عندما طُلب من 172 شخصا التمييز بين الأصوات الحقيقية والأصوات المولدة بالذكاء الاصطناعي، أصابوا بنسبة 53.95% فقط من المرات، أي ما يفوق رمي العملة بقليل، بينما صنّف المشاركون أنفسهم الوجوه بشكل صحيح بنسبة 65.48% (Ivory وآخرون، Scientific Reports 2026، قيد النشر). وتخدع النسخ المستنسخة من أشخاص حقيقيين المستمعين حتى في ما يخص الهوية: فقد انخفضت دقة المطابقة من 86.98% للأصوات الطبيعية إلى 68.94% لأصوات التزييف العميق (Roswandowitz وآخرون، Communications Biology 2024). وعلى امتداد 1,212 مشاركا وثلاث مجموعات بيانات واسعة الاستخدام للتزييف العميق، بلغ متوسط دقة البشر 73% (Warren وآخرون، ACM CCS 2024)، ومع ذلك فإن الوادي الغريب الكلاسيكي، أي انخفاض الارتياح عندما يكون الشيء قريبا من البشر لكنه ليس بشريا تماما، لا يكاد يظهر في الكلام الاصطناعي وحده. جمعنا بيانات من PLOS One وScientific Reports وCommunications Biology وeNeuro وISCA Archive وFrontiers وACM CCS وi-Perception واستطلاعين صناعيين من عام 2026. وللاطلاع على معايير اختبارات الاستماع وراء تحويل النص إلى كلام الحديث، راجع إحصائيات طبيعية الكلام الاصطناعي ومقياس MOS لدينا، وبخصوص أخطاء درجة الصوت والنبر التي ما زالت تكشف الأصوات الاصطناعية، راجع إحصائيات أخطاء العروض الصوتية في تحويل النص إلى كلام العصبي لدينا.
أبرز النقاط
- صنّف المستمعون الأصوات الحقيقية والاصطناعية بشكل صحيح بنسبة 53.95%، مقابل 65.48% للوجوه (Ivory وآخرون، Scientific Reports 2026).
- لم تتتبع الثقة الدقة في حالة الأصوات: AUROC يساوي .48، حيث يعني .5 انعدام البصيرة (Ivory وآخرون، Scientific Reports 2026).
- وُصفت الأصوات المستنسخة بأنها بشرية بمعدل 0.70، والتسجيلات الحقيقية 0.72، وأصوات الذكاء الاصطناعي العادية 0.39 (Lavan وآخرون، PLOS One 2025).
- بلغ متوسط دقة البشر عبر ثلاث مجموعات بيانات للتزييف العميق 73% لدى 1,212 مشاركا (Warren وآخرون، ACM CCS 2024).
- انخفضت مطابقة الهوية من 86.98% للأصوات الطبيعية إلى 68.94% لأصوات التزييف العميق (Roswandowitz وآخرون، Communications Biology 2024).
- كلما كان صوت TTS أشبه بالبشر كان أكثر استحسانا في التقييم: r(203) = .48، p < .001 (Ross وCorley وLai، Speech Prosody 2024).
- قُيّمت التركيبات غير المتطابقة بين الوجه والصوت على أنها أكثر إثارة للغرابة من المتطابقة، t(47) = 6.042، p < 0.001 (Mitchell وآخرون، i-Perception 2011).
- رفع الصوت البشري درجة الإعجاب بشخصية افتراضية إلى 3.75 مقابل 2.99 مع صوت الروبوت (Choi وآخرون، IEEE ISMAR-Adjunct 2023).
- بعد معرفة أن التعليق الصوتي الذي سمعوه مولد بالذكاء الاصطناعي، شعر 25% من مستمعي الراديو بإيجابية أكبر و20% بإيجابية أقل (Crowd React Media 2026).
- رفع التعرف المسبق على الأمثلة الكشف عن التزييف العميق بنسبة 3.84% فقط في المتوسط (Mai وآخرون، PLOS ONE 2023).
- يقلق 67% من البالغين في الولايات المتحدة والمملكة المتحدة ومنطقة DACH من استنساخ أصواتهم (Malwarebytes 2026، استطلاع أجرته شركة موردة).
1. الكشف: كم مرة يميز المستمعون أصوات الذكاء الاصطناعي عن الأصوات البشرية
المسألة الجوهرية ليست أن الناس يفشلون، بل أن الفشل خاص بحاسة السمع. فالمشاركون أنفسهم الذين تفوقوا بسهولة على المصادفة في الوجوه سجلوا 53.95% في الأصوات (فاصل الثقة 95% = [52.64, 55.27]) في دراسة مسجلة مسبقا أجرتها Lancaster University واختبرت الحاستين جنبا إلى جنب (Ivory وآخرون، Scientific Reports، قيد النشر). ولم يكن التفوق في اكتشاف الوجوه المزيفة دليلا على التفوق في اكتشاف الأصوات المزيفة: إذ لم يجد المؤلفون قدرة عامة على الكشف تتجاوز الحواس.
يؤثر شكل المهمة في الأرقام أكثر مما تؤثر مهارة المستمع. فعندما شغّل باحثو UCL مقطعا واحدا في كل مرة، أصاب 529 مستمعا بنسبة 70.35%، أما عندما سُمع مقطع حقيقي ومقطع مزيف معا، فقد جرى التعرف على المقطع المزيف في 85.59% من المحاولات (Mai وآخرون، PLOS ONE 2023). وقلما تتيح الحياة الواقعية مقطعا للمقارنة. كما أن عمر مجموعة البيانات مهم: ففي دراسة University of Florida على 1,212 مشاركا تراوحت الدقة بين 65% في مجموعة Wavefake و81% في FakeAVCeleb.
| المقياس | القيمة | المصدر |
|---|---|---|
| الأصوات الحقيقية والاصطناعية المصنفة بشكل صحيح (172 مشاركا، 40 صوتا حقيقيا و40 صوتا اصطناعيا) | 53.95% (فاصل الثقة 95% = [52.64, 55.27]) | Ivory وآخرون، Scientific Reports 2026 (قيد النشر) |
| الوجوه الحقيقية والمولدة بالذكاء الاصطناعي المصنفة بشكل صحيح من المشاركين أنفسهم | 65.48% (فاصل الثقة 95% = [63.75, 67.21]) | Ivory وآخرون، Scientific Reports 2026 (قيد النشر) |
| التصنيفات الصحيحة عند الحكم على مقطع واحد في كل مرة (n = 529، الإنجليزية والماندرين) | 70.35% | Mai وآخرون، PLOS ONE 2023 |
| التعرف على التزييف العميق عند سماعه مع مقطع حقيقي (مهمة المقطعين) | 85.59% من المحاولات | Mai وآخرون، PLOS ONE 2023 |
| متوسط دقة البشر عبر ثلاث مجموعات بيانات للتزييف العميق (1,212 مشاركا) | 73% | Warren وآخرون، ACM CCS 2024 |
| متوسط الدقة في أصعب مجموعة بيانات (Wavefake) مقابل أسهلها (FakeAVCeleb) | 65% مقابل 81% | Warren وآخرون، ACM CCS 2024 |
| الأصوات المستنسخة بالذكاء الاصطناعي المحددة بشكل صحيح على أنها ذكاء اصطناعي (عينة من منصة Prolific من 604 مشاركين في دراستين) | نحو 60% | Barrington وCooper وFarid، Scientific Reports 2025 |
| حساسية المستمعين (d’) في التمييز بين أصوات الذكاء الاصطناعي العادية والأصوات البشرية مقابل التمييز بين الأصوات المستنسخة والأصوات البشرية (n = 50) | 2.93 مقابل 0.13 | Lavan وآخرون، PLOS One 2025 |
ملاحظة سياقية: مؤشر الحساسية d’ (دي برايم) هو درجة حساسية من نظرية كشف الإشارة، ويعني فيها الصفر أن المستمع لا يستطيع التمييز بين الفئتين إطلاقا. وقد جاء التزييف العميق في دراسة Mai وآخرون من خوارزميات قديمة نسبيا، كما يشير المؤلفون؛ وأحدث بيانات متاحة لمقارنة المقطع الواحد بالمقطعين هي: Mai وآخرون، PLOS ONE 2023.
2. الأصوات المستنسخة: عندما تمر النسخة على أنها الشخص نفسه
ما زال صوت الذكاء الاصطناعي العادي يبدو كمنتج. أما استنساخ شخص بعينه فلا يبدو كذلك، وهنا يستسلم السمع البشري. فقد بنى باحثو Queen Mary University of London أصواتهم المستنسخة من نحو 4 دقائق من التسجيلات لكل متحدث باستخدام أداة استنساخ تجارية، ووصف المستمعون تلك الأصوات المستنسخة بأنها بشرية بمعدل 0.70، مقابل 0.72 للتسجيلات الحقيقية (Lavan وآخرون، PLOS One 2025). وحكم المؤلفين دقيق: الأصوات المستنسخة تبدو حقيقية، لكنها ليست بعد ‘فائقة الواقعية’ كما يمكن أن تبدو وجوه الذكاء الاصطناعي أكثر واقعية من الحقيقية. أما مقدار الصوت الضئيل الذي يحتاجه الاستنساخ الآن فنتتبعه في إحصائيات طول الصوت المرجعي في الاستنساخ الصوتي بلا أمثلة مسبقة لدينا.
الهوية هي الاختبار الثاني، وتجتازه الأصوات المستنسخة في معظم الأحيان. ففي دراسة من UC Berkeley، حكم المشاركون بأن صوت الذكاء الاصطناعي له الهوية نفسها لنظيره الحقيقي بنسبة نحو 80% من المرات (Barrington وCooper وFarid، arXiv v2، المنشورة في Scientific Reports 2025). وفي دراسة تصوير دماغي من University of Zurich استخدمت جملا ألمانية من كلمتين (تضمنت المادة المحفزة في الدراسة ‘Er fällt’، أي ‘إنه يسقط’ بالألمانية)، انخفضت مطابقة الهوية من 86.98% للأصوات الطبيعية إلى 68.94% لأصوات التزييف العميق (Roswandowitz وآخرون، Communications Biology 2024).
| المقياس | القيمة | المصدر |
|---|---|---|
| حصة الأصوات الموصوفة بأنها ‘بشرية’: الأصوات المستنسخة مقابل التسجيلات البشرية الحقيقية مقابل أصوات الذكاء الاصطناعي العادية (التجربة 2، n = 50 بالغا بريطانيا) | 0.70 مقابل 0.72 مقابل 0.39 | Lavan وآخرون، PLOS One 2025 |
| متوسط تقييم الواقعية: أصوات الذكاء الاصطناعي العادية مقابل الأصوات المستنسخة مقابل التسجيلات البشرية الحقيقية | 47.4 مقابل 63.0 مقابل 63.8 | Lavan وآخرون، PLOS One 2025 |
| الصوت المستنسخ بالذكاء الاصطناعي الذي حُكم بأن له الهوية نفسها لمتحدثه الحقيقي | نحو 80% من المرات | Barrington وCooper وFarid، Scientific Reports 2025 |
| الارتباط بين مدة المقطع ودقة أحكام الطبيعية | معامل سبيرمان ρ = 0.245 | Barrington وCooper وFarid، Scientific Reports 2025 |
| دقة مطابقة الهوية: أزواج من الأصوات الطبيعية مقابل صوت مزيف مقترن بصوت طبيعي (n = 25) | 86.98% مقابل 68.94% | Roswandowitz وآخرون، Communications Biology 2024 |
| محاولات التزييف العميق: حالات الإغفال مقابل الإنذارات الكاذبة | 28.64% مقابل 29.86% | Roswandowitz وآخرون، Communications Biology 2024 |
ملاحظة سياقية: أجرى فريق Queen Mary ثلاث تجارب شارك في كل منها 50 مشاركا بريطانيا تتراوح أعمارهم بين 18 و65 عاما، جرى تجنيدهم عبر منصة Prolific. وفي دراسة زيورخ، يعني الإغفال أن الصوت المزيف قُبل على أنه المتحدث الحقيقي، وتعني الإنذار الكاذب أن هوية صحيحة قد رُفضت؛ وتقارب المعدلين يظهر أن المستمعين كانوا يخمنون في الاتجاهين بدلا من الميل إلى اتجاه واحد.
3. هل يوجد وادٍ غريب للأصوات؟
يتنبأ الوادي الغريب البصري بأن الارتياح ينخفض قبل أن يصبح الوجه الاصطناعي بشريا بالكامل. أما في الكلام الاصطناعي فتشير معظم البيانات في الاتجاه المعاكس: كلما اقترب الصوت من البشر كان أفضل. ففي دراسة Frontiers in Neurorobotics قيّم 95 بالغا صوتين اصطناعيين (IBM Watson والروبوت Sophia) وصوتا بشريا، وتنبأ ارتفاع الشبه البشري بانخفاض الغرابة المقلقة في كلا الصوتين الاصطناعيين. ووجد فريق من إدنبرة أن الشبه البشري والاستحسان كانا مرتبطين ارتباطا إيجابيا، r(203) = .48، p < .001، لكن لم يبلغ أي صوت TTS نسبة 50% من الشبه البشري، فلم تُختبر قمة المنحنى التي يفترض أن يقع فيها الوادي (Ross وCorley وLai، Speech Prosody 2024).
وحين يظهر الوادي فإنه ينشأ من الانحراف لا من الاصطناعية. فقد وجد Diel وLewis واديا غريبا صوتيا سببته الأصوات المشوهة والمرضية، وخلصا إلى أن ‘الأصوات الاصطناعية تفلت منه بنجاح’ (Computers in Human Behavior Reports 2024). وبالنسبة إلى من يختار صوتا بواسطة مولد أصوات بالذكاء الاصطناعي، فهذه قاعدة عملية: الأداء غير المعتاد أو المتكلف أو المتقطع أكثر مجازفة من الأداء الاصطناعي الصريح.
| المقياس | القيمة | المصدر |
|---|---|---|
| تقييم الشبه البشري: أكثر أصوات TTS شبها بالبشر (مدى مبالغ فيه لدرجة الصوت) مقابل التسجيل البشري (205 مستمعين) | 46.1 مقابل 71.5 | Ross وCorley وLai، Speech Prosody 2024 |
| تقييم الغرابة المقلقة: صوت TTS نفسه مقابل التسجيل البشري | 40.4 مقابل 28.9 | Ross وCorley وLai، Speech Prosody 2024 |
| الارتباط بين الشبه البشري والاستحسان | r(203) = .48، p < .001 | Ross وCorley وLai، Speech Prosody 2024 |
| الشبه البشري كمنبئ بالغرابة المقلقة في صوتين اصطناعيين (95 بالغا) | β = −0.64 وβ = −0.66، p < 0.001 | Kühne وFischer وZhou، Frontiers in Neurorobotics 2020 |
| الأصوات في دراسة الإعجاب مقابل الشبه البشري (25 مستمعا): أصوات ذكورية ألمانية من 5 مقاربات تركيب بالإضافة إلى ضابط بشري | 13 | Baird وآخرون، Interspeech 2018 |
| المشاركون في تجربتين حددتا وادٍ غريبا صوتيا في الأصوات المنحرفة | n = 50 وn = 35 | Diel وLewis، Computers in Human Behavior Reports 2024 |
| المشاركون في دراسة مساعد صوتي ارتفعت فيها الغرابة المقلقة بسبب المظهر الشبيه بالبشر | 34 | Zhao وChen وZhao، Human Factors and Ergonomics in Manufacturing 2026 |
| عدد مرات التعرض قبل ارتفاع الإعجاب بصوت بشري غير مألوف (جمل منطوقة، 238 طالبا جامعيا) | 8 | Mavromati وErdinch وPaterson، نسخة أولية في PsyArXiv 2025 |
ملاحظة سياقية: وجد Baird وآخرون أن الإعجاب ارتفع مع الشبه البشري، وهو عكس الوادي الغريب البصري (Interspeech 2018)؛ وهي أحدث بيانات متاحة لهذه المقارنة عبر أجيال التركيب، أما دراسة Kühne وآخرون فتعود إلى عام 2020. وفي دراسة المساعد الصوتي جاءت الغرابة المقلقة من المظهر الشبيه بالبشر لا من الصوت. واختبرت النسخة الأولية لـ Mavromati وزملائه أصواتا بشرية حقيقية: فالأصوات التي سُمعت مرتين أو خمس مرات حظيت بإعجاب أقل من الأصوات التي لم تُسمع قط، وهو شكل ‘U’ مقلوب يسميه المؤلفون وادٍ غريبا للأصوات ‘المألوفة غير المألوفة’.
4. عدم تطابق الوجه والصوت: حيث يظهر الوادي فعلا
إذا كانت الأصوات وحدها نادرا ما تقع في الوادي، فإن التركيبات تقع فيه. فقد أقرن الاختبار التأسيسي شكل روبوت أو شكلا بشريا بصوت متطابق أو غير متطابق، وقُيّم التركيبان غير المتطابقين على أنهما أكثر إثارة للغرابة من التركيبين المتطابقين، t(47) = 6.042، p < 0.001 (Mitchell وآخرون، i-Perception 2011). وكان الشكل البشري بصوت اصطناعي هو الأكثر إثارة للغرابة بين الحالات الأربع. ولا يزال الدرس التصميمي الذي استخلصه المؤلفون صالحا: طابق الواقعية البشرية للوجه مع الواقعية البشرية للصوت.
تظهر الأعمال الأحدث أن الصوت يهيمن عادة على الانطباع. ففي دراسة بالواقع الافتراضي، رفع الصوت البشري درجة الإعجاب بالشخصية والشعور بالأمان تجاهها، بينما لم يكن للمظهر نفسه تأثير معنوي في الإعجاب (Choi وآخرون، IEEE ISMAR-Adjunct 2023). ومع رأس الروبوت Furhat، غيّر إعداد الوجه والصوت دفء الانطباع الأول، لكن التأثير لم يعد معنويا بعد أن تفاعل المشاركون مع الروبوت (Huang وMoore، Frontiers in Robotics and AI 2024).
| المقياس | القيمة | المصدر |
|---|---|---|
| تقييم الغرابة المقلقة: شكل بشري بصوت اصطناعي مقابل شكل بشري بصوت بشري (48 مشاركا مولودين في الولايات المتحدة) | M = 0.19 مقابل M = −1.10 | Mitchell وآخرون، i-Perception 2011 |
| تقييم الغرابة المقلقة: شكل روبوت بصوت بشري مقابل شكل روبوت بصوت اصطناعي | M = −0.10 مقابل M = −0.60 | Mitchell وآخرون، i-Perception 2011 |
| التركيبات غير المتطابقة مقابل المتطابقة بين الوجه والصوت (اختبار t للعينات المترابطة) | t(47) = 6.042، p < 0.001 | Mitchell وآخرون، i-Perception 2011 |
| درجة الإعجاب بشخصية افتراضية: الصوت البشري مقابل صوت الروبوت (21 مشاركا) | 3.75 مقابل 2.99 | Choi وآخرون، IEEE ISMAR-Adjunct 2023 |
| الشبه البشري المدرك (التجسيم البشري) لشخصية افتراضية: الصوت البشري مقابل صوت الروبوت | 3.18 مقابل 2.58 | Choi وآخرون، IEEE ISMAR-Adjunct 2023 |
| دفء الانطباع الأول: إعدادات وجه وصوت طفولية مقابل شبيهة بالبالغين مقابل شبيهة بالروبوت (52 مشاركا، 156 عينة) | 3.37 مقابل 2.60 مقابل 2.06 | Huang وMoore، Frontiers in Robotics and AI 2024 |
| تأثير إعداد الوجه والصوت في الدفء قبل التفاعل | F(2,147) = 16.75، p < 0.001 | Huang وMoore، Frontiers in Robotics and AI 2024 |
ملاحظة سياقية: في دراسة Furhat وصف بعض المشاركين الإعداد الطفولي بأنه غير متطابق (‘صوت أكثر طفولة لكن مظهر أقل طفولة’). ووجدت تجربة 2x2 على عميل افتراضي أجراها Alimardani وآخرون (IVA 2024) أن عدم تطابق الصوت والمظهر غيّر التجسيم البشري المدرك لكنه لم يغير عدد مرات اتباع الناس لنصيحة العميل. ودراسة Mitchell وآخرون تعود إلى عام 2011؛ وهي أحدث بيانات متاحة لهذا التصميم تحديدا للوجه والصوت.
5. السمات الاجتماعية وتأثير الإفصاح
لا يكتفي المستمعون بالحكم على كون الصوت حقيقيا أم لا؛ بل يقرؤون فيه شخصية، وتُقرأ الأصوات الاصطناعية قراءة مختلفة. ففي تجارب السمات في Queen Mary، قُيّمت أصوات الذكاء الاصطناعي العادية بأنها أكثر هيمنة وأكثر جدارة بالثقة قليلا من الأصوات البشرية. ووجد فريق زيورخ العكس في أصوات التزييف العميق لديه، إذ قيّمها المشاركون بأنها ‘أقل طبيعية وأقل إعجابا وأقل جدارة بالثقة بشكل معنوي’ من الأصوات الطبيعية (Roswandowitz وآخرون، Communications Biology 2024). وجودة المثير هي ما يحدد اتجاه السمات.
وفي اختبار أعمى أقرب إلى الإعلام الحقيقي، لم تعد الجودة هي المشكلة وحل الإفصاح محلها. فبعد الكشف، شعر 48% من المستمعين الذين سمعوا التعليق الصوتي البشري بإيجابية أكبر، مقابل 25% ممن سمعوا صوت الذكاء الاصطناعي (Crowd React Media AI Voiceover Study 2026). وقبل أن يُخبَر أحد بأي شيء، حصل الصوتان على درجات متقاربة جدا. والأداء الرتيب نقطة ضعف أخرى: فقد انتقد نحو 68% من المستخدمين في حالة انعدام المشاعر نبرة صوت عميل محادثة (Cihodaru-Ștefanache وPodina، Frontiers in Psychology 2025).
| المقياس | القيمة | المصدر |
|---|---|---|
| تقييم الهيمنة: أصوات الذكاء الاصطناعي العادية مقابل الأصوات البشرية (n = 50) | 58.1 مقابل 40.4 (p < .001) | Lavan وآخرون، PLOS One 2025 |
| تقييم الجدارة بالثقة: أصوات الذكاء الاصطناعي العادية مقابل الأصوات البشرية | 57.9 مقابل 53.8 (p = .002) | Lavan وآخرون، PLOS One 2025 |
| الجاذبية الإجمالية للمقطع الأول: التعليق الصوتي بالذكاء الاصطناعي مقابل التعليق الصوتي البشري (1,326 مستمعا للراديو في الولايات المتحدة بين 18 و45 عاما) | 61% مقابل 60% | Crowd React Media AI Voiceover Study 2026 |
| التعليق الصوتي الموصوف بأنه ‘مضحك’: الصوت البشري مقابل صوت الذكاء الاصطناعي (الفجوة الوحيدة المعنوية) | 33% مقابل 26% | Crowd React Media AI Voiceover Study 2026 |
| بعد الكشف، مستمعو صوت الذكاء الاصطناعي: أكثر إيجابية مقابل أقل إيجابية | 25% مقابل 20% | Crowd React Media AI Voiceover Study 2026 |
| بعد الكشف، مستمعو الصوت البشري: أكثر إيجابية مقابل أقل إيجابية | 48% مقابل 4% | Crowd React Media AI Voiceover Study 2026 |
| المستخدمون في حالة انعدام المشاعر الذين انتقدوا نبرة صوت عميل المحادثة | نحو 68% | Cihodaru-Ștefanache وPodina، Frontiers in Psychology 2025 |
ملاحظة سياقية: فرزت مراجعة Frontiers in Psychology الدراسات حتى وصلت إلى 29 دراسة عن عملاء المحادثة المجسدين (شخصيات متحركة على الشاشة تتحدث مع المستخدمين) وقيّمت معظمها بأنها ضعيفة أو متوسطة من حيث الجودة المنهجية. وأجرى الاختبار الإذاعي قسم أبحاث السوق في Harker Bos Group، وتحقق من الدلالة باختبار z لنسبتين عند مستوى ثقة 95%؛ ولم يُخبَر المستمعون بأي صوت سمعوه إلا بعد أن قيّموه.
6. التدريب والثقة والدماغ المستمع
التدريب القصير بالكاد يفيد، ولا يعرف المستمعون متى يخطئون. في الأصوات، بلغت البصيرة ما وراء المعرفية المقاسة بمؤشر AUROC يساوي .48، أي أقل بقليل من .5 الذي يعني أن الثقة لا تحمل أي معلومة عن الدقة، مقارنة بـ .59 للوجوه في دراسة Lancaster نفسها (انظر القسم 1). أما التعرف المسبق على أمثلة من التزييف العميق فبالكاد يحرك الدقة (انظر الجدول). ووجد فريق University of Florida أن المستمعين عندما كانوا غير متأكدين مالوا إلى الاعتقاد بأن الصوت بشري (Warren وآخرون، ACM CCS 2024)، وهو التحيز نفسه الذي يعتمد عليه الاحتيال بالاستنساخ الصوتي؛ راجع إحصائيات احتيال العائلة بالاستنساخ الصوتي لدينا.
لكن الدماغ يسجل أكثر مما يبلغ عنه المستمع. فبعد جلسة تدريب مدتها 12 دقيقة، أظهر 30 متحدثا أصليا بالماندرين فروقا عصبية بين الكلام البشري وكلام الذكاء الاصطناعي عند نحو 55 و210 و455 ميلي ثانية، ومع ذلك لم يتحسن تمييزهم السلوكي تحسنا معنويا (Yang وآخرون، eNeuro 2026). وفي دراسة fMRI من زيورخ، تتبعت القشرة السمعية الفروق الصوتية بين أصوات التزييف العميق والأصوات الطبيعية، بينما كانت النواة المتكئة، وهي جزء من نظام المكافأة، أقل نشاطا عند مقارنة صوت مزيف بصوت طبيعي (Roswandowitz وآخرون، Communications Biology 2024).
| المقياس | القيمة | المصدر |
|---|---|---|
| البصيرة ما وراء المعرفية (AUROC) للأصوات مقابل الوجوه، حيث يعني .5 انعدام البصيرة | .48 مقابل .59 | Ivory وآخرون، Scientific Reports 2026 (قيد النشر) |
| مكسب الكشف من التعرف المسبق على أمثلة التزييف العميق | 3.84% في المتوسط | Mai وآخرون، PLOS ONE 2023 |
| الحساسية (d’) للكلام البشري قبل جلسة تدريب مدتها 12 دقيقة وبعدها (30 مشاركا) | 0.383 مقابل 0.536 | Yang وآخرون، eNeuro 2026 |
| الحساسية (d’) للأصوات المستنسخة بالذكاء الاصطناعي المضبوطة بدقة قبل التدريب نفسه وبعده | 0.266 مقابل 0.341 | Yang وآخرون، eNeuro 2026 |
| التأثير الرئيسي لجلسة التدريب في الحساسية | F(1,29) = 3.918، p = 0.057 | Yang وآخرون، eNeuro 2026 |
| زمن الاستجابة العصبية للتمييز بين الكلام البشري وكلام الذكاء الاصطناعي بعد التدريب | نحو 55 ms و210 ms و455 ms | Yang وآخرون، eNeuro 2026 |
| البالغون القلقون من استنساخ أصواتهم (1,500 بالغ في الولايات المتحدة والمملكة المتحدة والنمسا وألمانيا وسويسرا) | 67% | Malwarebytes AI Scams Report 2026 (استطلاع أجرته شركة موردة) |
| البالغون الذين تلقوا مكالمة بصوت مستنسخ لشخص يعرفونه خلال الأشهر الـ 12 الماضية | 16% | Malwarebytes AI Scams Report 2026 (استطلاع أجرته شركة موردة) |
ملاحظة سياقية: يقيس AUROC (المساحة تحت منحنى خصائص تشغيل المستقبل) هنا ما إذا كانت ثقة المستمع أعلى في الإجابات الصحيحة منها في الخاطئة. وقد جاءت جمل eNeuro من اختبار لإدراك الكلام بالماندرين، وصُنعت أصوات الذكاء الاصطناعي بنموذج استنساخ مفتوح المصدر. وأُجري استطلاع Malwarebytes عبر الإنترنت من 1 مارس إلى 17 مارس 2026 بواسطة مستشار أبحاث مستقل؛ وهو استطلاع أجرته شركة أمنية بنفسها، لذا ينبغي التعامل معه كسياق لا كقياس للإدراك.
الخلاصة: الوادي الغريب في الأصوات الاصطناعية بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| الأصوات الحقيقية والاصطناعية المصنفة بشكل صحيح | 53.95% | Ivory وآخرون، Scientific Reports 2026 (قيد النشر) |
| متوسط دقة البشر عبر ثلاث مجموعات بيانات للتزييف العميق (1,212 مشاركا) | 73% | Warren وآخرون، ACM CCS 2024 |
| متوسط الدقة في أصعب مجموعة بيانات للتزييف العميق مقابل أسهلها | 65% مقابل 81% | Warren وآخرون، ACM CCS 2024 |
| كشف التزييف العميق: مقطع واحد في كل مرة مقابل مقطع مع مقطع حقيقي | 70.35% مقابل 85.59% | Mai وآخرون، PLOS ONE 2023 |
| الصوت المستنسخ بالذكاء الاصطناعي الذي حُكم بأن له الهوية نفسها لمتحدثه الحقيقي | نحو 80% | Barrington وCooper وFarid، Scientific Reports 2025 |
| حصة الأصوات الموصوفة بأنها ‘بشرية’: الأصوات المستنسخة مقابل التسجيلات الحقيقية مقابل أصوات الذكاء الاصطناعي العادية | 0.70 مقابل 0.72 مقابل 0.39 | Lavan وآخرون، PLOS One 2025 |
| مطابقة الهوية: الأصوات الطبيعية مقابل التزييف العميق | 86.98% مقابل 68.94% | Roswandowitz وآخرون، Communications Biology 2024 |
| الارتباط بين الشبه البشري والاستحسان في أصوات TTS | r(203) = .48، p < .001 | Ross وCorley وLai، Speech Prosody 2024 |
| الشبه البشري: أكثر أصوات TTS شبها بالبشر مقابل التسجيل البشري | 46.1 مقابل 71.5 | Ross وCorley وLai، Speech Prosody 2024 |
| الغرابة المقلقة: أكثر أصوات TTS شبها بالبشر مقابل التسجيل البشري | 40.4 مقابل 28.9 | Ross وCorley وLai، Speech Prosody 2024 |
| الشبه البشري كمنبئ بالغرابة المقلقة في صوتين اصطناعيين | β = −0.64 وβ = −0.66 | Kühne وFischer وZhou، Frontiers in Neurorobotics 2020 |
| التركيبات غير المتطابقة مقابل المتطابقة بين الوجه والصوت | t(47) = 6.042، p < 0.001 | Mitchell وآخرون، i-Perception 2011 |
| الغرابة المقلقة: شكل بشري بصوت اصطناعي مقابل شكل بشري بصوت بشري | M = 0.19 مقابل M = −1.10 | Mitchell وآخرون، i-Perception 2011 |
| درجة الإعجاب بشخصية افتراضية: الصوت البشري مقابل صوت الروبوت | 3.75 مقابل 2.99 | Choi وآخرون، IEEE ISMAR-Adjunct 2023 |
| دفء الانطباع الأول: إعدادات طفولية مقابل شبيهة بالبالغين مقابل شبيهة بالروبوت | 3.37 مقابل 2.60 مقابل 2.06 | Huang وMoore، Frontiers in Robotics and AI 2024 |
| الجاذبية الإجمالية: التعليق الصوتي بالذكاء الاصطناعي مقابل التعليق الصوتي البشري | 61% مقابل 60% | Crowd React Media AI Voiceover Study 2026 |
| المستخدمون الذين انتقدوا نبرة صوت عميل محادثة خالٍ من المشاعر | نحو 68% | Cihodaru-Ștefanache وPodina، Frontiers in Psychology 2025 |
| تأثير جلسة تدريب مدتها 12 دقيقة في الحساسية لكلام الذكاء الاصطناعي | F(1,29) = 3.918، p = 0.057 | Yang وآخرون، eNeuro 2026 |
المنهجية والمصادر
- Ivory وMcGettigan وNuttall وNightingale، “Human Detection of AI-Generated Faces and Voices is Not Domain-General”، Scientific Reports 2026، قيد النشر، مستودع Lancaster University
- Lavan وآخرون، “Voice clones sound realistic but not (yet) hyperrealistic”، PLOS One 2025، PubMed Central
- Barrington وCooper وFarid، “People are poorly equipped to detect AI-powered voice clones”، Scientific Reports 2025، PubMed Central وarXiv v2
- Mai وBray وDavies وGriffin، “Warning: Humans cannot reliably detect speech deepfakes”، PLOS ONE 2023، PLOS ONE
- Warren وآخرون، “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”، ACM CCS 2024، ملف PDF من University of Florida
- Roswandowitz وآخرون، “Cortical-striatal brain network distinguishes deepfake from real speaker identity”، Communications Biology 2024، PubMed Central
- Yang وJiang وBai وNi وTeng، “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”، eNeuro 2026، PubMed Central
- Ross وCorley وLai، “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”، Speech Prosody 2024، ISCA Archive
- Kühne وFischer وZhou، “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”، Frontiers in Neurorobotics 2020، Frontiers
- Baird وآخرون، “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”، Interspeech 2018، ISCA Archive
- Diel وLewis، “Deviation from typical organic voices best explains a vocal uncanny valley”، Computers in Human Behavior Reports 2024، ScienceDirect
- Zhao وChen وZhao، “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”، Human Factors and Ergonomics in Manufacturing and Service Industries 2026، Wiley عبر DOI
- Mavromati وErdinch وPaterson، “The uncanny valley of familiarly unfamiliar voices”، نسخة أولية في PsyArXiv 2025، OSF
- Mitchell وآخرون، “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”، i-Perception 2011، PubMed Central
- Choi وKoilias وVolonte وKao وMousas، “Exploring the Appearance and Voice Mismatch of Virtual Characters”، IEEE ISMAR-Adjunct 2023، PDF
- Huang وMoore، “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”، Frontiers in Robotics and AI 2024، Frontiers
- Alimardani وde Roode وVaitonyte وLouwerse، “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”، IVA 2024، ACM عبر DOI
- Cihodaru-Ștefanache وPodina، “The uncanny valley effect in embodied conversational agents: a critical systematic review”، Frontiers in Psychology 2025، Frontiers
- Crowd React Media (Harker Bos Group)، AI Voiceover Study 2026، Crowd React Media، وتناولتها أيضا Radio Ink
- Malwarebytes، AI Scams Report 2026 (استطلاع أجرته شركة موردة على 1,500 بالغ)، Malwarebytes
- ملاحظة حول البيانات: دراسة Lancaster للوجه والصوت مقتبسة من النسخة المقبولة في مستودع الجامعة، لذا قد تتغير الأرقام قليلا في النسخة النهائية من المجلة. وتطبع دراسة الأصوات المستنسخة من UC Berkeley نسبها المئوية الرئيسية كصور في نسخة المجلة، لذلك أُخذ رقما نحو 80% ونحو 60% من نص arXiv v2 الذي يطابق الملخص المنشور. وتحرك خط الأساس في Queen Mary بين التجارب (إذ وصف المستمعون 81% من الأصوات البشرية بأنها ‘بشرية’ في التجربة 1a، و62% في التجربة 1b، و72% في التجربة 2)، ولذلك ينبغي مقارنة الأصوات المستنسخة بالأصوات البشرية داخل تجربة واحدة، لا عبر التجارب أبدا. ويقيس رقما 73% من دراستي UCL (2023) وUniversity of Florida (2024) مهمتين ومجموعتي بيانات مختلفتين، وليست إحداهما تكرارا للأخرى. ولم يجد الاختبار الإذاعي الأعمى فرقا معنويا إحصائيا في عدد مرات التعرف على الصوتين، وتظهر نسب التعرف الدقيقة في رسم بياني فقط. ولم يصل أي اختبار منشور هنا إلى أصوات TTS قُيّمت بأنها قريبة من الشبه البشري الكامل، لذا تبقى قمة منحنى الوادي الغريب الصوتي غير مختبرة. وقد تُركت درجات الطبيعية المرجعية (MOS وCMOS) عمدا لتغطيتها في استعراضنا الخاص بـ MOS.
آخر تحديث: 8 نوفمبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي عند نشر النسخة النهائية من دراسة Lancaster لكشف الوجه والصوت في Scientific Reports.