تكلفة وكيل صوتي بالذكاء الاصطناعي مع GPT-Live-1: ما الذي تدفعه فعلاً؟

بند الخمسة سنتات يخص طبقة الصوت

GPT-Live-1 نموذج صوتي يعمل بالازدواج الكامل. أي إنه يستطيع الاستماع أثناء التحدث، فيتمكن المتصل من المقاطعة أو التوقف أو تصحيح معلومة أو إبداء استجابة قصيرة من دون انتظار نهاية دور كلام محدد بصرامة.

هذا يغيّر بنية النظام. فالوكيل الصوتي التقليدي غالباً ما يربط بين تحويل الكلام إلى نص، ونموذج لغوي، ثم تحويل النص إلى كلام. وعلى التطبيق نقل المعلومات عند كل نقطة تسليم وتحديد ما ينبغي فعله عندما يتحدث الطرفان في الوقت نفسه.

أما GPT-Live-1 فيدير المحادثة المباشرة داخل طبقة صوتية واحدة. فهو يستمع ويتحدث ويتابع التوقيت، ثم يقرر متى يجب إحالة العمل الأعمق إلى واجهة خلفية. وقد تتولى هذه الواجهة التحقق من حجز، أو قراءة سجل حساب، أو استدعاء أداة، أو تحليل سياسة.

وقد فُصلت الواجهة الخلفية عن الصوت عن قصد. يمكن استخدام تفويض Responses، حيث يرسل GPT-Live-1 العمل إلى نموذج نصي من OpenAI تضبطه أنت، أو تفويض العميل، حيث يشغّل تطبيقك أي نموذج أو وكيل أو خدمة ثم يعيد النتيجة. وهكذا تظل التجربة الصوتية نفسها بينما تختار للمهمة عقلاً أقل تكلفة أو أعمق استدلالاً.

ويبقى الاتصال الهاتفي بنداً مستقلاً أيضاً. يمكن للمكالمة الواردة الوصول إلى GPT-Live-1 عبر وصلة SIP، وهي اتصال الإنترنت الذي يقدمه مزود الهاتف، أو عبر تطبيق يرحّل الصوت. تدير OpenAI جلسة Live، بينما يظل رقم الهاتف ونقل المكالمة لدى شركة الاتصالات.

هذا هو التغيير الكامل في معادلة الميزانية. لم يعد هذا المسار يتطلب تسعير التعرّف على الكلام وتوليد الصوت كمرحلتين منفصلتين من نماذج OpenAI، لكن لا بد من الفصل بوضوح بين ثلاثة سجلات للتكلفة.

ثلاثة بنود تحدد تكلفة وكيل صوتي بالذكاء الاصطناعي

المطب الأول هو الساعة. يتبع احتساب GPT-Live-1 الجلسة النشطة من بدايتها حتى إغلاقها. الصمت محسوب، وكذلك وقت انتظار الأداة، وكتم الميكروفون لا يوقف الفاتورة.

أما المطب الثاني فهو افتراض أن الواجهة الخلفية مجانية لأنها تعمل خلف المحادثة؛ وهي ليست كذلك. يبلغ السعر القياسي للسياق القصير لنموذج GPT-5.6 Luna مقدار $0.20 لكل مليون رمز إدخال و$1.20 لكل مليون رمز إخراج. أما GPT-5.6 Terra فسعره $2.00 و$12.00، وGPT-6 Astra بسعر $10.00 و$50.00. المقارنة الصحيحة ليست بين أقل أسعار الرموز، بل بين التركيبات التي تنجز المهمة بموثوقية، وبأقصر زمن إجمالي للمكالمة وأقل قدر من إعادة العمل.

مكالمة حجز تكشف الحساب الحقيقي

لنفترض مكالمة واردة مدتها 90 ثانية لحجز طاولة في مطعم. يقدم مثال التكلفة من OpenAI نقطة بداية واضحة:

• الصوت: 90 ثانية مقسومة على 60، ثم مضروبة في $0.05، فتساوي $0.075.
• الواجهة الخلفية: لنفترض أن إجمالي الاستخدام المقاس للنموذج والأدوات في هذا المثال يبلغ $0.02.
• المجموع الفرعي للصوت والواجهة الخلفية: $0.095.
• نقل الاتصال الهاتفي: أضف رسوم شركة الاتصالات لهذه المكالمة الفعلية.

إذن لا تبلغ تكلفة المكالمة $0.075، بل $0.095 إضافة إلى نقل الاتصال الهاتفي في هذا المثال. وإذا تأكد الحجز، فهذا هو الإنفاق التشغيلي المباشر على حجز واحد مكتمل. أما إذا فشل الوكيل واضطر موظف إلى إعادة العمل، فتبقى المكالمة الفاشلة ضمن البسط عند حساب تكلفة كل مهمة محلولة.

ولهذا يكون إبقاء بند شركة الاتصالات بصيغة رمزية أكثر صدقاً من إدخال سعر سوقي مختلق في الإجمالي. لا تحدد OpenAI هذا البند، لذا ينبغي أخذ رسوم النقل من فاتورة مزودك الفعلية.

ثمة تفاعل آخر داخل المعادلة: قد يستحق نموذج خلفي أسرع سعراً أعلى للرموز إذا أغلق جلسة Live في وقت أقصر. فاختصار دقيقة واحدة من مدة الجلسة المفتوحة يوفر $0.05 من رسوم الصوت. وقد ينتهي نموذج خلفي أرخص إلى تكلفة إجمالية أعلى إذا جعل المتصل يعيد التفاصيل، أو تأخر في انتظار الأدوات، أو أخفق في الحجز.

موقع هذه البنية ضمن مسار مكالمة حقيقي

يمكن لمشغّل مطعم وضع GPT-Live-1 على رقم وارد للحجوزات وحصر المهمة في نطاق ضيق. تتولى طبقة الصوت المحادثة، وتفحص واجهة خلفية منخفضة التكلفة الأوقات المتاحة وتجهز الحجز. ثم يؤكد التطبيق الموعد النهائي ويسجل الحجز ويمنع أي نتيجة متأخرة من حجز وقت غير صحيح.

ويستطيع مسؤول الدعم استخدام الواجهة الصوتية نفسها مع سياسات مختلفة للواجهة الخلفية. يمكن إحالة الاستعلامات المعتادة عن الطلبات إلى نموذج يراعي التكلفة، بينما تُحال الرسوم المتنازع عليها أو الاستثناءات من السياسة إلى نموذج أعمق أو إلى موظف. القيمة هنا ليست أن يؤدي نموذج صوتي واحد كل الأعمال، بل أن تختار تكلفة الاستدلال وفق المهمة مع الحفاظ على تجربة محادثة واحدة.

أما فريق المنتج الذي يستخدم حالياً سلسلة من تحويل الكلام إلى نص، ثم نموذج، ثم تحويل النص إلى كلام، فأمامه قرار مختلف. قد يزيل GPT-Live-1 شفرة التسليم بين المراحل ويسهّل إدارة تداخل الحديث، لكن جدوى الانتقال تعتمد على أن يعوض تحسن إنجاز المهام أو سهولة الصيانة تكلفة هذا العمل. وتظل مقارنة تكلفة وكلاء الصوت بالذكاء الاصطناعي مفيدة عندما يكون القرار بين البناء والشراء.

ويمكن لفريق تطبيق يعمل في المتصفح الاتصال عبر WebRTC والاستغناء تماماً عن بند مزود الهاتف، مع استمرار دفع تكلفة مدة Live وعمل الواجهة الخلفية. أما الوكلاء النصيون فقط، ومهام الدُفعات، والتطبيقات التي لا يحتاج فيها أحد إلى التحدث، فلا يشملها هذا الإصدار.

أصغر تجربة هاتفية مفيدة

يبدأ مسار SIP المباشر عندما يرسل مزودك مكالمة واردة إلى OpenAI، ثم يستقبل خطاف الويب لديك معرّف جلسة Live. وهذه هي الصيغة الموثقة لقبول الجلسة:

curl -X POST "https://api.openai.com/v1/live/sessions/$SESSION_ID/accept" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "session": {
      "type": "live",
      "model": "gpt-live-1",
      "instructions": "You are answering an inbound support call.",
      "audio": { "output": { "voice": "marin" } },
      "delegation": { "type": "client" }
    }
  }'

يبقى مفتاح API على واجهتك الخلفية الموثوقة. ويتفاوض SIP على تنسيق الصوت، لذا يُترك audio.format من دون تحديد. ويعني إعداد تفويض العميل أن تطبيقك هو المسؤول عن نموذج الواجهة الخلفية والأدوات والصلاحيات وسجلات الاستخدام.

بالنسبة إلى تجربة واردة لحجوزات المطعم، يظل العمل قصيراً بما يكفي لإبقاء القياس واضحاً.

ادعاء التعامل مع المقاطعة يحتاج إلى بياناتك

صُمم GPT-Live-1 للتعامل مع تداخل الكلام، لكن مثالاً وقت الإطلاق لا يُعد اتفاقية مستوى خدمة خاصة بعملك. يقول Andrew Hsu، الشريك المؤسس والرئيس التنفيذي للتقنية في Speak، إن التقييم المبكر لدى Speak خفّض المقاطعات أثناء فترات التوقف للتفكير بنحو 80% مقارنة بأنظمتها السابقة القائمة على تبادل الأدوار. هذه نتيجة تخص بيئة تعليم اللغات في Speak.

أما خط مطعم صاخب، أو متصل بالدعم يقرأ رقم طلب، أو مريض يتوقف قبل ذكر تاريخ، فهي حالات عمل مختلفة. ويؤثر كل من صياغة التعليمات، وبرنامج ترميز الهاتف، وتذبذب شبكة شركة الاتصالات، وزمن استجابة الأدوات، وعناصر التحكم في التشغيل لديك في تجربة المتصل. لذلك لا يوجد تحسن عام وصادق في المقاطعة أو زمن الاستجابة يمكن نسخه مباشرة إلى توقعاتك.

كما أن حالة الحافة في الإنتاج مهمة. عندما يقاطع المتصل الوكيل ويغيّر الموعد من الجمعة إلى الخميس، لا يؤدي التصحيح المنطوق تلقائياً إلى إلغاء عمل الواجهة الخلفية الخاص بالجمعة. على تطبيقك تعديل المهمة القديمة أو إلغاؤها، وتجاهل النتيجة المتأخرة، والتأكد من أن إعادة المحاولة لا تنشئ حجزاً ثانياً.

يدعم اتصال GPT-Live المباشر عبر SIP حالياً المكالمات الواردة. ولا تنشئ نقطة نهاية إنشاء جلسة Live مكالمة SIP صادرة، لذلك لا تزال الحملات الصادرة بحاجة إلى مسار شريك يملكه المزود. وعلى الفرق التي تحتاج إلى المكالمات الصادرة أولاً التحقق من هذا المسار قبل التخطيط للانتقال.

ما الذي ينبغي فعله يوم الاثنين؟

إذا كنت تدير طابوراً وارداً للحجوزات أو الدعم، فجهّز تجربة محدودة النطاق مع قياس كامل. ضع ثواني الصوت، واستخدام الواجهة الخلفية، ورسوم شركة الاتصالات، والمهام المكتملة، والتحويلات إلى الموظفين، وإخفاقات المقاطعة في سجل واحد. واختبر واجهة خلفية تراعي التكلفة في مقابل النموذج الأعمق الذي تظن أنك تحتاج إليه.

انتقل إلى النظام عندما تنخفض التكلفة الكاملة لكل مكالمة محلولة عن تكلفتها في تقنيتك الحالية، ويتمكن المتصلون من تصحيح الوكيل من دون توليد إجراءات قديمة. وانتظر إذا كان المكسب الوحيد هو عنوان $0.05، أو إذا لم يُحسم مسار شركة الاتصالات والمكالمات الصادرة. وتجاهل الإصدار في الأعمال النصية فقط، وفي التجارب الصوتية التي تحقق أهداف التكلفة والإنجاز بالفعل.

للمزيد من الشروح المباشرة حول التغييرات التي تؤثر فعلاً في معادلة التشغيل، اشترك في النشرة البريدية.