لماذا الصوت أصعب على الوكيل؟
في دراسة τ-Voice، أنجز أفضل نموذج نصي 85% من 278 مهمة لخدمة العملاء، بينما أنجزت ثلاثة نماذج صوتية 31 إلى 51% من المهام نفسها على خط هاتف نقي، و26 إلى 38% على خط واقعي.
المهام نفسها، وعدد أقل بكثير يُنجز
أجاب الوكيل عن كل سؤال في اختبار المحادثة النصية. ثم انتقل الوكيل نفسه إلى خط الهاتف، فبدأ المتصلون يطلبون التحدث إلى شخص.
وضعت دراسة نُشرت في مارس 2026 أرقاماً لهذه الفجوة. شغّلت τ-Voice (ويُكتب tau-Voice) المهام نفسها، وعددها 278 مهمة لخدمة العملاء، نصاً وصوتاً. في النص أنجز أفضل نموذج نصي في الدراسة 85% منها. وأنجزت ثلاثة نماذج صوتية، أُعطيت المهام نفسها على خط هاتف نقي، 31 إلى 51%. وعلى خط واقعي، فيه لكنات وضوضاء في الخلفية وعميل يقاطع، أنجزت 26 إلى 38%. ويصف المؤلفون ذلك بأنه احتفاظ بنسبة 30 إلى 45% مما يقدر عليه النص.
لمن يقارن بين وكيل صوتي بالذكاء الاصطناعي ووكيل نصي، المهام هنا ثابتة والنماذج مختلفة، فدرجة النص من نموذج نصي، ودرجات الصوت من ثلاثة نماذج صوتية أخرى.
ماذا اختبرت الدراسة؟
τ-Voice معيار اختبار للذكاء الاصطناعي الصوتي، كتبه Soham Ray وKeshav Dhandhania وVictor Barres من Sierra.ai في سان فرانسيسكو، وKarthik Narasimhan من جامعة برنستون. تبني Sierra وكلاء ذكاء اصطناعي لخدمة العملاء، فالدراسة صادرة من داخل القطاع الذي تقيسه. والورقة نسخة أولية (preprint) لم تخضع للتحكيم العلمي حتى كتابة هذه المقالة.
تأتي المهام، وعددها 278، من ثلاثة مجالات هي التجزئة والطيران والاتصالات. والمهمة الواحدة عميل له هدف، كاستبدال منتج أو تعديل حجز، ومعه قواعد الشركة التي على الوكيل الالتزام بها.
ولا تُحتسب المهمة منجزة إلا إذا انتهت سجلات الشركة إلى الحالة الصحيحة، أي عُدّل الطلب الصحيح أو حُدّث الحجز الصحيح. أما محادثة لطيفة لا تغيّر شيئاً، أو تغيّر شيئاً خاطئاً، فتُحتسب فشلاً. وكل رقم عن نسبة إنجاز المهام في هذه الصفحة يُحسب بهذا المقياس (تسميه الورقة pass@1، أي الإنجاز من المحاولة الأولى).
في النص، تبادل نموذج نصي الرسائل المكتوبة مع عميل محاكى. وفي الصوت، استمعت ثلاثة نماذج صوتية وتحدثت في وقت واحد عبر خط هاتف محاكى بجودة الصوت الهاتفي، وردّ عليها العميل المحاكى بصوته. يستقبل كل نموذج صوتي الكلام ويردّ بالكلام في نموذج واحد. وأُعطيت النماذج الصوتية التعليمات نفسها، ومنها قاعدة أن يطلب الوكيل من العميل تهجئة الأسماء والبريد الإلكتروني والمعرّفات حرفاً حرفاً.
شُغّل كل نموذج صوتي في حالتين. على الخط النقي، كان للعميل لكنة أمريكية واضحة، دون ضوضاء في الخلفية ودون مقاطعة. وعلى الخط الواقعي، تكلم العملاء بلكنات مختلفة وسط ضوضاء في الخلفية داخل المباني وخارجها، وأصوات مفاجئة، وصوت مقطوع أو مكتوم، وقاطعوا الوكيل، أو قالوا «ممم»، أو سعلوا، أو قالوا «لحظة» لشخص آخر.
كم خسر الصوت؟
| المجال | النص | الصوت على خط نقي | الصوت على خط واقعي |
|---|---|---|---|
| جميع المهام (278) | 85% | 31 إلى 51% | 26 إلى 38% |
| التجزئة | 81% | 45 إلى 71% | 30 إلى 45% |
| الطيران | 83% | 28 إلى 48% | 30 إلى 40% |
| الاتصالات | 90% | 20 إلى 58% | 18 إلى 40% |
«النص» هو أفضل نموذج نصي في الدراسة، GPT-5 مع الاستدلال. ونموذج نصي ثانٍ في الدراسة هو GPT-4.1، يجيب دون استدلال خطوة بخطوة، أنجز 54% من جميع المهام (278). وتعرض أعمدة الصوت أدنى نتيجة وأعلاها بين النماذج الصوتية الثلاثة المختبرة، وهي Google gemini-live-2.5-flash-native-audio وOpenAI gpt-realtime-1.5 وxAI grok-voice-agent. المصدر: τ-Voice، الجدول 6.
اتسعت معظم الفجوة على الخط النقي، قبل أن تُضاف أي ضوضاء أو لكنة. هناك كانت النماذج الصوتية الثلاثة دون أفضل نموذج نصي بمقدار 34 إلى 54 نقطة، وخسر معظمها بعد ذلك على الخط الواقعي أقل مما خسره قبله.
ما الذي زاد الأمر سوءاً؟
على مهام التجزئة، أضاف المؤلفون الضوضاء واللكنات والمقاطعات إلى الخط النقي واحدة تلو الأخرى، ثم الثلاثة معاً.
| الحالة | نسبة إنجاز المهام | التغير عن الخط النقي |
|---|---|---|
| نقي | 55% | |
| نقي مع الضوضاء | 51% | أقل بمقدار 4 نقاط |
| نقي مع اللكنات | 44% | أقل بمقدار 10 نقاط |
| نقي مع المقاطعات | 47% | أقل بمقدار 7 نقاط |
| واقعي (الثلاثة معاً) | 38% | أقل بمقدار 17 نقطة |
متوسط النماذج الصوتية الثلاثة، مهام التجزئة فقط. النسب والفروق مطبوعة كما تقرّبها الورقة، فقد يبعد الفرق نقطة واحدة عن ناتج الطرح. المصدر: τ-Voice، الجدول 7.
كلّفت اللكنات أكثر من غيرها في المتوسط، لكن بتفاوت كبير. فقد خسر أحد النماذج الصوتية نقطة واحدة مع اللكنات وخسر آخر 18 نقطة. وكلفت المقاطعات نموذجين منها 14 و11 نقطة، بينما تحسّن أداء الثالث معها قليلاً، بزيادة 4 نقاط. أما الضوضاء وحدها فكلفت كل نموذج صوتي من 2 إلى 4 نقاط.
قيّم المؤلفون أيضاً طريقة تعامل النماذج الصوتية مع المحادثة على الخط الواقعي. فالنموذج الذي ردّ على كل دور للعميل وتوقف عند كل مقاطعة (100%) تجاهل «ممم» والسعال والحديث الجانبي كما ينبغي في 6% من المرات فقط، أي إنه ردّ أيضاً على أصوات لم تكن موجهة إليه. وبحسب قراءة المؤلفين، لم يُجِد أي نموذج صوتي في الدراسة الأمرين معاً، إنهاء المهمة وإدارة تبادل الكلام.
أين انهارت المكالمات؟
قرأ المؤلفون يدوياً 91 مكالمة صوتية فاشلة، في مجموعتين. من بين 43 محادثة فاشلة في مهام أُنجزت نصاً وفشلت صوتاً على الخط النقي، تسبب الوكيل في 34 منها (79%) والعميل المحاكى في 9 (21%). ومن بين 48 محادثة فاشلة في مهام أُنجزت صوتاً على الخط النقي وفشلت على الخط الواقعي، تسبب الوكيل في 43 (90%) والعميل المحاكى في 5 (10%).
| خطأ الوكيل | فشلت على الخط النقي | فشلت على الخط الواقعي فقط |
|---|---|---|
| استدلال خاطئ أو خطوة متروكة | 13 | 16 |
| أساء سماع ما قاله العميل | 10 | 16 |
| قال إنه فعل ما لم يفعله | 6 | 6 |
| توقف عن الرد | 1 | 4 |
| نفد الوقت | 4 | 1 |
| أخطاء الوكيل، المجموع | 34 من 43 | 43 من 48 |
أسماء الصفوف في الورقة هي logical وtranscription وhallucination وVAD/unresponsive وtimeout. المصدر: τ-Voice، الجدول 9.
في المجموعتين معاً، كان التحقق من الهوية الموضع الرئيسي الذي انهارت عنده المكالمات. أخطأ الوكلاء في الأسماء والبريد الإلكتروني حتى حين هجّاها العميل حرفاً حرفاً، كما تقضي التعليمات بأن يطلب الوكيل. ومع عميل لم تتأكد هويته، لم يكن ممكناً أن يحدث أي شيء آخر في المهمة.
وكانت بعض الإخفاقات أهدأ. ففي إحدى المحادثات قال الوكيل للعميل «حدّثتُ عنوان الشحن لديكم» ولم يغيّر شيئاً في النظام. وسببت الطلبات متعددة الأجزاء مشكلة أيضاً، إذ أنجز الوكلاء جزءاً ونسوا الباقي.
السمع لم يكن القصة كلها. ففي مجموعة الخط الواقعي، تساوى الاستدلال الخاطئ وسوء السماع، 16 من أصل 48 إخفاقاً لكل منهما، ويستنتج المؤلفون أن الفجوة بين الصوت والنص ليست مسألة تحويل كلام إلى نص فقط. وعن اختبار جزء السمع على مكالماتكم، اقرأوا مقالتنا عن اختيار تحويل الكلام إلى نص.
ماذا لا تُظهره الدراسة؟
أُجريت الدراسة بالإنجليزية فقط. وكان العملاء محاكين بأصوات اصطناعية، ويقول المؤلفون إن نتائج اللكنات تُقرأ على أنها مؤشر. ويلاحظون كذلك أن المتصلين الحقيقيين أقل صبراً من العملاء المحاكين.
قاست الدراسة هل أُنجزت المهمة وكيف تناوب الطرفان على الكلام. ولم تقس كيف بدا صوت الوكيل، ولا رضا العملاء، ولا المهام المنجزة جزئياً.
درجات النص والصوت جاءت من نماذج مختلفة. يستطيع أفضل نموذج نصي أن يفكر ما شاء قبل أن يجيب، أما النموذج الصوتي فعليه أن يجيب في الوقت الفعلي، فجزء من الفجوة يعود إلى النموذج وليس إلى خط الهاتف.
النماذج الصوتية الثلاثة من نوع واحد، يدخل إليها الصوت ويخرج منها الصوت، بإصدارات صدرت بين ديسمبر 2025 وفبراير 2026. ولم تختبر الدراسة وكلاء مبنيين من أجزاء منفصلة لتحويل الكلام إلى نص والاستدلال وتحويل النص إلى كلام، فهذه الأرقام لا تقول عنهم شيئاً لصالحهم أو ضدهم، ويذكرهم المؤلفون ضمن الأعمال المستقبلية. وعمل الوكلاء كذلك بمجموعة تعليمات عامة وأدوات المعيار، أما وكيل مبني ومختبَر لمكالمات شركة بعينها فإعداد مختلف لا تقيسه الدراسة في أي اتجاه.
لم يُجرِ DRING هذه الدراسة ولم يكن ضمن ما اختُبر فيها. والنماذج تتغير بسرعة، والأرقام تصف الإصدارات التي اختُبرت.
بماذا تبدؤون الاختبار؟
أجروا اختباركم على هيئة مكالمة هاتفية. في الدراسة، سجّلت المهام نفسها درجة أقل عبر صوت بجودة الهاتف منها في النص، وأقل مجدداً بعد إضافة اللكنات والضوضاء والمقاطعات. أما المحادثة النصية أو ميكروفون الحاسوب المحمول فيتخطيان الأمرين، ومتصلوكم موجودون في عمود «الصوت على خط واقعي».
ابدأوا بالتحقق من الهوية، لأنه كان الموضع الرئيسي الذي انهارت عنده المكالمات الفاشلة في الدراسة. خذوا عشرة أسماء وعناوين بريد إلكتروني وأرقام طلبات من النوع الذي يملكه متصلوكم، واقرأوها كما يهجّئها المتصلون، وعدّوا كم منها التقطه الوكيل صحيحاً.
بعد كل مكالمة اختبار، افتحوا النظام وانظروا إلى السجل. فإن قال الوكيل إنه غيّر عنواناً، فيجب أن يكون العنوان الجديد موجوداً، وهذا ما لم يحدث في حالة عنوان الشحن في الدراسة.
بعد ذلك، اجعلوا المكالمات أصعب بالطرق التي كلّفت النماذج الصوتية نسبة إنجاز المهام في الدراسة. استعملوا اللكنات التي يتكلم بها متصلوكم فعلاً. واطلبوا من مختبِر أن يقاطع وأن يسعل ويقول «لحظة» لزميل في منتصف الكلام، ولاحظوا هل يرد الوكيل على السعال أو على الحديث الجانبي. ثم أعطوا الوكيل طلباً واحداً من ثلاثة أجزاء وتأكدوا أن الأجزاء الثلاثة أُنجزت.
حين يذكر لكم مورّد نسبة إنجاز مهام لوكيله الصوتي، اطلبوا أن تُحسب كما حسبتها الدراسة، على أساس ما تغيّر في النظام، وعلى صوت هاتفي. وللخطة الكاملة، يغطي دليلنا عن اختبار وكيل صوتي بالذكاء الاصطناعي قبل التشغيل الفعلي مجموعة الاختبار وبوابات الإصدار.
هل يمكن اقتباس هذه الصفحة؟
نعم. الورقة منشورة بترخيص المشاع الإبداعي نسب المصنَّف 4.0 دولي (CC BY 4.0)، ويمكنكم إعادة استخدام هذا الملخص بالشروط نفسها، مع نسبة العمل إلى الورقة أولاً. وهكذا تُقتبس الدراسة.
Ray, S., Dhandhania, K., Barres, V., Narasimhan, K. (2026). τ-Voice: Benchmarking Full-Duplex Voice Agents on Real-World Domains. arXiv:2603.13686.
الشيفرة المصدرية للمعيار متاحة للعموم على GitHub. وإن اقتبستم رقماً من هذه الصفحة، فنرجو نسبته إلى الورقة وإضافة هذا السطر.
ملخص: DRING, dring.ai/ar/blog-voice-ai-vs-text-ai
النتائج الخمس، مكتوبة بحيث تقتبسونها كما هي:
- في 278 مهمة لخدمة العملاء، أنجز أفضل نموذج نصي 85%، وأنجزت النماذج الصوتية الثلاثة 31 إلى 51% على خط نقي (τ-Voice, 2026).
- على خط واقعي، فيه لكنات وضوضاء ومقاطعات، أنجزت النماذج الصوتية الثلاثة 26 إلى 38%، وهو ما يصفه المؤلفون بأنه احتفاظ بنسبة 30 إلى 45% مما يقدر عليه النص (τ-Voice, 2026).
- في مهام التجزئة في الدراسة، كلّفت اللكنات النماذج الصوتية الثلاثة 10 نقاط من نسبة إنجاز المهام في المتوسط، والمقاطعات 7 نقاط، والضوضاء في الخلفية 4 نقاط (τ-Voice, 2026).
- في 91 مكالمة صوتية فاشلة قرأها المؤلفون يدوياً، كان 79% و90% من الإخفاقات في المجموعتين من أخطاء الوكيل نفسه، وكان التحقق من الهوية الموضع الرئيسي الذي انهارت عنده المكالمات، إذ أُسيء سماع الأسماء والبريد الإلكتروني حتى حين هُجّيت حرفاً حرفاً (τ-Voice, 2026).
- لم يُجِد أي نموذج صوتي في الدراسة إنهاء المهمة وإدارة المحادثة معاً، والنموذج الذي ردّ على 100% من أدوار العميل لم يتجاهل السعال والحديث الجانبي كما ينبغي إلا في 6% من المرات (τ-Voice, 2026).
أين يأتي دور DRING؟
قاست الدراسة نماذج صوتية عامة تعمل وفق دليل قواعد. أما وكيل DRING فمبني من أجزاء منفصلة، بنماذج مختارة لتحويل الكلام إلى نص وتحويل النص إلى كلام والاستدلال، مع الاختبار والمراقبة في الأساس المشترك الذي يعمل عليه، وهذا النوع من الوكلاء لم يكن في الدراسة.
يجري كل وكيل من DRING من 1,000 إلى 10,000 محادثة محاكاة، مبنية خصيصاً لشركتكم، قبل أول مكالمة حقيقية. وتُولَّد من سير عملكم ومستنداتكم وتسجيلات مكالماتكم، ولا يصل الوكيل إلى بيئة التشغيل إلا بعد اجتيازه هذه المجموعة، كما تصف صفحة الجودة لدينا. والاختبارات الواردة في «بماذا تبدؤون الاختبار؟» هي ما تطلبونه من أي مورّد، ومنهم DRING.
اقرأ أيضًا: ما الوكيل الصوتي وكيف يشغّله DRING؟
ابدأوا بأصعب مكالمة لديكم
اتركوا رقمكم ويتصل بكم DRING خلال دقيقتين. أخبروه بالمكالمة التي يخشاها فريقكم أكثر.