OpenAI تطلق GPT-Live: وضع صوتي جديد في ChatGPT

الوضع الصوتي القديم كان يفرض عليك انتظار دورك: تصمت لحظة لتلتقط فكرتك فيندفع بالكلام فوقك، أو تُنهي جملتك فيجلس صامتاً ثانيتين. ذكاء النموذج لم يكن الحلقة الأضعف. الضعف كان في محادثة مقسّمة إلى أدوار يفصل بينها حكم آلي على الصمت.

في 8 يوليو 2026 أطلقت OpenAI نظاماً صوتياً باسم GPT-Live بنموذجين، GPT-Live-1 ونسخته الأخف GPT-Live-1 mini، حلّا محل «الوضع الصوتي المتقدّم» كتجربة افتراضية في ChatGPT، ببنية لا تتناوب: الإنصات فيها لا يتوقف لحظة النطق.

القرار الذي صار خماسياً ويُعاد عشرات المرات

كان القرار ثنائياً — أتكلّم أم أنتظر — فصار خماسياً يُعاد عشرات المرات في الثانية: أن يتكلّم، أو يواصل الإنصات، أو يصمت، أو يقاطع، أو يستدعي أداة وهو ما يزال يسمعك. هذا وصف OpenAI نقلته MarkTechPost. وعن سلوكه تقول الشركة إنه يقاطعك أقل، وينتظر صمتك لتفكّر، ويستجيب لطلب التمهّل، ويُصدر إشارات إنصات مثل «مم» و«فهمت»، وأنه يمكنك أن تعلو بصوتك فوق كلامه لتقاطعه.

وفوق حلقة القرار هذه يعمل تفويض غير متزامن: حين يلزم بحث أو استدلال أعمق، يُحال العمل إلى GPT-5.5 في الخلفية بينما يبقى الحوار حياً. ولخّص أتّي إليتي، مسؤول منتج ChatGPT الصوتي، الفكرة بأن هذه تحديداً طريقة تفاعل البشر: نُبقي الحديث مستمراً بينما نفكّر في الخلفية. أما GPT-5.6 فعائلة نصّية منفصلة لا صلة لها بالأمر. ولمن يوازن بين نماذج العمل اليومي، هناك جولة أوسع في أفضل أدوات البرمجة بالذكاء الاصطناعي 2026 ومتى تختار كلاً منها.

ولم يتأخر النقد: رصد BigGo في 9 يوليو 2026 شكاوى واسعة من كثرة عبارات الإنصات حتى صارت مقاطعة بذاتها، ومن تعذّر إيقافها كلياً.

كاشف نهاية الدور: الحلقة التي حُذفت من المسار

كشف نشاط الصوت يجيب عن سؤال لحظي واحد بتصنيف ثنائي: هل يوجد كلام في هذا الإطار؟ أما كاشف نهاية الدور فسؤاله أصعب: هل انتهى دور المتحدث؟ وهو قرار تسلسلي عبر الزمن، وكشف النشاط جزء لا غنى عنه يعمل بداخله. ومشكلة العتبات الثابتة أنها لا تُرضي أحداً: العتبة القصيرة تقطع المتحدث في تردده الطبيعي، والطويلة تُنتج توقفاً محرجاً بعد نهاية جملته. والافتراضي الموثّق في واجهة OpenAI 500 مللي ثانية صمتاً.

ما فعلته OpenAI أنها أزالت كاشف نهاية الدور من مسار الصوت كلياً، فصارت المحادثة تدفقاً مستمراً يدخل إلى النموذج ويخرج منه مباشرة. حذف خطوة النسخ ثانوي هنا؛ الأثر الحقيقي أن قرار التناوب انتقل إلى داخل النموذج. يلمس المستخدم ذلك حين يختفي التلعثم تحت الضغط. السبب بحسب مقال OpenAI الهندسي الذي نقلته StartupHub إعادةُ كتابة واجهة الوسائط ومنطق الاستدلال بلغة Go بدلاً من asyncio في بايثون، ثم بناء النقل على WebRTC مع مقاومة فقد الحزم وبروتوكول WARP الذي يختصر مصافحات الاتصال من ست جولات شبكية إلى واحدة. تختصر الشركة الحصيلة في رقم واحد: p95 للنظام الجديد صار يساوي p50 للقديم، وهو رقم نسبي لا مطلق. المفهوم نفسه سبق إليه نموذج Moshi البحثي المفتوح في 2024، لكن GPT-Live أوسع نشر استهلاكي له حتى الآن.

الفارق 205 مللي ثانية، والأهم ليس هذا الرقم

المرجع البشري الذي يُقاس عليه هو دراسة Stivers وزملائه في PNAS عام 2009 على 10 لغات، ووجدت أن متوسط الاستجابة البشرية 208 مللي ثانية من نهاية السؤال، وأن متوسطات اللغات كلها تقع في حدود 250 مللي ثانية صعوداً أو هبوطاً عن هذا المتوسط العام. أما OpenAI فلم تنشر رقماً شاملاً من طرف إلى طرف لـGPT-Live، والرقم المتداول «أقل من 300 مللي ثانية» لا سند رسمي له، فلا تبنِ عليه قراراً.

أبرز قياس مستقل على جهاز حقيقي نشره مختبر Agora في 10 يوليو 2026، بواقع 30 تجربة لكل حالة على آيفون 13 بكلام مسجّل وتسجيل بمسارين. جاء وسيط استجابة GPT-Live-1 نحو 1,100 مللي ثانية، وزمن التوقف عند المقاطعة نحو 1,400، مقابل 1,305 و900 للوضع المتقدّم، ونحو 5,000 للوضع القياسي. تحسّن الوسيط إذاً بـ205 مللي ثانية فقط، بل إن زمن التوقف عند المقاطعة تراجع: 1,400 مقابل 900 للوضع المتقدّم، وهو رقم يشدّ في عكس اتجاه ما تقوله الشركة عن سلاسة المقاطعة. ولوضع الأرقام في سياقها: Agora شركة اتصالات آنية، وازدهار هذا الحقل في مصلحتها.

تكشف السطور التالية من القياس ما هو أهم. تحت فقد حزم بنسبة 10%، تدهور GPT-Live بمقدار 314 مللي ثانية فقط مقابل 2,448 للوضع المتقدّم. أي أن قيمة النظام تظهر على شبكة رديئة أكثر مما تظهر في الوسيط على شبكة مثالية. والسقف التقني أبعد بكثير: Moshi يحقّق 160 مللي ثانية نظرياً و200 عملياً.

صوت إلى صوت أم سلسلة متتالية؟

ما زال الخيار المعماري الآخر واسع الانتشار، وهو سلسلة متتالية تنسخ الكلام نصاً، ثم تمرّره إلى نموذج لغوي، ثم تُركّب الرد صوتاً. تسوق Deepgram حجة تصمد بذاتها، مع أنها شركة نسخ كلام يخدمها هذا الطرح: غياب النص الوسيط يحرمك نقطة التنقيح والحجب قبل وصول المحتوى إلى النموذج، وهي نقطة إلزامية في القطاعات المنظّمة. والجدول أدناه يقارن بينهما على المحاور التي يستعملها مزوّدو النسخ أنفسهم.

ما يتغيّر	صوت إلى صوت مثل GPT-Live	سلسلة متتالية: نسخ ثم نموذج لغوي ثم تركيب كلام
كاشف نهاية الدور	أُزيل من مسار الصوت	قائم، ويُضبط دلالياً أو بعتبة صمت
المقاطعة	جزء من قرار النموذج	تُدار يدوياً: إلغاء الرد ثم قص الصوت المُرسَل
النبرة والتردد والإيقاع	محفوظة داخل النموذج	تُفقد عند حاجز النص
نص المحادثة	يلزمه مسار نسخ موازٍ، وقد يتباعد عن الصوت	نص دقيق مجاناً عند كل حدّ فاصل
المراقبة والتنقيح قبل النموذج	صعبان، لا أثر نصّي طبيعي	مباشرة
تبديل المكوّنات	مقيّد بمزوّد واحد	ممكن: نموذج أو صوت أو محرّك نسخ
الاستعمال الأنسب	محادثة طبيعية طويلة ومرافقة وتعلّم لغة	امتثال ومراكز اتصال ولغات ضعيفة الموارد

والحسم عملياً أبسط من الجدول. اسأل نفسك: هل تستغني عن نصٍّ دقيق قابل للتدقيق؟ هل بيئتك الصوتية مضبوطة؟ هل تتحمّل ميزانيتك تكلفة الرموز الصوتية؟ إجابة «لا» على أيٍّ منها ترجّح السلسلة المتتالية.

من يحصل على أي نموذج، وما تبدّل بعد 8 يوليو

عند الإطلاق كان GPT-Live-1 افتراضياً لخطط Go وPlus وPro، وGPT-Live-1 mini للمستوى المجاني، على iOS وأندرويد وChatGPT.com، دون تسعير جديد. والوضع المتقدّم لم يُلغَ: GPT-Live لا يدعم الفيديو ولا مشاركة الشاشة، والتبديل بينهما من الإعدادات ثم الصوت. ومستوى التفكير Instant متاح للجميع، أما Medium وHigh فللخطط المدفوعة دون المجانية.

ثم توسّع الطرح تباعاً: في 23 يوليو 2026 وصل إلى تطبيق سطح المكتب على macOS وويندوز، وفي 27 يوليو أُتيح عالمياً لخطط Edu وBusiness وEnterprise، وهي مساحات عمل لم تكن مشمولة يوم الإطلاق، وفي مطلع أغسطس 2026 أُضيف رفع الملفات والرجوع إلى «المشاريع» داخل الجلسة الصوتية.

وبطاقة النظام صريحة في حدودها: لا وصول واسع مستقل للأدوات ولا تنفيذ برمجي عند الإطلاق، وأداء أدنى من GPT-5.5 Thinking في عدة مقاييس ذكاء. وتفضيل المستخدمين له في 75.7% من المقارنات رقم داخلي تنشره OpenAI عن نفسها، ولم يراجعه طرف خارجي.

للمطوّرين: عائلة gpt-realtime وقص الصوت عند المقاطعة

GPT-Live يعمل داخل ChatGPT فقط حتى الآن. أعلنت OpenAI أنه سيصل إلى الواجهة البرمجية «قريباً»، وفتحت نموذج تسجيل، ولم يصدر إعلان توفّر عام حتى منتصف أغسطس 2026. المتاح اليوم عائلة أخرى: gpt-realtime-2.1 لوكلاء الصوت، وgpt-realtime-translate للترجمة، وgpt-live-transcribe للنسخ المتدفق. أما النقل فعبر WebRTC للمتصفح والهاتف، وWebSocket للخوادم، وSIP لوكلاء الهاتف. يُضبط كشف الدور عبر turn_detection بقيمة server_vad الافتراضية القائمة على الصمت، أو semantic_vad الدلالية، أو null لتعطيله، وعندها يرسل العميل input_audio_buffer.commit ثم response.create يدوياً.

ينسى المطوّرون نمطاً واحداً غالباً. عند المقاطعة، لا يكفي إلغاء الرد الجاري، لأن الصوت الذي أُرسل ولم يُشغَّل يبقى في السجل فيظنّ النموذج أنه قال ما لم يسمعه المستخدم. والحل إرسال conversation.item.truncate:

{
  "type": "conversation.item.truncate",
  "item_id": "msg_003",
  "content_index": 0,
  "audio_end_ms": 1840
}

والتكلفة بالدولار الأمريكي، وهي قابلة للتغيير: رمز واحد لكل 100 مللي ثانية من الصوت الداخل، ورمز لكل 50 مللي ثانية من الخارج، أي 600 رمز في الدقيقة إدخالاً و1,200 إخراجاً. وسعر gpt-realtime-2.1 لكل مليون رمز 32 دولاراً للصوت الداخل و64 للخارج، مقابل 0.40 دولار للداخل المخزَّن مؤقتاً — نحو 0.019 دولار لدقيقة من كلامك و0.077 دولار لدقيقة من كلام النموذج، وتنزل gpt-realtime-2.1-mini إلى 10 دولارات إدخالاً و20 إخراجاً.

والفخ أن المحادثة كاملة تُرسَل عند كل رد، فالأدوار المتأخرة أغلى من الأولى، والتخزين المؤقت للموجّه يُبطَل بأي تعديل في بداية السجل. لذلك يوصي التوثيق بحذف الرسائل القديمة أو تلخيصها وضبط retention_ratio دون 1.0 لتقليل إبطال التخزين المؤقت في الجلسات الطويلة. ومن أراد الصورة الأوسع لتوسّع OpenAI في الوكلاء المؤسسية، فتفصيلها في وكيل ChatGPT Work.

العربية خارج لغات الترجمة الثلاث عشرة

نموذج gpt-realtime-translate الرسمي يدعم 13 لغة إخراج — الإسبانية والبرتغالية والفرنسية واليابانية والروسية والصينية والألمانية والكورية والهندية والإندونيسية والفيتنامية والإيطالية والإنجليزية — مع كشف أكثر من 70 لغة إدخال. والعربية ليست ضمن لغات الإخراج، وهذه أهم حقيقة إقليمية في الإعلان كله.

وللترجمة قيود معلنة رسمياً: لا موجّهات مخصّصة ولا مسارد مصطلحات ولا أدلة نطق، وقد لا يترجم صوتاً هو أصلاً باللغة الهدف فتتقطّع التجربة، ويقع في أخطاء استبدال الأسماء والكيانات. في عرض OpenAI الصحفي، لاحظت TechCrunch أن الترجمة الحيّة إلى الهندية جاءت بلكنة أمريكية ثقيلة ونبرة كتابية. هذه القيود وحدها كافية لإخراج الترجمة الطبية والقانونية والدبلوماسية من نطاقه.

أما GPT-Live داخل ChatGPT فلم تنشر OpenAI قائمة لغات خاصة به ولا قياساً لأدائه بالعربية، لكنها أقرّت باحتمال لكنة غير أصلية أو فجوات طلاقة في بعض اللغات، فتوقّع نتائج أفضل بالفصحى وأقل استقراراً باللهجات.

قبل جلستك الأولى: سماعة، وغرفة هادئة، وسجل مقصوص

المكبّر الخارجي يعيد صوت النموذج إلى الميكروفون، فيقاطع نفسه ويخطئ في كشف الدور؛ أيّ سماعة تُنهي المشكلة. والغرفة الصاخبة أو الاجتماع متعدد المتحدثين يربكه لأن عزل الصوت مصمَّم لمتحدث واحد، وكبت الضجيج هو الأنسب حين يتعددون. وحين تصل إلى أرقام أو أكواد أو أسماء، اطلبها مكتوبة: الاستماع لا يسمح بإعادة القراءة، والطلاقة تخفي الهلوسة أكثر مما يخفيها النص. وصياغة الطلب تصنع فرقاً في المخرجات، صوتية كانت أو نصية، وتفصيلها في كيف تكتب أوامر فعّالة لنماذج الذكاء الاصطناعي مثل كلود.

واضبط إذن الميكروفون على «أثناء استخدام التطبيق» فقط. الجلسة المفتوحة قد تلتقط كلام من في الغرفة ممن لم يوافقوا، وفي الإمارات يقع تسجيل المحادثات الخاصة دون إذن تحت طائلة المادة 44 من المرسوم بقانون اتحادي رقم 34 لسنة 2021 في شأن مكافحة الشائعات والجرائم الإلكترونية، وفي السعودية يخضع التقاط التسجيلات ونشرها دون إذن لنظام مكافحة الجرائم المعلوماتية. إشارة عامة لا استشارة قانونية، لكنها تستحق الانتباه في المجالس والمكاتب المفتوحة.

ومن يبني برمجياً فوق هذه الواجهة يتعثّر عادةً في إهمال قص الصوت عند المقاطعة، فيبقى في السجل كلام لم يسمعه أحد وتتشوّه ذاكرة المحادثة، ثم في إطلاق جلسة بلا ضغط سياق، فتتضاعف الفاتورة مع طول الحوار.

التجربة الصوتية صارت أقرب إلى الكلام البشري، لكن النموذج خلفها ليس الأقوى في عائلته، والأثر النصّي الذي تخسره ثمنٌ هندسي حقيقي. أما العربية فحتى منتصف أغسطس 2026 لم تُقَس رسمياً: لا قائمة لغات معلنة لـGPT-Live تشملها، ولا مكان لها في مخرجات نموذج الترجمة.