في عالم تكنولوجيا الذكاء الاصطناعي، يعد الصوت الاصطناعي (Synthetic Speech) بديلاً جذابًا للمحادثات الحقيقية، خاصة في المجالات الخاضعة للتنظيم مثل البنوك. المشكلة الكبرى التي تواجهها أنظمة التعرف على الصوت المعتمدة على نماذج اللغات الكبيرة (LLM) هي قيود الخصوصية والتكلفة العالية لجمع البيانات الصوتية الحقيقية. ولذلك، تحظى الأساليب الاصطناعية بفرص تفوق من حيث التكلفة والفعالية.

لكنّ الصوت الاصطناعي غالبًا ما يعاني من عدم توافق صوتي مع التسجيلات الحقيقية، وهذا الأمر كان محصورًا في أساليب تحسين مثل التعديل المعتمد على الإشراف (SFT). ومع ذلك، يظهر البحث الجديد أنه يمكن استخدام التعلم المعزز لتجاوز هذه التحديات.

تقنية Group Relative Policy Optimization (GRPO) أثبتت قدرتها على استخراج قيمة أكبر من نفس الصوت الاصطناعي مقارنةً بأسلوب SFT. حيث أظهرت الأبحاث أن التكيف مع الصوت الاصطناعي فقط باستخدام GRPO يمكن أن يقلل من نسبة الأخطاء في التقارير الصوتية (WER) بنسبة 40%، مما يجعلها الخيار الأمثل عند الاعتماد على الصوت الاصطناعي.

عند دمج SFT مع GRPO، تمكن الباحثون من تحقيق تقليل إضافي لهامش الأخطاء يصل إلى 45%. ويعود هذا التقدم إلى تحسين سلوك النماذج بدلاً من التركيز على تمثيلات الصوت، مما يساعد على تصحيح الأخطاء بشكل أفضل ويعزز التنسيق بين الصوت والنص.

في حين أن تقنية GRPO لا تزال في مراحلها الأولى، فإن النتائج تشير إلى إمكاناتها الواعدة في تحسين تكنولوجيا الصوت الاصطناعي، مما يفتح أمامنا آفاقاً جديدة في تطبيقات مثل خدمة العملاء والبنوك.