تحويل الكلام إلى نص (ASR)

ما هو تحويل الكلام إلى نص (ASR)؟

تحويل الكلام إلى نص (STT)، ويُعرف أيضًا بالتعرّف التلقائي على الكلام (ASR)، هو التقنية التي تحوّل اللغة المنطوقة إلى نص مكتوب في الوقت الفعلي. وفي خدمة العملاء القائمة على الذكاء الاصطناعي الصوتي، يمثّل ASR الخطوة الأولى في المسار: يتحدث العميل، فيحوّل ASR كلماته إلى نص، ثم يعالج وكيل الذكاء الاصطناعي النص لفهم القصد وصياغة الرد، وبعدها تحوّل تقنية تحويل النص إلى كلام الرد مجددًا إلى كلمات منطوقة.

وتستخدم أنظمة ASR الحديثة نماذج تعلّم عميق مدرّبة على ملايين الساعات من الكلام لتحقيق دقة عالية مع مختلف اللهجات واللغات والبيئات المزدحمة بالضوضاء.

كيف يعمل ASR في خدمة العملاء

عندما يتصل عميل بخط دعم يعمل بالذكاء الاصطناعي الصوتي، يقوم نظام ASR بما يلي:

1. التقاط البث الصوتي من المكالمة الهاتفية
2. تقسيم الصوت إلى مقاطع قابلة للمعالجة
3. تحويل كل مقطع إلى نص باستخدام نماذج الشبكات العصبية
4. تطبيق النماذج اللغوية لتحسين الدقة (مثل تصحيح "I need a re-fund" إلى "I need a refund")
5. تمرير النص المنسوخ إلى وكيل الذكاء الاصطناعي لـالتعرّف على القصد والمعالجة

وتجري هذه العملية بأكملها في الوقت الفعلي، إذ تستهدف الأنظمة الحديثة زمن انتقال أقل من 250 مللي ثانية للحفاظ على انسيابية المحادثة الطبيعية.

سياق السوق: بلغت قيمة سوق وكلاء الذكاء الاصطناعي الصوتي $3.5 مليار في عام 2025، ومن المتوقع أن تصل إلى $28.9 مليار بحلول عام 2033 (بمعدل نمو سنوي مركّب 30.1%). وتضاعفت عمليات نشر الوكلاء الصوتيين في الوقت الفعلي 4 مرات في عام 2025، فيما تجهّز مراكز الاتصال بنيتها التحتية لاستيعاب 39 مليار مكالمة بحلول عام 2029.

تحديات ASR ودقته

تحقق أنظمة ASR المؤسسية معدلات خطأ في التعرّف على الكلام أقل من 5% في الظروف المثالية، لكن الدقة الفعلية تتفاوت بحسب:

• الضوضاء المحيطة: تقلّل بيئات مراكز الاتصال ومكبرات صوت الهواتف والأماكن العامة من الدقة
• اللكنات واللهجات: قد تتفاوت الدقة تفاوتًا كبيرًا بين الفئات المختلفة من المتحدثين
• مفردات المجال: تتطلب المصطلحات الخاصة بالقطاعات (الطبية والمالية والتقنية) نماذج متخصصة
• جودة الصوت: يؤدي ضعف الاتصال الهاتفي أو تدني جودة الميكروفونات إلى تراجع النتائج

ميزة Maven: ذكاء اصطناعي صوتي يفهم

يتكامل Maven Voice مع كبار مزوّدي ASR ومحركات الصوت، بما فيها OpenAI وPhonic وCartesia وElevenLabs، لتقديم تعرّف عالي الدقة على الكلام بلغات متعددة. ويتعامل مسار الصوت في Maven مع المقاطعات بشكل طبيعي، ويحافظ على إيقاع المحادثة الطبيعي، ويدعم حجب PII في الوقت الفعلي في كل من الصوت والنصوص المنسوخة، ما يضمن حماية المعلومات الحساسة التي تُشارَك عبر الهاتف.

دليل من Maven: يتصل Maven Voice بالبنية التحتية الهاتفية القائمة عبر Twilio وRingCentral وCisco وGenesys وZendesk Talk، ويدعم SIP وPSTN وWebRTC، ما يعني أن المؤسسات تستطيع إضافة الذكاء الاصطناعي الصوتي دون استبدال أنظمتها الهاتفية.

الأسئلة الشائعة

ما الفرق بين ASR وNLP؟

يحوّل ASR الكلام إلى نص، أي أنه يتولى تحويل الصوت إلى نص. أما NLP فيعالج ذلك النص لفهم المعنى والقصد والسياق. يجيب ASR عن سؤال "ماذا قال العميل؟" بينما يجيب NLP عن سؤال "ماذا قصد العميل؟"

هل يستطيع ASR التعامل مع لغات متعددة في المحادثة نفسها؟

تستطيع نماذج ASR الحديثة متعددة اللغات اكتشاف لغات متعددة ونسخها، بما في ذلك التبديل بين اللغات في منتصف المحادثة. ويزداد ذلك أهمية لعمليات خدمة العملاء العالمية التي تخدم قواعد عملاء متنوعة.

هل تؤثر دقة ASR في أداء وكيل الذكاء الاصطناعي؟

بشكل مباشر. فإذا أخطأ ASR في تفسير "refund" على أنها "re-fund" أو "cancel" على أنها "council"، يتلقى وكيل الذكاء الاصطناعي مدخلات غير صحيحة وقد يقدّم ردًا غير ذي صلة. ولذلك تُعد جودة ASR العالية أساسًا لخدمة عملاء فعّالة بالذكاء الاصطناعي الصوتي.