن و نوشتن تمرکز دارد: چرا کلمه‌ای که روی صفحه ظاهر شده ممکن است عوض شود و چرا نمایش سریع متن، به‌تنهایی کیفیت یک دستیار را تعیین نمی‌کند. اطلاعیه رسمی معرفی مدل‌ها
چرا متن موقت تغییر می‌کند؟
در پردازش جریانی، یعنی پردازش صدا هم‌زمان با دریافت آن، برنامه منتظر کامل شدن فایل صوتی نمی‌ماند. صدا به‌تدریج وارد می‌شود و سامانه هم نتیجه‌های تدریجی می‌فرستد. مستند رسمی مدل میان خروجی میانی و خروجی نهایی تفاوت می‌گذارد: نتیجه میانی متن جاری را به‌روز می‌کند و نتیجه نهایی یک قطعه را تأیید می‌کند. کلمه «نهایی» در اینجا نام وضعیت پردازش است؛ نباید آن را گواه بی‌خطا بودن همه کلمات دانست.
در مثال ابتدای مقاله، خود گوینده درخواستش را اصلاح می‌کند. علاوه بر اصلاح گوینده، برداشت سامانه از صدا هم ممکن است با رسیدن ادامه جمله تغییر کند. از دید طراحی تجربه کاربر، بهتر است خواننده بداند کدام بخش هنوز در حال تکمیل است. برای مثال، اگر متن موقت و متن تثبیت‌شده ظاهری یکسان داشته باشند، تغییر یک واژه می‌تواند شبیه حذف بی‌دلیل اطلاعات به نظر برسد، در حالی که ممکن است بخشی از روند عادی پردازش باشد.
راهنمای Azure Speech SDK برای این مدل صریحاً توصیه می‌کند متن میانی جای متن میانی قبلی را بگیرد، نه اینکه هر بار به انتهای نوشته اضافه شود. قطعه تأییدشده باید جداگانه نگهداری شود. همان راهنما می‌گوید هنگام خطا، خروجی میانی را نباید خودسرانه نهایی حساب کرد. این نکته فنی، برای کاربر نتیجه‌ای ساده دارد: تکرار شدن چند نسخه از یک جمله در زیرنویس، لزوماً به معنی تکرار حرف گوینده نیست؛ ممکن است برنامه نتیجه‌های موقت را درست مدیریت نکرده باشد.
سرعت را از کدام لحظه حساب می‌کنیم؟
سازنده می‌گوید نخستین حدس‌های متنی کمی بیش از ۱۰۰ میلی‌ثانیه پس از دریافت صدا تولید می‌شوند. این عدد، ادعای عملکرد در اطلاعیه مایکروسافت است؛ ما آن را در یک برنامه فارسی یا اتصال اینترنت مشخص اندازه‌گیری نکرده‌ایم. سه زمان را باید جدا اندازه گرفت: زمان نمایش اولین متن موقت، زمان آماده شدن متن نهایی و زمان دریافت پاسخ کامل دستیار. قرار دادن همه آنها زیر عنوان «سرعت هوش مصنوعی» مقایسه را مبهم می‌کند. توضیح سازنده درباره نتیجه‌های اولیه
برای نمونه، روش ارزیابی جریانی Artificial Analysis زمان رسیدن به متن نهایی را نسبت به پایان تشخیص‌داده‌شده گفتار می‌سنجد. شاخص خطای واژه آن از سه مجموعه صوتی ساخته می‌شود و وزن مجموعه‌ها یکسان نیست. بنابراین مبدأ اندازه‌گیری در این ارزیابی، پایان گفتار است؛ در حالی که عدد اعلام‌شده برای اولین حدس، به زمان دریافت صدا مربوط می‌شود. پیش از مقایسه دو عدد باید تعریف شروع و پایان اندازه‌گیری را خواند.
در صفحه ارزیابی، روش آزمون را بررسی کردیم، اما نتوانستیم رتبه این مدل را از نمودارهای در دسترس تأیید کنیم؛ بنابراین برای آن رتبه‌ای نقل نمی‌کنیم. حتی یک رتبه قابل مشاهده نیز کیفیت تمام لهجه‌ها، محیط‌ها و نام‌های خاص را ثابت نمی‌کند. پیشنهاد ما این است که نتیجه یک آزمون را همراه نام مجموعه صوتی و تعریف معیار بخوانیم، سپس بپرسیم آن شرایط چقدر به کاربرد خودمان شبیه است.
پشتیبانی از گفتار فارسی، به معنی تولید صدای فارسی نیست
در جدول زبان‌های راهنمای رسمی اتصال جریانی، فارسی با کد fa آمده است. این، شاهدی درباره پشتیبانی اعلام‌شده است؛ آزمون مستقل دقت فارسی نیست. همچنین فهرست زبان‌ها به‌تنهایی چیزی درباره امکان ساخت حساب، دسترسی از یک کشور یا شرایط پرداخت نمی‌گوید. برای این گزارش، دسترسی عملی از ایران آزمایش نشده است و کیفیت تبدیل نام‌ها یا گفتار محاوره‌ای فارسی نیز اندازه‌گیری نشده است.
در سمت دیگر، صفحه MAI-Voice-2.1 درباره تولید صدا از متن صحبت می‌کند و فهرست زبان‌های خودش را دارد؛ فارسی در فهرست بررسی‌شده آن دیده نمی‌شود. بنابراین نباید از حضور فارسی در بخش تبدیل گفتار به متن نتیجه گرفت که همان مجموعه حتماً پاسخ صوتی فارسی هم ارائه می‌کند. برنامه‌ای که گفتگوی کامل می‌سازد، باید سازگاری بخش شنیدن، پردازش درخواست و تولید پاسخ را جدا بررسی کند.
وضعیت عرضه نیز بخشی از خبر است. مستند Microsoft Learn، مدل جریانی را در حالت پیش‌نمایش عمومی معرفی می‌کند و استفاده از آن را در سامانه‌های نهاییِ در حال بهره‌برداری توصیه نمی‌کند. چنین وضعیتی با یک سرویس نهایی دارای تعهد سطح خدمت یکسان نیست. پس معرفی این مدل به معنی آماده بودن همه برنامه‌های مبتنی بر آن برای استفاده روزانه نیست. کیفیت برنامه، نحوه مدیریت خطا و وضعیت عرضه سرویس هم در قابل اتکا بودن آن نقش دارند. وضعیت پیش‌نمایش در مستند رسمی
یک بررسی ساده: نمایش اولیه، اصلاح متن و نتیجه کار
اگر به برنامه‌ای با این فناوری دسترسی پیدا کردید، یک تمرین پیشنهادی و محدود می‌تواند روشن‌کننده باشد. از گفتاری غیرحساس استفاده کنید که متن درست آن را خودتان می‌دانید؛ مثلاً توضیح یک قرار فرضی با اصلاح روز یا ساعت. هدف این تمرین، اثبات بهترین بودن مدل نیست. قرار است ببینیم برنامه هنگام تغییر نظر گوینده، مکث کوتاه و رسیدن پایان جمله چه رفتاری نشان می‌دهد و کدام بخش تجربه نیاز به بررسی بیشتری دارد.
- اولین نمایش: چه زمانی نخستین متن قابل خواندن ظاهر می‌شود؟ صرف ظاهر شدن یک نشانه یا موج صدا را با نوشتن کلمات برابر نگیرید.
- اصلاح و تثبیت: کدام کلمات تغییر می‌کنند و برنامه چگونه نشان می‌دهد یک قطعه تمام شده است؟ متن نهایی را با گفتار واقعی تطبیق دهید.
- نتیجه کار: آیا فقط متن تولید شده یا برنامه اقدامی هم انجام داده است؟ برای درخواست دارای اصلاح، زود اقدام کردن را جدا از درست شنیدن بررسی کنید.
یک محدودیت مهم برای تفسیر چنین مشاهده‌ای در مستند SDK آمده است: نتیجه‌ها شامل امتیاز اطمینان برای تشخیص گفتار و زمان دقیق هر واژه نیستند. بنابراین از روان بودن جمله نمی‌توان فهمید سامانه تا چه اندازه به درستی تشخیص خود اطمینان داشته است. در تمرین پیشنهادی، موارد درست و نادرست را به‌صورت مشاهده خودتان ثبت کنید؛ نتیجه چند نمونه شخصی را نمی‌توان به همه گویندگان و شرایط ضبط تعمیم داد. محدودیت اطلاعات خروجی
حالا به جمله آغاز برگردیم: «جمعه بعدازظهر؛ هنوز رزرو نکنید.» یک تجربه خوب باید هم اصلاح روز را منتقل کند و هم تفاوت میان گفتن یک درخواست و اجازه انجام آن را حفظ کند. ارزش زیرنویس زنده فقط در زودتر ظاهر شدن کلمات روی صفحه نیست؛ مهم است کاربر بتواند مسیر تبدیل حرف ناتمام به متن قابل بازبینی را دنبال کند، بدون اینکه حدس اولیه با نتیجه قطعی اشتباه گرفته شود.
تصویر شاخص: تصویرسازی مفهومی تولیدشده با هوش مصنوعی از تبدیل موج صدا به قطعات موقت و ثابت؛ اسکرین‌شات محصول یا نمودار اندازه‌گیری‌شده نیست.
منابع
- معرفی مدل‌های جدید گفتاری، Microsoft AI، ۱ اکتبر ۲۰۲۶
- معرفی فنی و وضعیت پیش‌نمایش مدل جریانی، Microsoft Learn
- مدیریت خروجی‌های موقت و نهایی و محدودیت‌ها در Azure Speech SDK
- راهنمای Realtime و جدول زبان‌های ورودی
- روش ارزیابی تبدیل جریانی گفتار به متن، Artificial Analysis
- مشخصات و زبان‌های تولید گفتار MAI-Voice-2.1
نظر شما چیست؟