لماذا تقاطع وكلاء الصوت بالذكاء الاصطناعي الناس: قياس على واجهة برمجة تطبيقات حية وإصلاح بقواعد النحو الروسية

قام مهندس بقياس التأخير في استجابات الذكاء الاصطناعي الصوتي باستخدام عبارة روسية مُصنّعة عبر Yandex Realtime API (المتوافقة مع OpenAI Realtime). وقام بتغيير معامل silence_duration_ms: مع 400 مللي ثانية أو 800 مللي ثانية، استجاب الوكيل بشكل فوري تقريبًا لكنه سمع التحية فقط، وفاته السؤال الفعلي. مع 1200 مللي ثانية، تم التعرف على العبارة كاملة، لكن التأخير كان 1275 مللي ثانية، منها 75 مللي ثانية فقط لمعالجة النموذج. وقام ببناء كاشف قائم على القواعد لبناء الجملة الروسية يحدد عتبة الصمت المناسبة: 250 مللي ثانية إذا كان الكلام مكتملًا على الأرجح، و1400 مللي ثانية إذا كان غير مكتمل (على سبيل المثال، ينتهي بحروف الجر أو أدوات العطف)، و700 مللي ثانية إذا كان غير مؤكد. على مجموعة اختبار من 72 عبارة حقيقية بأسلوب الهاتف، حقق هذا النهج دقة 97% (70 من 72)، مما قلل الانقطاعات من 38 إلى 2، ومتوسط الصمت قبل الإجابات من 1200 مللي ثانية إلى 316 مللي ثانية. الحالتان المتبقيتان من الفشل هما حالات براغماتية (مثل "لا، لقد أسأت فهمي")، والتي لا يمكن للقواعد معالجتها؛ ويخطط المؤلف للمقارنة مع نموذج دلالي مُدرَّب. كما يحذر من ضرورة قصّ الصمت في البداية والنهاية عند قياس التأخيرات على الكلام المُصنَّع، وإلا تكون النتائج منحرفة.