Fish Audio משיקה את Live 3: מודל קול שמקשיב גם בזמן שהוא מדבר ומגיב תוך 186 מילישניות

חברת Fish Audio השיקה את Live 3, מודל קול חדש לסוכני קול (voice agents). לפי דיווח באתר MarkTechPost, זהו מודל מסוג full-duplex, כלומר מודל שמסוגל להקשיב בזמן שהוא מדבר. הוא יודע להבדיל בין "הממ" או "אהה" של בן השיח לבין הפרעה אמיתית, וזמן התגובה שלו יכול לרדת עד 186 מילישניות. בשלב ההשקה המודל זמין באנגלית בלבד.

מה זה full-duplex ולמה זה משנה

רוב עוזרי הקול שאנחנו מכירים עובדים בשיטת "תורות", בדומה למכשיר קשר: המשתמש מדבר, המערכת מחכה שיסיים, ורק אז עונה. כשהמערכת מדברת, היא בדרך כלל לא באמת מקשיבה. בפועל זה יוצר שיחה מגומגמת. המשתמש נאלץ לחכות, ואם הוא מנסה להתפרץ באמצע, המערכת ממשיכה לדבר או נעצרת בפתאומיות ומאבדת את החוט.

המונח full-duplex מגיע מעולם התקשורת ומתאר ערוץ שעובר בו מידע לשני הכיוונים באותו הזמן, כמו בשיחת טלפון רגילה. במודל קול המשמעות היא שההקשבה לא נעצרת גם כשהמודל עצמו מדבר. כך הוא יכול לזהות שהמשתמש מנסה להגיב ולהחליט מה לעשות עם זה.

"הממ" אינו הפרעה

כאן נכנס החלק העדין יותר. בשיחה אנושית אנחנו משמיעים כל הזמן קולות קטנים כמו "כן", "אהה" ו"הממ", שאומרים לדובר "אני איתך, תמשיך". הם לא אומרים "תפסיק, אני רוצה לדבר". מערכת שמקשיבה כל הזמן אבל לא מבחינה בין שני הדברים האלה עלולה לעצור באמצע כל משפט בגלל כל אישור קטן, וזה מתסכל לא פחות ממערכת שלא מקשיבה בכלל.

לפי הדיווח, Live 3 נבנה כדי להפריד בין שני המקרים: להמשיך לדבר כשהמשתמש רק מהנהן בקולו, ולעצור ולהגיב כשמדובר בהפרעה אמיתית. אם היכולת הזו עובדת היטב גם בתנאים אמיתיים, עם רעשי רקע, מבטאים שונים ודיבור מהיר, ייתכן שזה ההבדל בין סוכן שמרגיש כמו תפריט קולי לבין סוכן שמרגיש כמו בן שיח.

186 מילישניות

הנתון השני שהחברה מבליטה הוא מהירות התגובה: עד 186 מילישניות. זו פחות מחמישית שנייה. בשיחה קולית, השהייה של שנייה או יותר בין סוף המשפט שלכם לתחילת התשובה מורגשת מאוד ושוברת את תחושת הטבעיות. זמן תגובה קצר כזה מתקרב ככל הנראה לקצב המעבר בין דוברים בשיחה בין בני אדם. חשוב לשים לב לניסוח: "יכול להגיב תוך 186 מילישניות" מתאר את הערך הנמוך ביותר. זמן התגובה בפועל תלוי ככל הנראה בתשתית, בעומס ובמורכבות הבקשה.

אנגלית בלבד, לפחות בינתיים

למשתמשים ולמפתחים בישראל יש כאן הסתייגות חשובה: בהשקה Live 3 תומך רק באנגלית. מי שמתכנן לבנות סוכן קול בעברית, למשל למוקד שירות או לתיאום תורים, לא יוכל להשתמש בו כרגע. לא פורסם במקורות לוח זמנים להוספת שפות.

המשמעות

סוכני קול הם אחד התחומים החמים בעולם ה-AI, ומשמשים בין היתר לשירות לקוחות, למכירות ולתמיכה טכנית. עד כה, אחד הדברים שהסגירו שמדובר במכונה היה פחות התוכן ויותר הקצב: השהיות, התפרצויות שלא נקלטו ועצירות במקום הלא נכון. ההשקה של Live 3 מצביעה ככל הנראה על כך שמרכז הכובד בתחום עובר מהשאלה "מה המודל אומר" לשאלה "איך הוא מנהל שיחה". המבחן האמיתי יגיע כשמפתחים ישלבו את המודל במוצרים ויבדקו אם היכולות שהחברה מתארת עומדות בשטח.