تجربه عجیب تایپ صوتی با هوش مصنوعی؛ چرا حرف زدن با کامپیوتر هم لذت‌ بخش است هم خجالت‌آور؟

یک دهه پیش، شرکت گوگل ویژگی تایپ صوتی (Voice Typing) را با اپلیکیشن جی‌بورد (Gboard) در سیستم‌عامل اندروید معرفی کرد و یک سال بعد، این قابلیت جذاب با همان اپلیکیشن کیبورد وارد گوشی‌های آیفون شد. من در آن زمان هرگز توجه زیادی به آن نداشتم؛ مهم‌ترین دلیلش این بود که دقت لازم را نداشت.

به گزارش بخش اخبار فناوری زوم تک به نقل از دیجیتال ترندز، وعده بزرگ این فناوری، روشی کاملاً جدید برای تعامل با گوشی‌های هوشمند بود، اما هیچ‌گاه آن‌قدر خوب عمل نکرد که مرا از ضربه زدن روی صفحه‌کلید یا کشیدن انگشت (Swiping) روی کیبورد مجازی منصرف کند. حالا در سال ۲۰۲۶، من در حال صحبت کردن با کامپیوتر خود هستم. در واقع، تمام این مقاله به صورت صوتی دیکته شده و متن آن درون وردپرس کپی-پیست شده است.

اصلاحاتی که مجبور شدم به صورت دستی انجام دهم تنها شامل افزودن چند ویرگول، بستن چند جمله با نقطه و تبدیل چند نقطه گلوله‌ای (Bullet Point) به یک جمله منسجم بود. اگر بخواهم در قالب عدد بیان کنم، تنها ۲ درصد از تلاشی که برای نوشتن این مقاله صرف شد، مربوط به فشردن کلیدهای کیبورد برای اعمال همین تغییرات کوچک بود.

همین و بس! اما دوران ماه عسل این فناوری خیلی زود و با مواجهه با واقعیت‌های رفتار اجتماعی به پایان می‌رسد.

یک شروع شگفت‌انگیز؛ وقتی تایپ صوتی هوش مصنوعی غوغا می‌کند

من ابتدا پس از امتحان کردن ابزار Wispr Flow استفاده جدی از تایپ صوتی هوش مصنوعی را شروع کردم. این ابزار به طرز خیره‌کننده‌ای دقیق است. وقتی می‌گویم به طرز عجیبی دقیق، این حرف را به عنوان کسی می‌زنم که زبان مادری‌اش انگلیسی نیست و لهجه مشخص آمریکایی یا بریتانیایی هم ندارد. با این حال، هر بار که مقاله‌ای می‌نویسم، از میزان دقت و راحتی این تجربه شگفت‌زده می‌شوم.

این فناوری مرا به طرز باورنکردنی تنبل کرده و در عین حال، به شدت به بهره‌وری و سرعت تولید محتوا افزوده‌است.

من یک تحریریه خبری در حوزه فناوری را مدیریت می‌کنم و این یعنی سریع بودن، تنها راه دستیابی به پاداشی مانند رتبه‌بندی بالا و دیده شدن در نتایج جستجوی گوگل است. در واقع، این اولین درسی بود که وقتی روزنامه‌نگاری را در یکی از معتبرترین تحریریه‌های هند آغاز کردم، آموختم: «سرعت، اصل اساسی است.» این همان جمله‌ای بود که اولین سردبیرم می‌گفت و آن را در فرآیند کاری‌ام نهادینه کرد.

من همواره به این اصل وفادار بوده‌ام. اما از زمانی که استفاده از Wispr Flow را شروع کرده‌ام، از سرعت بالای نوشتن و انتشار اخبار فوری شگفت‌زده شده‌ام. دیشب توانستم متنی حدوداً ۵۰۰ کلمه‌ای را در کمتر از ۶ دقیقه بنویسم. اگر انگلیسی زبان مادری‌ام بود شاید می‌توانستم سریع‌تر هم عمل کنم، اما ۶ دقیقه طبق استانداردهای امروزی سرعتی فوق‌العاده بالا محسوب می‌شود.

این راحتی حیرت‌انگیز مرا فوق‌العاده تنبل هم کرده است. هر بار که مجبور می‌شوم برای انجام کاری که با دیکته صوتی ممکن نیست دست به کیبورد ببرم، احساس سختی شدید می‌کنم. با خودم فکر کردم شاید کیبورد جزیره‌ای (Chiclet) لپ‌تاپم جذابیت خود را از دست داده است.

برای آزمایش این فرضیه، یک کیبورد کم‌ارتفاع (Low-Profile) را امتحان کردم و سپس به سراغ یک کیبورد مکانیکی رفتم، به این امید که عشق به تایپ کردن را در من زنده کند. اما اشتباه می‌کردم؛ هیچ مشکلی در کیبوردها وجود نداشت. اگر قرار بود کارهای تایپی کوتاهی انجام دهم، قطعاً از صدای نرم و حس لمسی آن لذت می‌بردم. اما من به سادگی و بدون راه برگشت به دیکته کردن مقالاتم و نجوا کردن وظایف روزمره‌ام در تحریریه معتاد شده بودم.

تحقق یک پیش‌ بینی؛ آیا آینده رایانه‌ ها در صدای ماست؟

آیا این آینده دنیای رایانه و پردازش است؟ به نظر می‌رسد همین‌طور باشد. البته هنوز کامل نیست. تایپ صوتی همچنان بیشتر برای کارهایی مناسب است که در آن یا پیش‌نویس‌های طولانی می‌نویسید یا با استفاده از یک ایجنت هوش مصنوعی (AI Agent) مانند ChatGPT یا Gemini دستورات خود را پیاده می‌کنید. اهالی سیلیکون ولی کاملاً مجذوب این ایده شده‌اند و حتی اصطلاحی به نام Voice-Pilled (شیفته یا معتاد تایپ صوتی) را ایجاد کرده‌اند.

متأسفانه، من هم خودم را یکی از همین افراد شیفته و گرایش‌یافته به تعامل صوتی با کامپیوتر می‌دانم.

هر بار که با این معضل مواجه می‌شوم، به یکی از یادداشت‌های بیل گیتس در سال ۲۰۲۳ بازمی‌گردم. او دقیقاً یک سال پس از انتشار عمومی چت‌بات ChatGPT و شکل‌گیری انقلاب جدید رایانه‌ای نوشت: «دیگر نیازی نخواهد بود برای کارهای مختلف از برنامه‌های متفاوت استفاده کنید. شما به سادگی و با زبان روزمره به دستگاه خود می‌گویید که چه کاری می‌خواهید انجام دهید.»

در ماه مه سال گذشته، سم آلتمن (Sam Altman)، مدیرعامل شرکت OpenAI (سازنده ChatGPT)، در مصاحبه‌ای با شرکت سکویا (Sequoia)، پیش‌بینی هوشمندانه‌ای درباره «صدا» به عنوان مرز جدید تعامل انسان و کامپیوتر (HCI) مطرح کرد. او گفت:

«من فکر می‌کنم صدا فوق‌العاده مهم است. صراحتاً بگویم، ما هنوز محصول صوتی به اندازه کافی خوبی نساخته‌ایم. اما ایرادی ندارد؛ همان‌طور که ساخت یک مدل متنی خوب هم برای ما زمان‌بر بود. ما در نهایت این فرمول را کشف خواهیم کرد و وقتی این اتفاق بیفتد، فکر می‌کنم افراد زیادی تمایل خواهند داشت تا از تعامل صوتی بسیار بیشتر استفاده کنند.»

این حرف‌ها دقیقاً مصادف با زمانی بود که ابزار Wispr Flow تازه جلب توجه کرده بود. من اولین بار وقتی نسخه آیفون آن عرضه شد آن را جدی گرفتم و بعداً روی سیستم‌عامل مک نصب کردم. بله، محدودیت تایپ صوتی در حساب‌های رایگان کمی ناامیدکننده بود، بنابراین برای مدت کوتاهی اشتراک پولی آن را امتحان کردم.

در نهایت اشتراک را لغو کردم و به سراغ اپلیکیشن اندروید رفتم که به عنوان یک پیشنهاد محدود، تایپ صوتی نامحدود را ارائه می‌دهد. چند هفته پیش به سراغ ابزار Willow Voice رفتم که تقریباً به همان اندازه دقیق و کاملاً رایگان است؛ از آن زمان به بعد دیگر به عقب نگاه نکرده‌ام.

تضاد میان راحتی تکنولوژی و خجالت در رفتارهای اجتماعی

تایپ کردن همچنان خسته‌کننده به نظر می‌رسد و با وجود برخی غلط‌های املایی روی‌اعصاب به دلیل لهجه‌ام، باز هم می‌بینم که کلید Fn را طولانی فشار می‌دهم تا مقالاتم را روایت کنم، پیام‌های طولانی برای همکارانم بفرستم یا حتی صحبت‌های روزمره‌ام را با هوش مصنوعی کلود (Claude) برای پروژه‌های شخصی پیش ببرم.

این کار حس رهایی‌بخش دارد و در عین حال، هر بار که به کاری بازمی‌گردم که نیاز به کار دستی روی کیبورد دارد، مرا کلافه می‌کند.

این دقیقاً همان جایی است که اوضاع برای من کمی خجالت‌آور می‌شود. مهم نیست در یک فضای اداری کار می‌کنید یا از آن دست افرادی هستید که لپ‌تاپ خود را به کافه نزدیک خانه می‌برند تا کارهای روزانه را انجام دهند؛ اگر کسی باشید که به صفحه لپ‌تاپ خیره شده و برای مدت طولانی با خود حرف می‌زند، این رفتار کاملاً عجیب به نظر می‌رسد!

البته همه‌گیر شدن هندزفری‌های بی‌سیم اوضاع را کمی کمتر خجالت‌آور کرده است. هدفون‌های ایرپاد (AirPods) باعث شده‌اند دیدن افرادی که راه می‌روند و با خودشان صحبت می‌کنند به صحنه‌ای طبیعی تبدیل شود، در حالی که میکروفون روی هندزفری صدای آن‌ها را ضبط و منتقل می‌کند. اما صحبت کردن با یک انسان و صحبت کردن با یک کامپیوتر دو مقوله کاملاً متفاوت است.

وقتی با یک انسان صحبت می‌کنید، معمولاً حسی از صمیمیت، تواضع و از همه مهم‌تر، عواطف انسانی وجود دارد. وقتی با دوستی تلفنی صحبت می‌کنید، احساس ناراحتی نمی‌کنید. اگر در یک مکان عمومی به تلفن پاسخ دهید، صحبت کردن بدون نزدیک نگه داشتن گوشی به گوش به بخشی از زندگی طبیعی ما تبدیل شده است.

اما وقتی با یک رایانه صحبت می‌کنید، هیچ احساسی در کار نیست. صدای شما رباتیک می‌شود و از کلماتی استفاده می‌کنید که در حالت عادی هنگام صحبت با یک انسان به زبان نمی‌آورید. این‌ها صرفاً مجموعه‌ای از دستورات هستند، اما مدل‌های هوش مصنوعی امروزی آن‌قدر هوشمندند که آن جملات نامفهوم را به چیزی معنی‌دار تبدیل کرده و آن‌ها را به عنوان دستور اجرا می‌کنند.

هر بار که شروع به دیکته کردن یک مقاله یا پیام می‌کنم، خودآگاه و خجالت‌زده می‌شوم. «چرا این فرد ناگهان درباره خارج شدن مدل هوش مصنوعی آنتروپیک از کنترل و هک سرویس‌های ثالث صحبت می‌کند؟»، «چرا درباره رفع باگ بلوتوث توسط گوگل در گوشی‌های پیکسل حرف می‌زند؟»، «چرا این شخص به طور تصادفی و متناوب درباره رعایت قوانین طراحی رابط کاربری اپل صحبت می‌کند؟»

تمام موقعیت‌های بالا بخشی از شغل روزمره من هستند و من از انجام شغلم شرمسار نیستم، بلکه عاشق آن هستم. با این حال، هر بار که در یک فضای کار اشتراکی، کتابخانه یا کافه محلی از ورودی صوتی استفاده می‌کنم، می‌ترسم فرد کنار من چنین افکاری درباره من داشته باشد.

آیا زمان غلبه بر خجالت و پذیرش دنیای صوتی فرا رسیده است؟

بله، دنیا اهمیتی نمی‌دهد یا نمی‌داند من چه کسی هستم. یک غریبه هم نباید به کاری که من با کامپیوتر انجام می‌دهم توجه کند. اما هنجارهای اجتماعی و درک انسانی باعث می‌شود هر بار که شروع به صحبت با کامپیوترم می‌کنم، احساس ناراحتی داشته باشم.

الان ساعت ۱۲:۴۲ نیمه‌شب است. من این مقاله را با استفاده از Willow Voice دیکته می‌کنم و همچنان نگرانم که همسایه طبقه بالا یا آپارتمان مجاور بشنود که من در منتهاالیه شب به طور تصادفی درباره تایپ صوتی صحبت می‌کنم! با این حال من از این مزیت و اینکه توانسته‌ام پیش‌نویس این مقاله را در کمتر از ۱۵ دقیقه آماده کنم لذت می‌برم.

اما همچنان هر بار که این ابزارهای تایپ صوتی مبتنی بر هوش مصنوعی فوق‌العاده دقیق و کارآمد را در رایانه‌ام فرا می‌خوانم، حس ناراحتی دارم. می‌ترسم تنها زمانی به آن عادت کنم که تمام دنیا در مشاغل خود شیفته و تسلیم تایپ صوتی شده باشند. در حال حاضر، صحبت‌هایم با کامپیوتر را به آپارتمان‌های دنج و با پنجره‌های بسته محدود خواهم کرد!