في عالم الذكاء الاصطناعي، توجد أنظمة حوار صوتية تعتمد على نماذج لغوية ضخمة (Large Language Models) تتمتع بقدرات مذهلة في فهم الحديث الإنساني وتوليد استجابات مناسبة. ولكن، على الرغم من هذه القدرات، تواجه هذه الأنظمة تحديًا كبيرًا يتمثل في اكتشاف نهاية الدور (End-Turn Detection - ETD)؛ أي التمييز بين انتهاء المستخدم من التحدث وبين لحظات التردد.

هذه المشكلة تؤدي غالبًا إلى استجابات مبكرة أو متأخرة، مما يفسد سلاسة المحادثات الصوتية. لكن الحلول تأتي في الأفق، حيث يقدم الباحثون مجموعة بيانات جديدة تُعرف باسم مجموعة بيانات ETD، وهي الأولى من نوعها في مجال اكتشاف نهاية الدور. تشتمل هذه المجموعة على بيانات صوتية صناعية تم إنشاؤها بواسطة نماذج تحويل النص إلى صوت (Text-to-Speech Models) وبيانات صوتية حقيقية تم جمعها من مصادر الإنترنت.

بالإضافة إلى ذلك، تقدم الدراسة نظامًا جديدًا يُسمى SpeculativeETD، وهو إطار عمل تعاوني يستهدف تحقيق توازن بين الكفاءة والدقة لتحسين ETD في البيئات التي تعاني من نقص الموارد. يعتمد هذا النظام على نموذج GRU خفيف الوزن يكشف بشكل سريع عن الوحدات غير النطقية في الوقت الحقيقي على الأجهزة المحلية، ونموذج Wav2vec عالي الأداء يعمل على الخادم لتحديد المعايير الأكثر تحديًا في تصنيف نهاية الدور.

تشير التجارب إلى أن SpeculativeETD يحسن دقة اكتشاف نهاية الدور بشكل كبير، مع الحفاظ على انخفاض متطلبات الحوسبة. سيتم توفير مجموعات البيانات والكود بعد المراجعة.

هل تتخيل كيف ستحسن هذه التقنية من تجاربنا في التفاعل مع المساعدات الصوتية؟ شاركونا آراءكم في التعليقات!