مكالمة صوتية لعدة أنظمة ذكاء اصطناعي في وقت واحد في نافذة واحدة: كيفية إجراء "اتصال بأرقام Claude وGPT وDeepSeek" مع المقاطعة
باختصار عن الشيء الرئيسي (BLUF)
من غير المناسب مقارنة إجابات النماذج واحدة تلو الأخرى، و"الإملاء" ليس محادثة بعد. لقد أجرينا مكالمة صوتية حيث يتم الرد على Claude وGPT وDeepSeek في نفس النافذة. سنخبرك كيف تختلف المكالمة عن الإملاء، وكيف تعمل البنية، وما هي الأخطاء التي ارتكبتها.
في معظم الدردشات مع الذكاء الاصطناعي، يبدو الصوت كما يلي: تقوم بإملاء رسالة، والانتظار، وقراءة الإجابة. هذه ليست محادثة - هذا إملاء. نحن في الفضاء العصبي تم في القسم "محادثة" كاملة مكالمة صوتية: أنت تتكلم، النموذج يستجيب بصوت في الوقت الحقيقي، يمكنك ذلك يقاطع، ويمكنك الاتصال أي نموذج - Claude، GPT، DeepSeek - في نفس النافذة. إن فهم كيفية عملها ولماذا هو أكثر صعوبة مما يبدو.
لماذا "الإملاء" ≠ المحادثة
تعتمد المحادثة المباشرة على أمرين لا تتوفر في واجهات الضغط والتحدث:
- الكمون المنخفض. التوقف لمدة 3-4 ثواني بين ملاحظتك والإجابة يقتل الشعور بالحوار. يجب أن يبدأ النموذج في الاستجابة على الفور تقريبًا.
- البارجة في. في الكلام المباشر، نقاطع باستمرار: "توقف، هذا ليس كل شيء"، "باختصار"، "هل يمكنك...". إذا أنهى المساعد تفكيره الطويل، متجاهلاً ما تقوله بالفعل، فهذا ليس محاوراً، بل جهاز الرد الآلي.
تتعلق كلتا النقطتين بهندسة التدفقات، وليس بـ "ربط تركيب الكلام".
بنيان
مسار مزدوج كامل. يتدفق الميكروفون بشكل مستمر، ويحدث التعرف بالتوازي مع تشغيل الإجابة. النقطة الأساسية: بمجرد أن يلتقط كاشف الكلام ذلك تحدث المستخدم أثناء استجابة النموذج، يتوقف التشغيل على الفور، ويتم قطع الإجابة غير المعلنة، ويتم وضع ما تمكن النموذج من قوله قبل المقاطعة بشكل صحيح في السياق - حتى تتمكن من فهم المكان الذي تمت مقاطعته فيه.
نموذج ملحد. الحل الأكثر إثارة للاهتمام هو طبقة صوتية واحدة فوق نماذج مختلفة. يقوم المستخدم بتبديل المحاور في نافذة واحدة: الآن يتحدث مع Claude، في دقيقة واحدة - مع GPT، ثم مع DeepSeek. للقيام بذلك، يتم استخدام الجهاز الصوتي (التعرف + كشف الكلام + منطق المقاطعة + التركيب) غير مقيدة من نموذج معين: النموذج هو "العقل" القابل للاستبدال خلف الواجهة الصوتية المشتركة. يعمل المسار مع التدفق المجرد "النسخة المتماثلة → تدفق رمز الاستجابة → التعليق الصوتي" ولا يعرف من يقف وراءه.
بث الإجابة في التعليق الصوتي. ومن أجل عدم انتظار النموذج لإكمال الإجابة بأكملها، تدخل الرموز المميزة في عملية التركيب أثناء إنشائها، في أجزاء على طول حدود الجمل. وهذا يعطي تأخيرًا بسيطًا ويجعل المقاطعة أمرًا طبيعيًا: فنحن نقطع ما قيل بالفعل تمامًا.
أشعل النار
- دخول إنذار كاذب. السعال، والضوضاء في الخلفية، "آه" - تتوقف العارضة عن التحدث في الوقت الخطأ. كان علينا معايرة عتبة كاشف الكلام لتمييز النسخة المتماثلة الحقيقية عن الضوضاء.
- السياق بعد الانقطاع. إذا قمت ببساطة بتجاهل إجابة غير معلنة، فإن النموذج "ينسى" أنه أجاب على الإطلاق. نحفظ الجزء المنطوق باعتباره مساره في الحوار - ثم "توقف، ولكن المزيد عن الجزء الثاني" يعمل بشكل مفيد.
- تبديل النموذج في محادثة حية. تاريخ الحوار شائع، لكن النماذج لها تنسيقات و"شخصيات" مختلفة. نحن نعمل على تطبيع التاريخ حتى يتمكن النموذج الجديد من متابعة المحادثة بدلاً من البدء من الصفر.
لماذا هذا؟
النماذج المختلفة قوية بطرق مختلفة: أحدهما أفضل في التفكير، والآخر أكثر إبداعًا، والآخر أسرع وأرخص في الثرثرة. مكالمة صوتية مع التبديل تحول هذا إلى سيناريو طبيعي: ناقش الفكرة مع أحدهما، وطلب من الثاني أن ينتقد، والثالث أن يعطي خيارات. كل شيء يتم عن طريق الصوت، في نافذة واحدة، مع إمكانية المقاطعة في أي وقت. نفس الجهاز الصوتي يقع تحت الوكيل الصوتي للمواقع — هناك أيضًا يضغط على الأزرار.
إذا كنت تقوم بإنشاء واجهات صوتية فوق نماذج اللغة، فمن المثير للاهتمام مناقشة كيفية حل مشكلة التداخل وحفظ السياق عند التعطل. حاول الاتصال: neuralspace.pro/chat.
الأسئلة المتداولة (الأسئلة الشائعة)
سؤال: كيف تحصل على أفضل نتيجة من الشبكة العصبية؟
الإجابة: استخدم المطالبات التفصيلية (الأوصاف) باللغة الإنجليزية، واضبط نمط المشهد وتفاصيله.
سؤال: هل يمكن استخدام هذه المواد لأغراض تجارية؟
الإجابة: نعم، المحتوى الذي تم إنشاؤه ملك لك بالكامل.