تقریباً 12 سال از اکران فیلم Her می‌گذرد. در این فیلم شخصیت اصلی با دستیار دیجیتال صوتی‌اش رابطه عاطفی برقرار می‌کند. اکنون بیش‌ازپیش به آنچه در آن فیلم دیده‌ایم، نزدیک شده‌ایم. مدل هوش مصنوعی مکالمه‌محور جدید استارتاپ Sesame می‌تواند با شما صحبت کند و صدای آن بسیار شبیه انسان است، حتی جاهایی تپق می‌زند تا طبیعی به نظر برسد.
براساس گزارش Ars Technica، شرکت Sesame نسخه آزمایشی «مدل گفتاری مکالمه‌محور» (CSM) خود را منتشر کرده است. در این مدل صدای هوش مصنوعی احساسات مختلف مانند ناراحتی و عصبانیت را به‌خوبی تقلید می‌کند. این مدل دستیار صوتی مرد یا زن به نام‌های «مایلز» و «مایا» دارد. مدل CSM از ادغام 2 مدل هوش مصنوعی بر پایه معماری Llama متا ساخته شده تا بتواند صدایی واقع‌گرایانه ایجاد کند. Sesame مدل خود را تقریباً با یک‌میلیون ساعت صدای ضبط‌شده عمدتاً انگلیسی آموزش داده است.
عملکرد تحسین‌برانگیز هوش مصنوعی مکالمه‌محور Sesame
کسانی که هوش مصنوعی جدید Sesame را امتحان کرده‌اند، از شدت واقعی بودن صدای این مدل شگفت‌زده شده‌اند. به گفته کاربران، صدای این مدل رسا و پویا است و نفس‌کشیدن را تقلید می‌کند، قهقهه می‌زند، بین جملاتش وقفه می‌اندازد و حتی گاهی تپق می‌زند و کلمات را عمداً اشتباه می‌گوید و سپس آنها را اصلاح می‌کند. در ویدیوی پایین نمونه‌ای از مکالمه انسان با هوش مصنوعی را می‌بینید که شاید تشخیص صداها از یکدیگر دشوار باشد:
Sesame می‌گوید هدف آنها در این مدل ارائه تجربه زنده صوتی با مدل هوش مصنوعی است تا تعاملات گفتاری واقعی، قابل درک و ارزشمند باشد. البته در برخی موارد این مدل بیش‌ازحد تلاش می‌کند تا شبیه انسان واقعی به نظر برسد. در دمویی که ویدیوی آن در ردیت منتشر شده، مدل هوش مصنوعی هوس خوردن کره بادام‌زمینی می‌کند:
برخی کاربران نیز مدل صوتی Sesame را با حالت صوتی پیشرفته OpenAI مقایسه کرده‌اند و می‌گویند Sesame صداهای واقعی‌تری دارد؛ این مدل جدید حتی می‌تواند عصبانی هم بشود اما مدل ChatGPT از این کار امتناع می‌کند.
می‌توانید نسخه دموی این هوش مصنوعی را در وب‌سایت Sesame امتحان کنید.
