SeedRealtime ووكيل الهاتف مزدوج الاتجاه: من الحوار الفوري إلى تنفيذ Android المحكوم

ما الذي يغيره SeedRealtime وSeeduplex لوكلاء الهاتف؟

في 9 أبريل 2026 قدم فريق ByteDance Seed إطار Seeduplex ضمن إعلان Seed عن نموذج كلام مزدوج الاتجاه. الفكرة الأساسية مهمة لكل من يبني وكيل هاتف: النموذج يستطيع الاستماع أثناء الكلام، بدلا من انتظار نهاية دور المستخدم ثم الرد. هذا يقرب التجربة من حديث بشري طبيعي، حيث يمكن للمستخدم أن يقاطع أو يصحح أو يضيف معلومة في اللحظة نفسها.

تعرض ByteDance أيضا SeedRealtime ضمن صفحة عائلة نماذج SeedRealtime، ما يجعل الاسم جزءا من مشهد النماذج الصوتية الفورية التي تهمنا كمطوري وكلاء هاتف. في FoneClaw نقرأ هذه الإصدارات كإشارة إلى اتجاه واضح: واجهة الهاتف القادمة ستصبح أكثر قدرة على فهم التردد، المقاطعة، الضوضاء، والتعديل أثناء الكلام.

مع ذلك، ما يهمنا كفريق يبني FoneClaw هو الجسر بين الحوار والفعل. نموذج يستطيع الكلام والاستماع في الوقت نفسه يلتقط النية بسرعة أكبر، لكنه لا يحول النية تلقائيا إلى إجراء آمن على Android. لذلك نرى SeedRealtime وSeeduplex كطبقة تفاعل قوية، بينما يحتاج وكيل الهاتف إلى طبقة تنفيذ محكومة تعالج الأذونات، الموافقة، الحالة، التحقق، والاسترداد. وللقارئ الذي يريد السياق الأوسع لتصميم الهاتف حول الصوت، يشرح مقال هاتف ذكاء اصطناعي يعتمد على الصوت أولاً: لماذا لا تختفي الأزرار والشاشة؟ لماذا يبقى الصوت بداية طبيعية مع استمرار الحاجة إلى أزرار وشاشة للمراجعة.

كيف يتعامل الصوت مزدوج الاتجاه مع الوقفات والضوضاء والمقاطعة؟

في الحوار الصوتي التقليدي، يعمل النظام غالبا بنمط نصف مزدوج: يسمع المستخدم، ينتظر نهاية الكلام، ثم يرد. هذا النمط يخلق لحظات جامدة: إذا صمت المستخدم للتفكير قد يظن النظام أن الدور انتهى، وإذا تكلم المستخدم أثناء الرد قد تضيع المقاطعة أو تتأخر. الصوت مزدوج الاتجاه يحاول حل هذه المشكلة بتدفق مستمر، حيث يستمر النموذج في الاستماع حتى أثناء إنتاج الرد.

تذكر Seed في إعلان Seeduplex تحسينات في الانتباه إلى كلام المستخدم أثناء رد النموذج، وقمع التداخل، واكتشاف نهاية الدور، والتعامل مع المقاطعات، كما تشير إلى طرح القدرات في Doubao. هذه النقاط مهمة لأن وكيل الهاتف يعيش في بيئة غير مثالية: مطبخ فيه ضوضاء، سيارة، مكتب مفتوح، طفل يتحدث بجانب المستخدم، أو مستخدم يغير رأيه أثناء نطق الأمر.

البحث الأكاديمي يناقش التحدي من زاوية أعمق. في ورقة كيف يجب أن تستمع النماذج أثناء الكلام؟ يظهر أن أنظمة full-duplex تحتاج قرارا هندسيا حول كيفية توجيه صوت المستخدم الذي يصل أثناء توليد النموذج. بعض الطرق تقوي الارتباط بما يقوله المستخدم الآن، وبعضها يحافظ على سياق الحوار بطريقة أكثر ثباتا. هذا توازن حقيقي بين الحساسية للمقاطعة والثبات أمام الضوضاء.

بالنسبة لوكيل هاتف، هذه الميكانيكا تحدد جودة الاستدعاء والتصحيح. إذا قال المستخدم “أرسل إلى خالد...” ثم قاطعه وقال “انتظر، إلى خلود”، يجب أن يفهم النظام أن المستلم تغير قبل تنفيذ أي خطوة. وإذا قال المستخدم “فعّل وضع الاجتماع” ثم أضاف “حتى الرابعة فقط”، يجب أن تبقى المعلومة الزمنية مرتبطة بالفعل نفسه. السرعة الصوتية وحدها لا تكفي؛ وقد ناقشنا هذه النقطة أيضا في نماذج 1000 TPS ووكلاء الهاتف: لماذا السرعة لا تكفي وحدها؟.

لماذا نفصل الحوار عن تنفيذ Android؟

نحن في FoneClaw نفصل بين مستويين: مستوى التفاعل ومستوى التنفيذ. مستوى التفاعل هو المكان الذي يعيش فيه SeedRealtime وSeeduplex وأي نموذج صوتي فوري: سماع، مقاطعة، توضيح، تصحيح، وفهم للنية. مستوى التنفيذ هو المكان الذي يتحول فيه الطلب إلى إجراء Android: فتح إعداد، تجهيز رسالة، بدء اتصال، تسليم ملاحة، أو تشغيل مسار مدعوم.

هذا الفصل ليس نظريا. عندما يقول المستخدم “أرسل الرسالة”، فالنموذج قد يفهم النية، لكن Android يحتاج معرفة التطبيق الافتراضي، المستلم، النص، حالة الشاشة، الأذونات، ووجود زر إرسال واضح. عندما يقول المستخدم “اضبط الهاتف للاجتماع”، فالنموذج يفهم السياق، لكن التنفيذ يحتاج معرفة إعداد Do Not Disturb، المدة، الموافقة، والتحقق من الحالة بعد التغيير.

إذا خلطنا الحوار بالتنفيذ، تتحول المقاطعة الطبيعية إلى خطر. قد يقول المستخدم “نعم” في سياق محادثة، لكن هذه الكلمة لا تصلح وحدها موافقة على إرسال أو حذف أو مشاركة. لذلك نبني في FoneClaw عقدا بين النية والفعل: الحوار يلتقط المطلوب، وطبقة التنفيذ تتحقق من الشروط، وتعرض القرار عند الأثر، ثم تنفذ المسار المدعوم. ومن يريد الأساس العام لهذه الطبقة يمكنه قراءة التحكم في الهاتف بواسطة وكيل ذكاء اصطناعي: كيف يعمل وكيل أندرويد بأمان؟.

عقد من سبع مراحل: من النية المنطوقة إلى نتيجة موثقة

أفضل طريقة لتحويل ذكاء صوتي full duplex إلى وكيل هاتف عملي هي عقد من سبع مراحل. الأولى هي الالتقاط: يسمع الوكيل الطلب والمقاطعات والتصحيحات. الثانية هي التوضيح: يطلب معلومة ناقصة قبل أن يتقدم في مسار له أثر. الثالثة هي التخطيط: يربط النية بقدرة Android أو أداة أو خدمة مدعومة.

المرحلة الرابعة هي الموافقة. هنا تظهر نتيجة مقترحة عندما يكون الفعل خارجيا أو مؤثرا: مستلم رسالة، نص، إعداد سيتغير، تطبيق سيُفتح، أو وجهة ستسلم إلى الخرائط. المرحلة الخامسة هي التنفيذ عبر أداة محكومة، لا عبر تخمين حر. المرحلة السادسة هي التحقق: هل تغير الإعداد؟ هل ظهرت المسودة؟ هل انتقل المستخدم إلى تطبيق الخرائط؟ هل اكتمل الاتصال أو بقي في شاشة تأكيد؟ المرحلة السابعة هي الاسترداد: إذا نقص إذن أو تغيرت الشاشة أو قاطع المستخدم، يعود الوكيل إلى حالة مفهومة.

1. التقاط النية والصوت والمقاطعة.
2. توضيح الجهة أو المدة أو التطبيق عند الغموض.
3. تخطيط مسار Android مدعوم.
4. عرض موافقة عندما يكون للفعل أثر.
5. تنفيذ الإجراء عبر أداة محكومة.
6. التحقق من النتيجة على الهاتف.
7. استرداد المسار عند فشل الإذن أو تغير الشاشة أو تعديل المستخدم.

هذا العقد يحافظ على قوة الصوت الفوري دون أن يحول كل عبارة إلى فعل مباشر. في FoneClaw نعامل الموافقة كجزء من تجربة المستخدم، لا كنافذة مزعجة. ولمن يريد تفاصيل أعمق حول لحظة الموافقة والسبب والنتيجة، يشرح مقال واجهة موافقة وكيل الذكاء الاصطناعي على الهاتف: الثقة والسبب والاسترداد كيف نصمم القرار قبل الأفعال المؤثرة.

كيف نبني طبقة التنفيذ الحالية في FoneClaw؟

طبقة FoneClaw الحالية تبدأ من منتج قابل للاستخدام على Android. وفق أحدث معلومات FoneClaw المتاحة حتى الآن، ركزنا في خط الأساس الحالي المتاح من FoneClaw على جعل المهمة قريبة وقابلة للاسترداد: مساعد عائم، استمرارية على الهاتف نفسه، استرداد أذونات، وإجراءات سريعة. هذه الإضافات تخدم الفكرة نفسها التي يبرزها عالم full-duplex: الحوار يصبح أسرع، لذلك يجب أن تصبح حالة التنفيذ أوضح.

حاليا يعمل FoneClaw مع نماذج مكوّنة وأدوات Android محكومة. SeedRealtime هنا مثال تقني خارجي على اتجاه التفاعل الصوتي، بينما طبقة التنفيذ في FoneClaw اليوم مبنية على تشغيل المستخدم للصوت أو الطلب، وسياق شاشة يرفقه المستخدم عند الحاجة، وأذونات Android، ونتائج مرئية. نحن نبني هذا المسار لأن الفعل على الهاتف يحتاج أكثر من فهم لغوي؛ يحتاج تحقق وسياسة ومراجعة.

في الاستخدام العملي، يستطيع FoneClaw العمل مع مسارات مدعومة مثل Do Not Disturb، الرسائل المرئية، الاتصال، الملاحة، وبعض إعدادات Android. عندما تكون الخطوة حساسة، تظهر المراجعة. عندما ينقص إذن، يظهر استرداد الإذن. عندما يحتاج الوكيل سياق الشاشة، يستخدم المستخدم إرفاقا مقصودا بدلا من مراقبة مستمرة. صفحة ميزات FoneClaw تعرض القدرات الحالية بلغة مستقرة، بما في ذلك 100+ أداة مدمجة ومسارات هاتف مدعومة.

وهنا تتضح العلاقة مع الوكلاء الصوتيين الفوريين. نموذج full-duplex قد يجعل الحوار أكثر طبيعية، لكن FoneClaw يضيف ما يحتاجه الهاتف بعد الحوار: ربط النية بالمهمة، إبقاء الحالة مرئية، طلب الموافقة، تنفيذ الأداة، والتحقق من النتيجة. للتعمق في مسار إرفاق الشاشة الحالية والمساعد العائم، يقدم مقال مساعد ذكاء اصطناعي عائم على Android: استخدام الشاشة الحالية بأمان شرحا مخصصا لطريقة مشاركة السياق المرئي عند الطلب.

سيناريوهات صوت فوري تحتاج ضوابط تنفيذ

السيناريو الأول هو الاجتماع. يقول المستخدم: “فعّل وضع عدم الإزعاج للاجتماع”، ثم يضيف أثناء رد الوكيل: “حتى الثالثة والنصف فقط”. نظام صوتي مزدوج الاتجاه يستطيع التقاط الإضافة أثناء الكلام. طبقة FoneClaw التنفيذية تربط ذلك بإعداد Do Not Disturb، تعرض المدة، تطلب الموافقة عند الحاجة، ثم تتحقق من الحالة بعد التفعيل.

السيناريو الثاني هو الرسائل. يبدأ المستخدم: “أرسل إلى سامي: سأصل بعد عشر دقائق”، ثم يقاطع: “اجعلها خمس عشرة دقيقة”. هنا يجب أن تتغير المسودة قبل الإرسال. الذكاء الصوتي الفوري يلتقط التصحيح، لكن الإرسال يحتاج مستلما واضحا، نصا كاملا، تطبيق رسائل افتراضيا، وزر إرسال مستقر. عندما تظهر شريحة اتصال أو مرفق أو جهة غامضة، تبقى المهمة مرئية كي يكمل المستخدم القرار.

السيناريو الثالث هو الاتصال أو الملاحة. قد يقول المستخدم: “اتصل بالعيادة”، ثم يضيف “بل افتح الطريق إليها”. الحوار يفهم التحول من اتصال إلى ملاحة، لكن التنفيذ يحتاج اختيار جهة أو موقع وتسليم المسار لتطبيق الخرائط المناسب. السيناريو الرابع هو مهمة طويلة تنقطع: المستخدم يبدأ إعدادا، يرفض إذنا، ثم يعود بعد دقيقة. وكيل الهاتف الجيد يحتفظ بسبب التوقف ويقترح استرداد المسار بدل إعادة الحوار من البداية.

هذه السيناريوهات توضح لماذا نرى full-duplex كتحسين هائل في الواجهة، لا بديلا عن طبقة التنفيذ. الصوت يجعل النية حية، والتنفيذ المحكوم يجعل النتيجة مسؤولة. عند جمع الاثنين بطريقة صحيحة، يصبح وكيل الهاتف أسرع وأكثر إنسانية وأكثر قابلية للفحص.

الخصوصية والطاقة وحدود السمع والبصر وما نبنيه بعد ذلك

الصوت الفوري يفتح أسئلة مهمة: متى يعمل الميكروفون؟ ما الإشارة التي تخبر المستخدم أن النظام يستمع؟ كيف نمنع الضوضاء الجانبية من تغيير المهمة؟ وما أثر المعالجة المستمرة في البطارية والحرارة؟ في FoneClaw نبدأ من تشغيل يطلبه المستخدم، وسياق شاشة يرفقه المستخدم عند الحاجة، لأن الوكيل العملي يجب أن يجعل لحظة جمع السياق مفهومة.

تذكر Seed في إعلان Seeduplex أن visual input والتفاعل المبادر ضمن اتجاهات العمل القادمة. وهذا مهم: السمع وحده لا يحل كل مشكلات الهاتف. معرفة ما يظهر على الشاشة، أين زر الموافقة، ما النص في المسودة، وما تغير بعد التنفيذ، كلها عناصر يحتاجها وكيل Android. في المقابل، يوضح بحث VideoFDB حول القياس الصوتي البصري مزدوج الاتجاه أن grounding الصوتي البصري المتدفق ما زال تحديا مستقلا، وأن الأنظمة قد لا تستفيد من المرئيات إلا عند وجود سؤال بصري صريح.

قائمة البناء التي نستخدمها واضحة: صوت سريع، حالة مهمة، سياق مرئي مقصود، أذونات قابلة للفهم، موافقة عند الأثر، تنفيذ عبر أداة محكومة، تحقق من النتيجة، واسترداد عند الفشل. أي نموذج real-time يمكن أن يصبح أقوى عندما يوضع داخل هذا العقد. وبهذا المعنى، دور FoneClaw هو تحويل الحوار الطبيعي إلى عمل هاتف مدعوم يراه المستخدم ويفهمه ويستطيع إيقافه.

الخطوة التالية في الصناعة ستكون الجمع بين نماذج تسمع وتتكلم بسلاسة، ووكلاء هاتف يعرفون كيف ينفذون داخل Android بحذر عملي. بالنسبة لنا في FoneClaw، هذا يعني تحسين الاستدعاء، السياق، الإذن، الموافقة، استرداد الفشل، وتكامل الأدوات، بحيث تخدم سرعة الصوت نتيجة موثوقة على الهاتف.