استارتاپ Rime از مدل صوتی Prism رونمایی کرد؛ مکالمه صوتی فوق‌سریع و طبیعی برای پشتیبانی سازمانی

معرفی

مدل Prism یک مدل هوش مصنوعی تبدیل گفتار به گفتار (s2s) ویژه عوامل صوتی سازمانی است که توسط استارتاپ Rime (آزمایشگاه Rime Labs) به رهبری لیلی کلیفورد، مدیرعامل این مجموعه، در تاریخ ۲۸ اکتبر ۲۰۲۶ رونمایی شد. استارتاپ Rime این محصول را «نخستین مدل گفتار به گفتار ترکیب‌پذیر» می‌نامد؛ سیستمی که صدای واقعی تماس‌گیرنده را تحلیل و درک می‌کند، پاسخ را در قالب متن می‌نویسد تا پیش از پخش توسط فیلترهای نظارتی و ایمنی ارزیابی شود و سپس هم‌زمان با شنیدن ادامه سخنان کاربر، پاسخ را با صدای طبیعی ادا می‌کند.

بیانیه رسمی: معرفی مدل Prism · صفحه محصول: rime.ai/prism · پست رونمایی: لیلی کلیفورد در شبکه اجتماعی X

بررسی جزئیات

نکات کلیدی

1. مشکلی که هدف قرار گرفته است: مدل‌های گفتار به گفتار آزمایشگاه‌های بزرگ فناوری، متن و صوت را در حین اجرا درهم می‌آمیزند، بنابراین امکان بازبینی یا تغییر جملاتی که عامل هوشمند قصد بیان آن‌ها را دارد وجود ندارد. در مقابل، سیستم‌های سنتی سه‌مرحله‌ای (تبدیل گفتار به متن، پردازش در مدل زبانی و تبدیل متن به گفتار) هرچند کنترل کاملی در اختیار می‌گذارند، اما لحن صدا، مکث‌ها، خنده‌ها و اصوات پس‌زمینه را از بین می‌برند.
2. نحوه عملکرد: یک مدل سرتاسری واحد که هم‌زمان گوش می‌دهد، جملاتی را که قصد ادای آن‌ها را دارد در قالب متن تولید می‌کند و در حین صحبت کردن نیز به شنیدن سخنان کاربر ادامه می‌دهد. این متن نقش یک ایستگاه بازرسی را ایفا می‌کند؛ به این معنا که تصمیم‌گیری بر اساس تحلیل صوت واقعی انجام می‌شود، قوانین سازمانی هر واژه را پیش از تبدیل به گفتار بررسی می‌کنند و صدای تولیدشده همچنان احساسات و لحن تماس‌گیرنده را منعکس می‌سازد.
3. قابلیت‌های تکمیلی در ایستگاه بازرسی: امکان بازنویسی متن برای برچسب‌های اقدام و محتوا، تنظیم آواشناسی برای تلفظ دقیق اسامی و اصطلاحات مربوط به حساب‌ها و همچنین مدیریت ابزارها برای جریان‌های کاری چندمرحله‌ای فراهم شده است. اجرای ابزارها به‌صورت موازی با پخش صدا انجام می‌شود.
4. سرعت پاسخ‌دهی: بر اساس اعلام رسمی، زمان پاسخ‌دهی این مدل حدود ۳۰۰ میلی‌ثانیه است و در بستر آزمایشی Artificial Analysis، مدت‌زمان تا دریافت اولین سیگنال صوتی ۰٫۵۷ ثانیه ثبت شده است؛ رقمی که حدود نصف زمان انتظار مدل‌های GPT-Live-1، GPT-Realtime-2.1 و Gemini 3.8 Live به شمار می‌رود.
5. دقت و کیفیت: کسب امتیاز ۵۶٫۶ در بنچمارک τ-Voice (شامل تماس‌های پشتیبانی مشتریان در حوزه‌های خطوط هوایی، خرده‌فروشی و مخابرات) بدون نیاز به گام استدلال جداگانه، که این مدل را بین ۱۷ تا ۳۰ امتیاز جلوتر از تمام مدل‌های آنی و بدون استدلال OpenAI و گوگل قرار می‌دهد. در بخش مخابرات، این مدل به امتیاز ۸۲٫۵ در برابر ۴۵٫۶ برای مدل GPT-Live-1 دست یافته است.
6. مالکیت و شخصی‌سازی: استارتاپ Rime اعلام کرده است که Prism اولین مدل گفتار به گفتار با قابلیت فاین‌تیون اختصاصی توسط کاربران به شمار می‌رود؛ از جمله با استفاده از یادگیری تقویتی روی داده‌های مکالمات اختصاصی سازمان‌ها. این مدل می‌تواند روی سرورهای داخلی سازمان، فضای ابری اختصاصی (VPC) یا سرویس‌های ابری عمومی اجرا شود. شرکت Dialpad نیز به‌عنوان همکار طراحی این پروژه حضور داشته است.

کاربردها

نحوه دسترسی و استفاده

1. ثبت‌نام در صفحه rime.ai/prism (بخش Try Prism for free). در پست معرفی اولیه، برای ۱۰۰ کاربر نخست یک ماه استفاده رایگان در نظر گرفته شده است.
2. اتصال مدل به زیرساخت عوامل صوتی سازمانی و تعیین قوانین نظارتی در ایستگاه بازرسی متنی، تا پیش از شنیده شدن پاسخ توسط کاربر، هر جمله به‌طور خودکار اعتبارسنجی شود.
3. برای محیط عملیاتی، فاین‌تیون مدل بر روی داده‌های مکالمات واقعی سازمان و سنجش عملکرد آن بر اساس شاخص‌های تجاری مانند نرخ حل مشکل یا تأیید سفارش‌ها توصیه می‌شود.

موارد استفاده ایدئال

• مراکز تماس و عوامل صوتی پشتیبانی از مشتریان
• فرایندهای دارای چارچوب‌های قانونی که نیازمند نظارت دقیق، سلب مسئولیت‌های الزامی و کنترل خط به خط کلمات اداشده هستند
• تیم‌هایی که مایل‌اند کنترل کامل مدل صوتی را در دست داشته باشند و آن را روی زیرساخت اختصاصی خود مستقر کنند

محصولات مرتبط

مدل‌های تبدیل متن به گفتار استارتاپ Rime شامل Coda (مدل پرچمدار) و Mist v3 (مدل دارای کمترین تاخیر) برای سیستم‌های چندمرحله‌ای سنتی طراحی شده‌اند.