رونویسی خودکار تماس فارسی: چطور کار می‌کند و تا کجا می‌شود به آن تکیه کرد؟

ایده‌ی رونویسی خودکار تماس ساده است: کارشناس تماس را تمام می‌کند، سیستم صوت را به متن تبدیل می‌کند، و از دل آن متن یک سرنخ با نام و شماره و قدم بعدی ساخته می‌شود. کارشناس فقط نگاه می‌کند و تأیید. هیچ تایپی در کار نیست.

در عمل، بین این ایده و نتیجه‌ی قابل اتکا چند لایه‌ی فنی فاصله است که اگر آن‌ها را نشناسید، یا انتظار غیرواقعی می‌سازید یا زودتر از موعد ناامید می‌شوید. این مقاله همان لایه‌ها را باز می‌کند — و اگر می‌خواهید اول تصویر کلی‌تری از هوش مصنوعی در فروش داشته باشید، از آن‌جا شروع کنید. این‌جا به جزئیات می‌پردازیم: مسیر واقعی صوت تا فیلد، چیزهایی که دقت را خراب می‌کنند، معیار درست سنجش، و ملاحظه‌ای که نباید نادیده گرفته شود — اطلاع‌رسانی به طرف تماس.

مسیر واقعی: از صدا تا فیلد پرشده

چیزی که کاربر به‌صورت یک دکمه می‌بیند، در پشت صحنه پنج مرحله است:

1. ضبط. صوت از خط تلفن، نرم‌افزار تماس یا اپلیکیشن موبایل گرفته می‌شود. کیفیت همین‌جا تعیین می‌شود و بعدش دیگر قابل جبران نیست.
2. آماده‌سازی. فایل به فرمت و نرخ نمونه‌برداری مناسب تبدیل می‌شود، سکوت‌های طولانی حذف می‌شوند و اگر تماس دوکاناله ضبط شده باشد، صدای طرفین از هم جدا می‌ماند.
3. رونویسی. مدل گفتار به متن، فایل را به یک متن پیوسته یا قطعه‌قطعه با مهر زمانی تبدیل می‌کند.
4. پس‌پردازش. اعداد فارسی و لاتین یکدست می‌شوند، شماره‌ی موبایل از حالت خوانده‌شده («صفر نه یک دو…») به رقم تبدیل می‌شود و نشانه‌گذاری اضافه می‌شود.
5. استخراج ساخت‌یافته. مدل زبانی از متن، فیلدهای مشخص بیرون می‌کشد: نام، شماره، شرکت، موضوع، قدم بعدی و تاریخش.

مرحله‌ی پنجم همان جایی است که ارزش تجاری تولید می‌شود. متن خام تماس برای کسی مفید نیست؛ فیلدهای پرشده مفیدند. به همین دلیل مرحله‌ی دوم که همه نادیده‌اش می‌گیرند، اهمیت زیادی دارد: جداسازی کانال دو طرف تماس، دقت مرحله‌های بعد را به‌طور محسوس بالا می‌برد، چون مدل می‌داند کدام جمله را چه کسی گفته است.

چه چیزی دقت را تعیین می‌کند

کیفیت خط و ضبط

خط تلفن ثابت و موبایل، صدا را فشرده می‌کنند و بخشی از فرکانس‌ها را دور می‌ریزند. اگر روی این، ضبط با کیفیت پایین یا میکروفن بلندگوی گوشی هم اضافه شود، بخشی از اطلاعات اصلاً به مدل نمی‌رسد. آزمون ساده: خودتان فایل ضبط‌شده را گوش کنید. هر کلمه‌ای که شما نمی‌فهمید، مدل هم نخواهد فهمید.

لهجه و سرعت گفتار

فارسی معیار بهترین نتیجه را می‌دهد. لهجه‌های محلی، گفتار خیلی سریع، یا جمله‌های نیمه‌کاره‌ای که وسطش موضوع عوض می‌شود، خطا را بالا می‌برند. نکته‌ی مهم این است که خطا یکنواخت پخش نمی‌شود: معمولاً کلمه‌های پرکاربرد درست رونویسی می‌شوند و اسم خاص‌ها و اعداد اشتباه.

هم‌پوشانی صدا

وقتی دو نفر هم‌زمان حرف می‌زنند — که در مذاکره‌ی قیمت زیاد اتفاق می‌افتد — بخشی از گفتار یا حذف می‌شود یا درهم می‌آید. اگر تماس تک‌کاناله ضبط شده باشد، این مشکل جدی‌تر است. صدای پس‌زمینه‌ی دفتر و تلویزیون هم همین اثر را دارد.

اصطلاح تخصصی و اسم خاص

مدل نام محصولات شما، برند رقبا و اصطلاح‌های صنعتی را ندیده است. «پروفیل UPVC» یا نام یک شهرک صنعتی به‌راحتی به چیز دیگری تبدیل می‌شود. راه‌حل عملی این است که فهرست واژگان اختصاصی خودتان را به سیستم بدهید تا در پس‌پردازش اصلاح شوند. اکثر مشکلات این دسته با یک فهرست پنجاه‌کلمه‌ای حل می‌شود.

عدد، شماره و تاریخ

پرخطاترین بخش هر رونویسی فارسی همین است. شماره‌ی موبایلی که «نه‌صد و دوازده…» خوانده شده، مبلغی که «سی و پنج تومن» گفته شده و منظور سی و پنج میلیون بوده، و تاریخی که «پنج‌شنبه‌ی هفته‌ی بعد» است. برای این‌ها نباید به رونویسی خام تکیه کرد؛ باید قاعده‌ی پس‌پردازش نوشت و همیشه به کاربر نشان داد.

قاطی شدن فارسی و انگلیسی

جمله‌ی «فایل رو تو تلگرام براتون سند می‌کنم» برای مدل سخت‌تر از یک جمله‌ی کاملاً فارسی است. در فروش نرم‌افزار و صنایع فنی، این ترکیب زبان بسیار رایج است و در تست باید حتماً دیده شود.

معیار غلط و معیار درست

رایج‌ترین اشتباه در ارزیابی این است که متن رونویسی را با متن واقعی کلمه‌به‌کلمه مقایسه می‌کنند و درصد خطا را معیار می‌گیرند. این عدد برای مقایسه‌ی مدل‌ها مفید است، اما برای تصمیم کسب‌وکاری تقریباً بی‌ربط.

معیار	چه چیزی را می‌سنجد	برای فروش مفید است؟
دقت کلمه‌به‌کلمه	چند درصد کلمات دقیقاً درست رونویسی شده‌اند	نه — «می‌خوام» به‌جای «می‌خواهم» خطا شمرده می‌شود ولی هیچ ضرری ندارد
درستی شماره‌ی تماس	شماره‌ی استخراج‌شده قابل تماس است یا نه	بله — این یا درست است یا کل رکورد بی‌ارزش است
درستی نام و شرکت	آیا مخاطب قابل شناسایی است	بله
درستی قدم بعدی و تاریخ	آیا پیگیری در روز درست ثبت می‌شود	بله — مهم‌ترین فیلد
نرخ اصلاح کاربر	چند درصد پیش‌نویس‌ها بدون دست‌کاری تأیید می‌شوند	بله — معیار نهایی صرفه‌جویی

به بیان دیگر: متنی که ده درصد کلماتش غلط است ولی نام و شماره و قدم بعدی را درست داده، برای شما موفق است. متنی که یک درصد خطا دارد اما همان یک درصد در شماره‌ی موبایل افتاده، شکست است.

یک تست بیست‌تماسی که خودتان می‌توانید اجرا کنید

قبل از هر تصمیمی، این تست را روی صوت واقعی خودتان اجرا کنید. یک بعدازظهر وقت می‌برد:

1. بیست تماس ضبط‌شده‌ی واقعی انتخاب کنید که ترکیب نماینده‌ای باشد: چند تماس تمیز، چند تماس با سروصدا، دست‌کم دو تماس با لهجه، و دو تماس طولانی مذاکره.
2. برای هر تماس، خودتان چهار فیلد را دستی بنویسید: نام، شماره، موضوع، قدم بعدی و تاریخ. این می‌شود پاسخنامه.
3. همان بیست فایل را از سیستم رد کنید و خروجی را کنار پاسخنامه بگذارید.
4. برای هر فیلد بشمارید: درست، غلط، خالی. «خالی» را جدا بشمارید — فیلد خالی خیلی کم‌ضررتر از فیلد غلط است، چون کاربر می‌بیند و پر می‌کند.
5. یک عدد نهایی بسازید: از بیست تماس، در چندتا هر چهار فیلد بدون اصلاح درست بود؟

اگر این عدد بالای پانزده از بیست باشد، سیستم برای ثبت خودکار سرنخ آماده است. بین ده تا پانزده یعنی مفید است ولی به بازبینی نیاز دارد. زیر ده یعنی هنوز مشکل جای دیگری است — معمولاً کیفیت ضبط، نه مدل. همین تست را بعد از هر تغییر تکرار کنید تا بفهمید واقعاً بهتر شده یا نه.

اطلاع‌رسانی به طرف تماس

ضبط و پردازش مکالمه با آدم‌ها فقط یک تصمیم فنی نیست. حداقل‌هایی که هر تیمی باید رعایت کند:

• اطلاع بدهید. یک جمله در ابتدای تماس یا در پیام خوشامد کافی است: «این تماس برای بهبود کیفیت خدمات ضبط می‌شود.» پنهان‌کاری در این مورد هیچ سودی ندارد و ریسکش زیاد است.
• دسترسی را محدود کنید. فایل صوتی نباید برای هر کاربری در سیستم قابل شنیدن باشد. دسترسی به صوت با دسترسی به رکورد سرنخ فرق دارد.
• مدت نگهداری را تعریف کنید. اگر بعد از استخراج فیلدها به صوت نیاز ندارید، نگه‌داشتنش فقط ریسک است. یک سیاست مشخص بنویسید و اجرا کنید.
• درخواست حذف را جدی بگیرید. اگر مشتری خواست صوتش پاک شود، باید مسیر عملی برای این کار وجود داشته باشد.
• بپرسید صوت کجا پردازش می‌شود. موتورهای رونویسی فارسی معمولاً سرویس ابری‌اند و فایل از مرز رد می‌شود. در روکا هم همین است: مخاطب و فاکتور و رکوردها روی سرور داخل ایران می‌مانند و فقط خودِ فایل صوتی برای تبدیل به متن به سرویس OpenAI فرستاده می‌شود. شرحش در حریم خصوصی آمده و اگر نخواهید، لایه‌ی هوشمند کاملاً خاموش می‌شود.

قوانین و رویه‌های مربوط به ضبط مکالمه و داده‌ی شخصی تغییر می‌کند و به نوع کسب‌وکار شما هم بستگی دارد؛ برای وضعیت خودتان از مشاور حقوقی نظر بگیرید. آنچه در امنیت داده‌ی مشتری آمده، سوال‌هایی است که باید از فروشنده‌ی نرم‌افزار بپرسید.

از متن تا سرنخ ثبت‌شده

خروجی رونویسی هرگز نباید مستقیم در پایگاه داده نوشته شود. الگوی درست این است:

1. سیستم یک پیش‌نویس سرنخ می‌سازد با فیلدهای پرشده.
2. کنار هر فیلد، جمله‌ای از تماس که منبع آن بوده نشان داده می‌شود.
3. فیلدهایی که مدل مطمئن نبوده، خالی و علامت‌دار می‌مانند — نه پر از حدس.
4. کاربر با یک نگاه تأیید می‌کند یا اصلاح می‌کند. تازه بعد از تأیید، رکورد ساخته می‌شود.

این همان چیزی است که در ساخت سرنخ از صوت تماس پیاده شده و منطقش را در هوش مصنوعی و ورود داده کامل توضیح داده‌ایم. نکته‌ی مهم این است که تأیید انسانی هزینه نیست: چند ثانیه در برابر دو دقیقه تایپ.

کجا رونویسی جواب نمی‌دهد

واقع‌بین باشیم. سه موقعیتی که نباید رویش حساب کنید:

• تماس‌های خیلی کوتاه و بی‌محتوا. از یک تماس ده‌ثانیه‌ای که فقط «الان جلسه‌ام، بعداً زنگ بزنید» است، چیز زیادی درنمی‌آید. برای این‌ها ثبت سریع دستی منطقی‌تر است — نگاه کنید به مدیریت تماس‌های بی‌جواب.
• تصمیم‌های مالی. مبلغ نهایی، درصد تخفیف و شرایط پرداخت را نباید از رونویسی برداشت. این‌ها را دستی وارد کنید.
• قضاوت درباره‌ی کیفیت کار کارشناس. این کاربرد جدا و حساسی است که قواعد خودش را دارد و در تحلیل مکالمه‌ی فروش بررسی شده.

جمع‌بندی

رونویسی تماس فارسی امروز به جایی رسیده که برای ثبت خودکار سرنخ قابل استفاده است — به شرطی که با معیار درست بسنجیدش و خروجی‌اش را پیش‌نویس بدانید نه حقیقت. کیفیت ضبط را جدی بگیرید، فهرست واژگان خودتان را بدهید، و اعداد را همیشه به کاربر نشان دهید.

گام عملی: همان تست بیست‌تماسی را این هفته اجرا کنید. عددی که به دست می‌آورید، از هر ادعای فروشنده‌ای معتبرتر است. برای دیدن جایگاه این قابلیت در کل محصول، امکانات روکا را ببینید.