يجمع "ميوز فويس ترانسكرايب" النسخ وفصل المتحدثين وتحديد نهاية الكلام، لكن أرقام الأداء المعلنة مرتبطة بلغات واختبارات محددة ولا تغني عن التحقق الواقعي.
ثلاث وظائف صوتية في نموذج واحد
أطلقت "مختبرات ميتا للذكاء الفائق" نموذج "ميوز فويس ترانسكرايب" ("Muse Voice Transcribe") للنسخ الصوتي اللحظي، مع فصل المتحدثين وتحديد اللحظة التي يبدأ فيها الكلام أو ينتهي. وأتاحت "ميتا" النموذج للمطورين عبر واجهة برمجة، كما بدأت استخدامه للإملاء في تطبيق "ميتا إيه آي" على أجهزة "ماك" وفي أداة "ميوز كود".
يعالج النموذج الصوت في مقاطع مدتها 80 مللي ثانية، ثم يقرر بين الاستماع إلى مقطع جديد أو إصدار كلمة مكتوبة. وتقول الشركة إن هذا التأخير التكيفي يسمح بموازنة السرعة والدقة بحسب صعوبة الكلمة، بدلاً من فرض زمن انتظار ثابت على كل الكلام.
وبحسب "ميتا"، يستطيع النظام التعامل مع تسجيلات تتجاوز ساعة وأكثر من 20 متحدثاً، ويدعم تبديل اللغة داخل الجملة نفسها. ودُرب على أكثر من 70 لغة، لكن الشركة توصي في الإصدار الأول بـ25 لغة قالت إنها تحققت منها على نطاق أوسع. لذلك لا يعني نطاق التدريب أداءً متساوياً في كل لغة أو لهجة.
أداء معلن يحتاج اختباراً في البيئة الحقيقية
قالت "ميتا" إن النموذج تصدر في الأول من سبتمبر لوحة "آرتيفيشال أناليسس" للنسخ الصوتي المتدفق، إضافة إلى اختبارات عامة لفصل المتحدثين. لكن هذا الترتيب مرتبط بمجموعة قياس وتاريخ محددين، ولا يثبت تلقائياً التفوق في العربية أو اللهجات أو الغرف الصاخبة أو المصطلحات المتخصصة.
وأفادت "فنتشر بيت" بأن السعر المعلن يبلغ 3 دولارات لكل ألف دقيقة صوتية، أي نحو 18 سنتاً للساعة، وأن جمع الوظائف الثلاث قد يقلل حاجة المطورين إلى ربط خدمات منفصلة. لكنها وجدت أيضاً خدمات تعلن حدوداً أعلى لعدد المتحدثين، ما يجعل رقم 20+ قدرة مهمة لا رقماً قياسياً.
وتبقى التجربة المحلية ضرورية قبل استخدام أي نظام من هذا النوع في محاضر الاجتماعات أو خدمة العملاء. فالنسخ الصحيح مع إسناد العبارة إلى المتحدث الخطأ قد ينتج سجلاً مضللاً، حتى إذا بدا متوسط الدقة جيداً على لوحة اختبار عامة.
