تصور کنید در یک جلسه کاری شلوغ هستید و بخشی از صحبت‌های همکارتان را از دست می‌دهید؛ حالا ساعت مچی شما می‌تواند دقیقاً همان لحظه، آنچه را که شنیده بازسازی یا خلاصه کند. اپل با معرفی Apple Watch 12، گجت‌های پوشیدنی را از ابزارهای ساده‌ی سلامت به دستیاران شناختی تبدیل کرده است که می‌توانند محیط اطراف را در لحظه پردازش کنند. این قابلیت که بخشی از مجموعه‌ی گسترده‌تری به نام Audio Intelligence است، به کاربران اجازه می‌دهد کلمات از دست رفته را بازیابی کنند یا کل بحث‌ها را بدون نیاز به یادداشت‌برداری دستی، مرور نمایند.
زمینه و بستر عرضه
این تحول در حالی رخ می‌دهد که هوش مصنوعی در گجت‌های پوشیدنی از ردیابی ساده‌ی سلامت به سمت پردازش فعال محیطی حرکت می‌کند. اپل این قابلیت‌ها را در رویداد سخت‌افزاری سپتامبر خود معرفی کرد؛ جایی که در کنار این ساعت، مدل‌های جدید آیفون (iPhone Duo)، دو مدل جدید اپل واچ و نسخه‌های ارتقایافته‌ی ایرپادز مدل پایه نیز رونمایی شدند.
همان‌طور که در تحلیل قبلی ما درباره‌ی Google Pixel Watch 5 و معیارهای سلامت مبتنی بر هوش مصنوعی اشاره کردیم، اپل اکنون مسیر خود را به سمت «کمک شناختی» تغییر داده است. دنیایی را تصور کنید که در آن ساعت شما به عنوان یک حافظه‌ی ثانویه عمل می‌کند و نویزهای یک دفتر شلوغ یا یک دورهمی خانوادگی را فیلتر می‌کند تا تنها نکات ضروری و کلیدی را برجسته سازد.
طبق اعلام اپل در بیانیه‌ی خبری ۱۰ سپتامبر ۲۰۲۶، مجموعه‌ی Audio Intelligence از سه مکانیزم اصلی تشکیل شده است:
جزئیات قابلیت‌ها
- Siri Recap: این قابلیت — که شبیه به یک دستیار است که در پایان جلسه یادداشت‌های کلیدی را به شما تحویل می‌دهد — خلاصه‌های کوتاهی از گفتگوهای زنده را ایجاد می‌کند. این خلاصه‌ها شامل یک عنوان و نکات مهم هستند که مستقیماً در اپلیکیشن سیری ذخیره می‌شوند. هدف این ویژگی ارائه یک «خلاصه» است و نه یک «متن پیاده‌شده‌ی» (Transcript) کامل از ضبط.
- Live Rewind: با دو بار فشار دادن تاج دیجیتال (Digital Crown)، کاربر می‌تواند ۱۵ ثانیه‌ی آخر یک گفتگوی فعال را بازیابی کند. این ویژگی به‌ویژه برای افرادی که با زبان خارجی صحبت می‌کنند یا دچار اختلالات شنوایی هستند، بسیار حیاتی است.
- Sound Recognition: شناسایی صداهای اضطراری مثل صدای آژیر، زنگ در یا گریه‌ی نوزاد و هشدار دادن به کاربر. اپل اشاره می‌کند که این قابلیت برای کاربران کم‌شنوا و کارکنانی که در خانه با هدفون کار می‌کنند، بسیار مفید است.
- یکپارچگی با Shazam: کاربران اکنون می‌توانند آهنگی را که در محیط‌هایی مانند فروشگاه می‌شنوند، مستقیماً از طریق این ویژگی‌های هوشمند شناسایی کنند.
برای جلوگیری از حواشی مربوط به حریم خصوصی، اپل از یک راهکار سخت‌افزاری اختصاصی استفاده کرده است. تراشه‌ی S11 دارای بخشی به نام «Secure Exclave» است؛ یک محیط ایزوله و اختصاصی در پردازنده که صوت را جدا از سیستم اصلی مدیریت می‌کند. بر اساس مستندات اپل، صوت خام در این محیط پردازش و بلافاصله حذف می‌شود؛ به این معنا که سیستم‌عامل، اپلیکیشن‌ها، کاربر و حتی خودِ شرکت اپل هرگز به فایل ضبط‌شده‌ی اصلی دسترسی ندارند.
علاوه بر این، شرکت تأکید می‌کند که خلاصه‌های سیری، نسخه‌ی کلمه به کلمه‌ی گفتگو نیستند. این هوش مصنوعی زاینده (Generative AI) — که مثل نویسنده‌ای است که متن طولانی را به چند جمله‌ی کلیدی تبدیل می‌کند — به‌گونه‌ای طراحی شده که داده‌های حساس مثل شماره‌های شناسایی دولتی یا جزئیات مالی را حذف کند و نام گوینده را ثبت نکند. این یعنی خلاصه مشخص می‌کند «چه چیزی» گفته شده است، اما نه اینکه «چه کسی» آن را گفته است، تا هویت گویندگان در گفتگو شناسایی نشود. این رویکرد در حالی است که برخی شرکت‌های دیگر، مانند Plaud، در طراحی ابزارهای صوتی خود امکان تغییر مدل‌های زبانی را به کاربر داده‌اند تا انعطاف‌پذیری بیشتری در پردازش متن ایجاد کنند.
در مورد قابلیت Live Rewind، اپل برای جلوگیری از ضبط‌های پنهانی و غیرقانونی، هشدارهای صوتی و بصری اضافه کرده است. ساعت هنگام فعال شدن این ویژگی، حتی در حالت بی‌صدا (Silent Mode) یک صدای زنگ (Chime) پخش کرده و انیمیشنی تمام‌صفحه نمایش می‌دهد تا اطرافیان مطلع شوند که این قابلیت فعال است.
پیامدهای حریم خصوصی و قانونی
این معماری فنی، یک فضای خاکستری قانونی پیچیده ایجاد می‌کند، به‌ویژه در مورد قوانین «رضایت دوطرفه» (Two-party consent). در بسیاری از حوزه‌های قضایی، ضبط گفتگو نیازمند آن است که تمام طرفین از ضبط شدن آگاه باشند. اما چون این دستگاه صوت را پردازش کرده و تنها یک خلاصه تحویل می‌دهد (و فایلی را ذخیره نمی‌کند)، ممکن است از تعریف سنتی «ضبط» گفتگو خارج شود.
با این حال، خروجی نهایی همچنان بازتولید بقایای کلمات گوینده است که می‌تواند در برخی قوانین به عنوان یک ضبط فریبکارانه تلقی شود. پرسش اصلی این است: آیا خلاصه‌های پردازش‌شده توسط ماشین از روی صوت خام، معادل یک «ضبط» محسوب می‌شوند یا خیر؟
برای کاربر عادی، این یک پیروزی بزرگ در زمینه‌ی دسترسی‌پذیری است. افرادی که حافظه‌ی کوتاه‌مدت ضعیفی دارند یا مشکل شنوایی دارند، اکنون ابزاری دارند که شکاف ارتباطی آن‌ها را در لحظه پر می‌کند و ساعت را از یک مرکز اعلان به یک پروتز شناختی تبدیل می‌کند.
دقت هوش مصنوعی و محدودیت‌ها
البته تکیه بر مدل‌های هوش مصنوعی، ریسک خطا را به همراه دارد. اگر گفتگوها با هم تداخل داشته باشند، صحبت‌ها نامفهوم باشند یا صدای پس‌زمینه زیاد باشد، احتمال توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد — یا تفسیر غلط بافتار گفتگو افزایش می‌یابد.
یک ضبط کلمه به کلمه، تمام تپق‌ها و کلمات اضافی را ثبت می‌کند. برای مثال، شخصی ممکن است بگوید: «خب، اوم، هفته پیش به همکارم می‌گفتم که، اه... می‌خواستم درخواست تمدید بدم برای، اوم، اسمش چی بود، اون پروژه‌ای که سه هفته پیش درباره‌اش حرف زدیم چون، می‌دونی، اوضاع زیاد خوب پیش نمی‌ره.»
در مقابل، Siri Recap این جمله را به این صورت فشرده می‌کند: «به همکار گفته شد که پروژه نیاز به تمدید دارد؛ اوضاع خوب نیست.» اگرچه این روش کارآمد است، اما خلاصه هوش مصنوعی تنها آنچه را که مدل «مهم» می‌پندارد استخراج می‌کند و احتمالاً ظرافت‌های معنایی و لحن گوینده را از بین می‌برد.
در نهایت، اپل روی رمزنگاری در سطح سخت‌افزار و «Secure Exclave» شرط بسته است تا حامیان حریم خصوصی را متقاعد کند. با انتقال پردازش به رایانش لبه (Edge Computing) — یعنی پردازش داده‌ها روی خودِ دستگاه به‌جای ارسال به سرورهای مرکزی — و استفاده از رمزنگاری سرتاسری (End-to-End) برای قطعات Live Rewind و خلاصه‌های سیری، اپل از کابوس ذخیره‌سازی ابری که معمولاً با هوش مصنوعی صوتی همراه است، فاصله گرفته است.
کاربران اکنون باید تنظیمات دستگاه خود در Control Center بررسی کنند تا Siri Recap را بر اساس سطح راحتی خود با شنود محیطی، فعال یا غیرفعال کنند.
گام بعدی شما
- اگر کاربر اپل واچ هستید، در بخش Control Center تنظیمات Siri Recap را بررسی کنید تا سطح دسترسی به میکروفون را مدیریت کنید.
- برای تست دقت خلاصه سازی، در جلسات کوتاه با موضوعات مشخص از این قابلیت استفاده کنید و خروجی را با واقعیت بسنجید.
- اگر در محیط‌های حساس کاری فعالیت می‌کنید، حتماً از همکاران خود درباره‌ی استفاده از ابزارهای کمک‌شنیداری اطلاع دهید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های سری S11 مراجعه کنید.
گفتگو