دستیار صوتی یا چت هوش مصنوعی؟ کدام کجا بهتر است

ساعت شش صبح به گوشی می‌گویید «فردا هفت بیدارم کن» و بی‌درنگ انجام می‌شود. ده دقیقه بعد از همان گوشی می‌پرسید «برای جلسه‌ی امروز با شرکت پخش چه سؤالی آماده کنم؟» و چیزی که می‌گیرید یک صفحه‌ی جست‌وجوی باز شده است و بس.

هر دو را با صدا خواستید؛ اولی گرفت، دومی نه. دلیلش ضعف دستیار صوتی نیست، این است که برای کار دیگری ساخته شده. دستیار صوتی کلاسیک — همانی که روی گوشی و بلندگوی هوشمند نشسته — یک مترجم فرمان است: صدا را به یکی از چند صد دستورِ از پیش تعریف‌شده نگاشت می‌کند و اجرا می‌کند. جمله‌ای که در آن فهرست نباشد، هیچ اتفاقی برایش نمی‌افتد.

چت مبتنی بر مدل زبانی درست برعکس است: فهرست دستور ندارد، ولی دکمه هم ندارد. برای جلسه‌ی شما ده سؤال دقیق می‌نویسد و ساعت هفت صبح زنگ نمی‌زند.

دو ابزار که فقط اسمشان شبیه هم است

دستیار صوتی دو تکه دارد: بخشی که گفتار را به متن تبدیل می‌کند و بخشی که آن متن را به «قصد» می‌رساند. قصدها محدود و از پیش نوشته‌شده‌اند — تایمر بگذار، پیام بفرست، آهنگ پخش کن. همین محدودیت، سرعت و اتکاپذیری‌اش را می‌سازد.

مدل زبانی قصدِ از پیش تعریف‌شده ندارد؛ جمله را می‌خواند و متن تولید می‌کند. برای همین به پرسشی که هیچ‌کس پیش‌بینی نکرده هم جواب می‌دهد، و برای همین گاهی با اطمینان اشتباه می‌گوید. یکی اجراکننده است، دیگری نویسنده و تحلیل‌گر.

دستیار صوتی برای دستور کوتاه ساخته شده

در کاری که یک فعل و یک مفعول دارد، هنوز چیزی جای دستیار صوتی را نگرفته: زنگ هشدار، تایمر آشپزخانه وقتی دستتان خمیری است، تماس پشت فرمان، خاموش کردن چراغ از تخت‌خواب. اینجا سرعت مهم است نه هوشمندی، و هر بار باید همان یک نتیجه بیاید.

راننده‌ی اسنپی که وسط ترافیک می‌گوید «به مسافر زنگ بزن» همین را می‌خواهد. اگر ابزار به‌جای زنگ زدن شروع کند به توضیح دادن، شکست خورده — و مدل‌های زبانی درست همین‌جا بد جواب می‌دهند: پرحرف‌اند.

چت مبتنی بر مدل برای پرسش باز

حالا کار را عوض کنید: «این قرارداد را بخوان و بگو کجایش به ضرر من است» یا «برای پیج شیرینی‌فروشی ده ایده‌ی پست بده». این‌ها فرمان نیستند؛ کار فکری‌اند و خروجی‌شان متن است نه عمل. بهترین کاری که دستیار صوتی می‌کند این است که سؤال را به موتور جست‌وجو پاس بدهد.

مدل زبانی در همین دسته زندگی می‌کند: سند می‌خواند، جدول می‌سازد، لحن را عوض می‌کند و اگر عکس بدهید تحلیلش می‌کند — قابلیتی که در مدل چندوجهی چیست شرح داده شده. در عوض به هیچ چیزِ گوشی شما دسترسی ندارد.

کدام کار با کدام ابزار

این جدول از کارهایی نوشته شده که هر روز از این دو خواسته می‌شود؛ ستون سوم برای کاربر ایرانی مهم‌ترین است.

مانع اصلی کاربر ایرانی: فارسی را نمی‌فهمند

اینجا باید صریح بود: دستیارهای صوتی جهانی فارسی را درست نمی‌فهمند و همین بزرگ‌ترین دلیلی است که کاربر ایرانی بی‌خیال حرف زدن با گوشی می‌شود. مسئله فقط لهجه نیست؛ فهرست فرمان‌های فارسی یا نیست یا ناقص است، و تشخیص گفتار با اسم‌هایی مثل «خیابان شریعتی» داده‌ی کافی ندیده.

نتیجه‌اش را همه دیده‌اند: می‌گویید به مادر زنگ بزن و به کس دیگری زنگ می‌زند. راه‌حل بلندتر حرف زدن نیست؛ تایپ کردن است. ریشه‌ی این ضعف در محدودیت‌های فارسی در هوش مصنوعی جمع شده، و اگر کارتان تبدیل صدا به متن است راهنمای تبدیل گفتار به متن فارسی گزینه‌های کارآمد را می‌شمارد.

حالت صوتی مدل‌های زبانی تا کجا رسیده

حالت صوتی مدل‌ها در یک چیز از دستیار کلاسیک جلوتر است: جمله‌ی نیمه‌کاره و بی‌نظم را می‌فهمد. می‌توانید وسط حرف نظرتان را عوض کنید و گفت‌وگو ادامه پیدا کند. برای تمرین مکالمه‌ی زبان یا فکر کردن با صدای بلند، این واقعاً کار می‌کند.

اما دو محدودیت جدی دارد. در فارسی هنوز به پای متن نمی‌رسد؛ اسم خاص و عدد را اشتباه می‌شنود و تا خروجی را نبینید متوجه نمی‌شوید. و معمولاً به گوشی وصل نیست: زنگ نمی‌گذارد و پیام نمی‌فرستد. تا وقتی این پل ساخته نشود — کاری که با ایجنت‌های هوش مصنوعی تازه شروع شده — هر دو را لازم دارید.

میکروفون همیشه‌روشن و چیزی که نمی‌بینید

بلندگوی هوشمند برای شنیدن کلمه‌ی بیدارباش باید مدام گوش بدهد. سازنده‌ها می‌گویند تا پیش از آن کلمه چیزی به سرور نمی‌رود و ادعاشان معقول است، ولی تشخیص اشتباه واقعی است: صدای تلویزیون دستگاه را بیدار می‌کند و چند ثانیه از حرفتان ضبط و ارسال می‌شود.

اتصال به دستگاه: جایی که مدل زبانی دست خالی است

این تفاوت را کم‌اهمیت نگیرید. دستیار صوتی به تقویم، مخاطب، زنگ و پریز هوشمند وصل است؛ مدل زبانی، مگر با ابزار میانی، به هیچ‌کدام. برای کسی که دستش همیشه بند است همین اتصال ارزش کل ماجراست.

و برعکس: انتظار اینکه دستیار صوتی متن آگهی دیوار بنویسد بی‌جاست. این کار را نمی‌کند و قرار هم نبوده بکند. برای انتخاب مدل مناسبِ کار فکری، راهنمای کدام مدل برای چه کاری میان‌بر خوبی است.

ترکیب عملی: هر کدام سر جای خودش

پیشنهاد من ساده است. دستیار صوتی را برای چهار کار نگه دارید: زنگ، تایمر، تماس، پخش موسیقی. بقیه را نه. برای هر چیزی که فکر کردن و نوشتن دارد چت را باز کنید و تایپ کنید؛ در نارنگی فارسی از اول در نظر گرفته شده است.

پرامپتی برای وقتی با صدا حرف می‌زنید

اگر از حالت صوتی استفاده می‌کنید، این را یک بار ابتدای گفت‌وگو بگذارید. جواب گوش‌خوان با جواب چشم‌خوان فرق دارد و مدل پیش‌فرض برای دومی می‌نویسد:

وقتی با صدا حرف می‌زنم این‌ها را رعایت کن:
جواب را کوتاه بده، حداکثر سه جمله.
فهرست و شماره‌گذاری نده؛ در گوش دادن گم می‌شود.
اسم و عدد مهم را شمرده تکرار کن.
اگر سؤالم را کامل نفهمیدی حدس نزن؛ یک سؤال روشن‌کننده بپرس.

همین چند خط تفاوت محسوسی می‌سازد؛ الگوهای بیشتر در پرامپت‌نویسی فارسی جمع شده است. برای تاریخچه‌ی فنی، مدخل Virtual assistant و Speech recognition نقطه‌ی شروع خوبی است.

جمع‌بندی

این دو رقیب هم نیستند؛ دو ابزار برای دو جنس کارند. هر چیزی که یک فرمان کوتاه و یک نتیجه‌ی قطعی دارد مال دستیار صوتی است، و هر چیزی که خواندن و فکر کردن و نوشتن می‌خواهد مال مدل زبانی.

و یک واقعیت که باید پذیرفت: در فارسی، حرف زدن هنوز به اتکاپذیری تایپ کردن نرسیده. صدا را برای کار ساده نگه دارید و کار مهم را بنویسید. این حکم شاید دو سال دیگر عوض شود؛ امروز درست است.

برای ادامه:

• مقایسه ابزارهای صوتی: گویندگی و پیاده‌سازی متن
• هوش مصنوعی برای سالمندان: ساده‌ترین راه‌های استفاده
• جست‌وجوی هوش مصنوعی یا گوگل؟ کدام کجا بهتر است