چه عواملی بر دقت تبدیل صوت فارسی به متن تأثیر می‌گذارند؟

دو فایل صوتی با مدت مشابه ممکن است نتایج کاملاً متفاوتی در تبدیل گفتار به متن داشته باشند. در یک فایل، تقریباً تمام جمله‌ها درست تشخیص داده می‌شوند؛ در فایل دیگر، نام‌ها، اعداد، مرز جمله‌ها و حتی گویندگان به‌اشتباه ثبت می‌شوند.

این تفاوت فقط به کیفیت مدل هوش مصنوعی مربوط نیست. دقت خروجی حاصل تعامل چند عامل است:

• کیفیت ضبط
• فاصله میکروفون تا گوینده
• شدت نویز و انعکاس صدا
• صحبت هم‌زمان افراد
• زبان و لهجه
• سرعت و وضوح بیان
• واژگان تخصصی
• انتخاب تنظیمات پردازش
• نوع فایل صوتی
• روش ارزیابی و بازبینی

به همین دلیل نمی‌توان یک درصد دقت ثابت را برای همه فایل‌های فارسی اعلام کرد. نتیجه یک سخنرانی تک‌نفره در استودیو با نتیجه جلسه‌ای شلوغ که از انتهای اتاق ضبط شده، قابل مقایسه نیست.

در این مقاله بررسی می‌کنیم چه عواملی دقت تبدیل صوت فارسی به متن را کاهش می‌دهند، کدام موارد پیش از ضبط قابل کنترل‌اند و چگونه می‌توان کیفیت خروجی را به‌صورت منظم ارزیابی و بهتر کرد.

کیفیت فایل خود را در عمل ارزیابی کنید

فایل صوتی یا ویدئویی فارسی را در سابچین بارگذاری کنید، متن اولیه را دریافت کنید و بخش‌های نیازمند اصلاح را بررسی کنید.

شروع تبدیل صوت فارسی به متن

منظور از دقت تبدیل صوت به متن چیست؟

دقت نشان می‌دهد متن تولیدشده تا چه اندازه با گفتار واقعی فایل مطابقت دارد.

سامانه ممکن است سه نوع خطای اصلی داشته باشد:

جایگزینی

یک کلمه با کلمه دیگری عوض می‌شود.

گفتار اصلی:
بودجه پروژه تأیید نشد.

خروجی:
بودجه پروژه تأیید شد.

این خطا فقط یک کلمه را تغییر داده، اما معنای جمله را کاملاً برعکس کرده است.

حذف

کلمه‌ای که گفته شده در متن نمی‌آید.

گفتار اصلی:
نسخه آزمایشی هنوز آماده نیست.

خروجی:
نسخه آزمایشی آماده نیست.

در این نمونه تغییر کوچک است، اما حذف عدد، نام یا عبارت منفی می‌تواند مهم‌تر باشد.

اضافه‌کردن

سامانه کلمه‌ای را ثبت می‌کند که در گفتار وجود نداشته است.

گفتار اصلی:
گزارش را فردا ارسال می‌کنیم.

خروجی:
گزارش نهایی را فردا ارسال می‌کنیم.

افزودن «نهایی» ممکن است وضعیت گزارش را نادرست نشان دهد.

آیا درصد دقت به‌تنهایی معیار مناسبی است؟

درصد کلی می‌تواند برای مقایسه مفید باشد، اما همیشه اهمیت خطاها را نشان نمی‌دهد.

دو خروجی ممکن است تعداد خطای یکسانی داشته باشند، اما پیامد آن‌ها متفاوت باشد:

خطای کم‌ریسک

می‌خواهم درباره این موضوع صحبت کنم.

به‌جای:

می‌خواهم در مورد این موضوع صحبت کنم.

خطای پرریسک

مبلغ قرارداد پانصد میلیون تومان است.

به‌جای:

مبلغ قرارداد پنجاه میلیون تومان است.

بنابراین برای ارزیابی عملی باید علاوه بر تعداد خطاها، نوع آن‌ها نیز بررسی شود:

• نام شخص
• نام شرکت
• عدد
• مبلغ
• تاریخ
• جمله منفی
• تصمیم
• مسئولیت
• اصطلاح تخصصی
• نقل‌قول مستقیم

WER چیست؟

یکی از معیارهای رایج ارزیابی تشخیص گفتار، نرخ خطای کلمه یا Word Error Rate است.

در این روش تعداد جایگزینی‌ها، حذف‌ها و اضافه‌شدن کلمات با متن مرجع مقایسه می‌شود.

به زبان ساده:

WER =
تعداد خطاهای کلمه
تقسیم بر
تعداد کلمات متن مرجع

هرچه WER کمتر باشد، خروجی به متن مرجع نزدیک‌تر است.

برای مثال، اگر متن مرجع ۱۰۰۰ کلمه داشته باشد و مجموع خطاهای محاسبه‌شده ۱۰۰ مورد باشد، نرخ خطای کلمه حدود ۱۰ درصد خواهد بود.

اما WER محدودیت‌هایی نیز دارد:

• همه کلمات را با اهمیت یکسان حساب می‌کند؛
• کیفیت نشانه‌گذاری را کامل نشان نمی‌دهد؛
• خطای گوینده را اندازه‌گیری نمی‌کند؛
• خوانایی پاراگراف‌ها را نمی‌سنجد؛
• برای فارسی به یکسان‌سازی نوشتار نیاز دارد؛
• ممکن است تفاوت‌های نگارشی را خطا حساب کند.

چرا سنجش WER در فارسی نیازمند آماده‌سازی است؟

یک عبارت فارسی ممکن است به چند شکل نوشته شود:

می‌شود
می شود
میشه

یا:

به‌دلیل
به دلیل
بدلیل

همچنین ممکن است در دو متن از شکل‌های مختلف این نویسه‌ها استفاده شود:

ی / ي
ک / ك

پیش از محاسبه دقت باید قواعد مقایسه مشخص شوند:

• «ی» و «ک» فارسی یکسان‌سازی شوند؛
• فاصله و نیم‌فاصله استاندارد شوند؛
• اعداد فارسی و انگلیسی تعیین تکلیف شوند؛
• علائم نگارشی در صورت لزوم حذف شوند؛
• شکل محاوره‌ای و رسمی بر اساس هدف پروژه مدیریت شود؛
• شیوه ثبت اختصارها ثابت باشد.

در غیر این صورت، ممکن است دو متن از نظر معنایی یکسان باشند اما ابزار ارزیابی آن‌ها را متفاوت حساب کند.

عوامل مربوط به فایل و شرایط ضبط

۱. فاصله میکروفون تا گوینده

یکی از مهم‌ترین عوامل، نسبت صدای مستقیم گوینده به صدای محیط است.

هرچه میکروفون به گوینده نزدیک‌تر باشد:

• گفتار واضح‌تر ثبت می‌شود؛
• صدای محیط سهم کمتری دارد؛
• انعکاس اتاق کاهش می‌یابد؛
• هجاهای ضعیف بهتر شنیده می‌شوند؛
• مرز کلمات روشن‌تر می‌شود.

در مقابل، ضبط یک جلسه ده‌نفره با لپ‌تاپی که در انتهای میز قرار دارد معمولاً کیفیت یکسانی برای همه افراد ایجاد نمی‌کند.

راهکار عملی

برای جلسه دونفره یا مصاحبه:

• برای هر نفر میکروفون یقه‌ای یا رومیزی جدا استفاده کنید؛
• یا میکروفون مشترک را در فاصله متعادل قرار دهید.

برای جلسه بزرگ:

• از سیستم کنفرانس چندمیکروفونه استفاده کنید؛
• یا صدای افراد را از دستگاه‌های جدا دریافت کنید.

۲. نویز پس‌زمینه

نویز می‌تواند بخشی از اطلاعات گفتار را بپوشاند.

منابع رایج نویز:

• کولر و سیستم تهویه
• فن لپ‌تاپ
• صدای خیابان
• گفت‌وگوی افراد دیگر
• تایپ
• جابه‌جایی صندلی
• برخورد دست با میز
• ظروف و کاغذ
• اعلان تلفن
• موسیقی پس‌زمینه

همه نویزها اثر یکسانی ندارند. نویز ثابت مانند صدای یکنواخت فن معمولاً قابل پیش‌بینی‌تر از صدای متغیر یا گفت‌وگوی افراد دیگر است.

راهکار عملی

پیش از ضبط:

• سی ثانیه نمونه بگیرید.
• با هدفون گوش کنید.
• منابع نویز را خاموش یا دور کنید.
• فاصله میکروفون را کاهش دهید.
• سطح صدا را کنترل کنید.

۳. نسبت گفتار به نویز

فقط بلندبودن صدای گوینده مهم نیست؛ نسبت آن به صداهای مزاحم اهمیت دارد.

اگر گوینده و موسیقی تقریباً با شدت یکسان شنیده شوند، مدل باید میان دو جریان صوتی رقابت‌کننده تصمیم بگیرد.

ممکن است فایل از نظر انسان قابل فهم باشد، اما تشخیص برخی واج‌ها برای مدل دشوار شود.

راهکار عملی

• موسیقی را روی ترک جدا نگه دارید.
• برای تبدیل به متن از نسخه بدون موسیقی استفاده کنید.
• صدای گوینده را در ضبط تقویت کنید، نه فقط پس از ضبط.
• در محیط پرصدا از میکروفون نزدیک استفاده کنید.

۴. انعکاس و پژواک اتاق

در اتاق خالی یا دارای سطوح سخت، صدای گوینده چند بار به میکروفون می‌رسد. این انعکاس‌ها مرز هجاها و کلمات را مبهم می‌کنند.

محیط‌های مسئله‌دار:

• اتاق شیشه‌ای
• سالن بزرگ
• فضای دارای دیوار خالی
• راهرو
• اتاق کنفرانس بدون جذب صوت
• فضای دارای سقف بلند

راهکار عملی

• پرده، فرش و مبلمان می‌توانند انعکاس را کاهش دهند.
• میکروفون را نزدیک‌تر کنید.
• از میکروفون جهت‌دار استفاده کنید.
• در محیط کوچک‌تر و کنترل‌شده‌تر ضبط کنید.
• تست صدا را از محل واقعی هر گوینده انجام دهید.

۵. سطح ضبط نامناسب

اگر سطح صدا بسیار پایین باشد، تقویت بعدی نویز را نیز بالا می‌برد.

اگر سطح بیش‌ازحد بالا باشد، صدا دچار Clipping یا اعوجاج می‌شود و شکل موج بخش‌هایی از گفتار از بین می‌رود.

نشانه‌های ضبط بیش‌ازحد بلند

• صدای خشن و شکسته
• حذف جزئیات بعضی هجاها
• رسیدن مداوم نشانگر ضبط به سقف
• شکل موج تخت در قله‌ها

راهکار عملی

پیش از شروع، از بلندترین حالت طبیعی صحبت نمونه بگیرید و سطح ورودی را طوری تنظیم کنید که فضای کافی برای افزایش ناگهانی صدا باقی بماند.

۶. فشرده‌سازی شدید فایل

قالب‌های فشرده می‌توانند حجم فایل را کاهش دهند، اما فشرده‌سازی شدید بخشی از جزئیات صوتی را حذف می‌کند.

مشکل زمانی بیشتر می‌شود که فایل چند بار تبدیل و فشرده شود:

ضبط اصلی
↓
ارسال در پیام‌رسان
↓
دانلود و تبدیل
↓
ویرایش و خروجی مجدد

در هر مرحله ممکن است کیفیت کاهش یابد.

راهکار عملی

• فایل اصلی را مستقیماً از دستگاه ضبط دریافت کنید.
• از نسخه فشرده پیام‌رسان به‌عنوان منبع اصلی استفاده نکنید.
• از تبدیل‌های غیرضروری جلوگیری کنید.
• نسخه اصلی را بدون تغییر حفظ کنید.

۷. نرخ نمونه‌برداری و عمق بیت

نرخ نمونه‌برداری نشان می‌دهد صدا چند بار در هر ثانیه اندازه‌گیری شده است. برای گفتار، نرخ‌های بسیار پایین می‌توانند بخشی از اطلاعات فرکانسی لازم را حذف کنند.

عمق بیت بسیار پایین نیز می‌تواند نویز کوانتیزه ایجاد کند.

بااین‌حال، افزایش مصنوعی مشخصات فایل کیفیت ازدست‌رفته را بازنمی‌گرداند.

برای مثال:

فایل ۸ کیلوهرتز
↓
تبدیل به ۴۸ کیلوهرتز

فایل بزرگ‌تر می‌شود، اما اطلاعات صوتی جدیدی ایجاد نمی‌شود.

راهکار عملی

• فایل را با نرخ اصلی و واقعی آن پردازش کنید.
• از Resample غیرضروری خودداری کنید.
• برای ضبط جدید، تنظیمات مناسب گفتار انتخاب کنید.
• مشخصات فایل را به‌درستی به سامانه پردازش اعلام کنید.

۸. کیفیت تماس آنلاین

در تماس اینترنتی، حتی میکروفون خوب نیز نمی‌تواند افت شبکه را جبران کند.

مشکلات رایج:

• قطع بخشی از کلمه
• صدای رباتیک
• تأخیر
• تکرار صدا
• نوسان کیفیت
• حذف صدا توسط Noise Suppression
• تغییر ناگهانی شدت صدا

راهکار عملی

برای مصاحبه یا جلسه مهم:

• از اتصال پایدار استفاده کنید؛
• هر گوینده صدای خود را محلی ضبط کند؛
• ضبط پلتفرم را به‌عنوان نسخه پشتیبان داشته باشید؛
• برنامه‌های مصرف‌کننده پهنای باند را ببندید؛
• پس از جلسه، کامل‌بودن فایل‌ها را بررسی کنید.

عوامل مربوط به گویندگان

۹. صحبت هم‌زمان افراد

وقتی دو نفر هم‌زمان صحبت می‌کنند، مدل باید دو توالی کلمه را از یک سیگنال ترکیبی جدا کند.

پیامدهای احتمالی:

• حذف صدای یکی از افراد
• ترکیب جمله‌ها
• نسبت‌دادن متن به گوینده اشتباه
• ثبت ناقص واکنش‌های کوتاه
• ازبین‌رفتن مرز پاسخ‌ها

راهکار عملی

• افراد یکی‌یکی صحبت کنند.
• مدیر جلسه از قطع‌کردن صحبت جلوگیری کند.
• واکنش‌های کوتاه روی پاسخ اصلی قرار نگیرند.
• در صورت امکان هر گوینده روی کانال جدا ضبط شود.

۱۰. تعداد گویندگان

هرچه تعداد گویندگان بیشتر شود، تشخیص تغییر صداها دشوارتر خواهد شد؛ به‌خصوص اگر:

• افراد صدای شبیه داشته باشند؛
• محل نشستن خود را تغییر دهند؛
• با میکروفون‌های متفاوت صحبت کنند؛
• بعضی افراد فقط چند جمله بگویند؛
• صحبت‌ها روی هم قرار بگیرند.

باید میان دو مفهوم تفاوت گذاشت:

• صحت کلمات
• صحت نسبت‌دادن کلمات به گوینده

ممکن است جمله درست تشخیص داده شود، اما به فرد اشتباه نسبت داده شود.

راهکار عملی

• افراد در ابتدای جلسه خود را معرفی کنند.
• نام نمایشی در جلسه آنلاین صحیح باشد.
• کانال جداگانه برای هر نفر ضبط شود.
• برچسب‌های خودکار پس از پردازش بازبینی شوند.

۱۱. سرعت گفتار

گفتار بسیار سریع می‌تواند مرز واژه‌ها را مبهم کند، به‌خصوص اگر گوینده:

• هجاها را حذف کند؛
• کلمات را به هم بچسباند؛
• مکث نداشته باشد؛
• از جمله‌های بسیار طولانی استفاده کند.

گفتار خیلی آهسته نیز ممکن است مکث‌های غیرطبیعی ایجاد کند و نشانه‌گذاری خودکار را به اشتباه بیندازد.

راهکار عملی

هدف، صحبت‌کردن مصنوعی و کلمه‌به‌کلمه نیست. کافی است:

• جمله‌ها روشن باشند؛
• عددها و نام‌ها شمرده بیان شوند؛
• در بخش‌های مهم مکث طبیعی وجود داشته باشد؛
• در صورت اشتباه، جمله کامل تکرار شود.

۱۲. وضوح تلفظ

بلعیدن انتهای کلمات، صحبت زیرلبی یا فاصله‌گرفتن ناگهانی از میکروفون می‌تواند تشخیص را دشوار کند.

در فارسی، بعضی شکل‌های محاوره‌ای نیز فاصله زیادی با نوشتار رسمی دارند:

می‌خواهم → می‌خوام
می‌روم → می‌رم
برایم → برام

مدل ممکن است آن‌ها را به شکل محاوره‌ای یا رسمی ثبت کند. این موضوع باید بر اساس نوع خروجی مدیریت شود.

۱۳. لهجه و گویش

فارسی در مناطق مختلف با تلفظ‌ها، واژگان و آهنگ‌های متفاوتی بیان می‌شود. عملکرد مدل به میزان پوشش آن الگوها در داده‌های آموزشی و ارزیابی وابسته است.

لهجه به‌خودی‌خود «خطا» نیست؛ مسئله این است که سامانه تا چه اندازه برای آن تنوع گفتاری آماده شده است.

راهکار عملی

• ابزار را با نمونه واقعی کاربران خود آزمایش کنید.
• یک درصد عمومی را به همه لهجه‌ها تعمیم ندهید.
• فایل‌های ارزیابی شامل گویندگان متنوع باشند.
• واژگان محلی و نام‌های پرتکرار مستندسازی شوند.
• برای خروجی مهم، بازبین آشنا با لهجه در نظر بگیرید.

۱۴. سن و ویژگی‌های صدا

زیر و بمی، شدت، ریتم و وضوح گفتار در افراد متفاوت است. صدای کودک، سالمند، فرد بیمار یا کسی که آرام صحبت می‌کند ممکن است برای برخی مدل‌ها دشوارتر باشد.

تغییرات صوتی ناشی از خستگی، استرس یا بیماری نیز می‌توانند نتیجه را تغییر دهند.

به همین دلیل ارزیابی باید روی جامعه واقعی کاربران انجام شود، نه فقط چند فایل استودیویی.

۱۵. مکث، تردید و کلمات پرکننده

گفتار طبیعی شامل مواردی مانند این است:

• اوم
• خب
• یعنی
• درواقع
• مثلاً

بعضی مدل‌ها این موارد را ثبت می‌کنند و بعضی حذف می‌کنند. نتیجه به نوع مدل و تنظیمات وابسته است.

در رونوشت ویرایش‌شده، حذف آن‌ها ممکن است مطلوب باشد. در پژوهش زبانی یا حقوقی، همین موارد می‌توانند مهم باشند.

پیش از ارزیابی باید مشخص شود که حضور یا حذف این کلمات خطا محسوب می‌شود یا نه.

عوامل زبانی و محتوایی

۱۶. انتخاب زبان اشتباه

مدل باید بداند گفتار در چه زبانی انجام می‌شود.

اگر فایل فارسی با مدل زبان دیگری پردازش شود:

• کلمات نامعتبر تولید می‌شوند؛
• نام‌ها اشتباه ثبت می‌شوند؛
• مرز جمله‌ها به‌هم می‌ریزد؛
• بخشی از گفتار ممکن است حذف شود.

راهکار عملی

• زبان فارسی را صریح انتخاب کنید.
• زبان غالب فایل را مشخص کنید.
• در فایل چندزبانه، بخش‌ها را جداگانه پردازش کنید.
• از قابلیت تشخیص خودکار زبان فقط در صورت آزمایش قبلی استفاده کنید.

۱۷. ترکیب فارسی و انگلیسی

در گفتار تخصصی فارسی، استفاده از واژه‌های انگلیسی رایج است:

• API
• Machine Learning
• Deploy
• Dashboard
• CRM

مدل ممکن است این واژه‌ها را:

• فارسی‌نویسی کند؛
• با کلمه فارسی مشابه جایگزین کند؛
• ناقص بنویسد؛
• جهت متن را به‌هم بزند؛
• حروف را جدا یا متصل نمایش دهد.

راهکار عملی

• شکل استاندارد واژه‌ها را در واژه‌نامه ثبت کنید.
• زبان غالب را درست انتخاب کنید.
• کلمات مهم را پس از پردازش جست‌وجو کنید.
• شیوه نوشتن فارسی یا لاتین هر اصطلاح را از قبل تعیین کنید.

۱۸. نام‌های خاص

نام اشخاص، برندها، محصولات و مکان‌ها معمولاً از دشوارترین بخش‌ها هستند.

دلیل:

• ممکن است در واژگان عمومی مدل کم‌تکرار باشند؛
• تلفظ با شکل نوشتاری تفاوت داشته باشد؛
• چند شکل نوشتاری داشته باشند؛
• با واژه‌ای رایج هم‌آوا باشند.

مثلاً نام «سابچین» ممکن است با شکل‌های مختلفی ثبت شود:

• ساب چین
• سابچین
• Subchin

راهکار عملی

یک واژه‌نامه پروژه ایجاد کنید:

• سابچین
• یوسیستنت
• نام اعضای تیم
• نام مشتریان
• نام محصولات
• نام پروژه‌ها

پس از تولید متن، تمام شکل‌های احتمالی را جست‌وجو کنید.

۱۹. اصطلاحات تخصصی

مدل عمومی ممکن است با واژه‌های تخصصی این حوزه‌ها مشکل داشته باشد:

• پزشکی
• حقوق
• مهندسی
• فناوری اطلاعات
• مالی
• داروسازی
• علوم انسانی
• محصولات سازمانی

واژه‌ای که در زبان عمومی نادر است، ممکن است با عبارت رایج‌تری جایگزین شود.

راهکار عملی

در صورت پشتیبانی ابزار:

• Phrase Hint یا واژگان سفارشی اضافه کنید؛
• مدل تخصصی مناسب انتخاب کنید؛
• فهرست واژه‌ها را محدود و مرتبط نگه دارید؛
• نمونه‌های واقعی حوزه را برای ارزیابی استفاده کنید.

افزودن تعداد زیادی واژه نامرتبط می‌تواند نتیجه را بدتر کند؛ زیرا مدل میان گزینه‌های بیشتری باید تصمیم بگیرد.

۲۰. اعداد، تاریخ‌ها و واحدها

اعداد می‌توانند به چند شکل نوشته شوند:

۱۴۰۵
هزار و چهارصد و پنج
1405

عبارت‌های صوتی نیز ممکن است مبهم باشند:

صد و ده
یکصد و ده
۱۱۰

مشکلات رایج:

• اشتباه در رقم
• تبدیل نامناسب عدد به کلمه
• جدانویسی واحد
• اشتباه در درصد
• اشتباه در تاریخ شمسی و میلادی
• حذف ممیز
• اشتباه در شماره تلفن یا کد

راهکار عملی

اعداد پرریسک را همیشه با صدا تطبیق دهید:

• مبلغ
• درصد
• تاریخ
• ساعت
• شماره قرارداد
• کد محصول
• تعداد
• نشانی

۲۱. جمله‌های منفی

واژه‌های کوتاهی مانند «نه»، «نشد»، «نیست» و «نباید» می‌توانند در صدای ضعیف جا بیفتند.

نمونه:

این قرارداد تأیید نشده است.

در برابر:

این قرارداد تأیید شده است.

این خطا از نظر تعداد کلمه کوچک، اما از نظر معنایی بسیار مهم است.

در جلسه، خبر، مصاحبه و محتوای حقوقی، جمله‌های منفی باید در اولویت بازبینی باشند.

۲۲. موضوع و بافت گفت‌وگو

مدل‌ها برای انتخاب کلمه از بافت زبانی استفاده می‌کنند. اگر موضوع فایل مشخص و واژگان آن سازگار باشند، تشخیص می‌تواند بهتر باشد.

اما تغییر ناگهانی موضوع یا جمله‌های پراکنده ممکن است انتخاب کلمه را دشوار کند.

برای مثال، در یک جلسه فناوری، واژه «مدل» احتمالاً به مدل هوش مصنوعی اشاره دارد؛ در گفت‌وگوی مد، ممکن است معنای دیگری داشته باشد.

استفاده از مدل تخصصی یا واژگان مرتبط می‌تواند در چنین شرایطی مفید باشد.

عوامل مربوط به تنظیمات سامانه

۲۳. انتخاب مدل نامناسب

بعضی سرویس‌ها چند مدل برای کاربردهای مختلف دارند:

• مکالمه
• تماس تلفنی
• ویدئو
• فرمان صوتی
• محتوای طولانی
• پردازش زنده
• حوزه تخصصی

مدلی که برای فرمان‌های کوتاه طراحی شده ممکن است برای جلسه دو‌ساعته مناسب نباشد.

راهکار عملی

در صورت وجود گزینه:

• مدل متناسب با نوع محتوا را انتخاب کنید؛
• زبان و Locale صحیح را مشخص کنید؛
• فایل تماس تلفنی را با مدل مناسب تلفن پردازش کنید؛
• برای فایل ضبط‌شده از پردازش Batch استفاده کنید؛
• چند مدل را روی نمونه یکسان مقایسه کنید.

۲۴. واژگان سفارشی و Phrase Hint

بعضی سامانه‌ها اجازه می‌دهند احتمال تشخیص کلمات مشخص افزایش یابد.

کاربرد مناسب:

• نام محصول
• نام شرکت
• اصطلاح فنی
• نام شخص
• مخفف
• عبارت پرتکرار پروژه

مثال:

• سابچین
• یوسیستنت
• دیارایزیشن
• رونوشت
• صورت‌جلسه

نکته مهم

فهرست باید هدفمند باشد. اضافه‌کردن صدها کلمه نامرتبط ممکن است انتخاب مدل را پیچیده کند و خطاهای تازه بسازد.

۲۵. تفکیک گویندگان

Speaker Diarization تلاش می‌کند مشخص کند هر بخش متعلق به کدام صداست.

کیفیت آن به این موارد وابسته است:

• تعداد گویندگان
• شباهت صداها
• صحبت هم‌زمان
• طول صحبت هر فرد
• جابه‌جایی افراد
• تفاوت میکروفون‌ها
• کانال‌های صوتی

تفکیک گوینده با شناسایی هویت واقعی متفاوت است. سامانه معمولاً می‌گوید «گوینده ۱»، نه اینکه نام فرد را بداند.

بهترین وضعیت

هر گوینده روی کانال صوتی جداگانه ضبط شود. در این حالت سامانه می‌تواند هر کانال را مستقل پردازش و برچسب‌گذاری کند.

۲۶. پردازش زنده یا پس از ضبط

در پردازش زنده، مدل باید با تأخیر کم متن تولید کند و هنوز ادامه جمله را نمی‌داند.

در پردازش پس از ضبط، سامانه می‌تواند از بخش‌های بعدی برای تشخیص بهتر بافت استفاده کند و زمان بیشتری برای پردازش داشته باشد.

بنابراین ممکن است:

• متن زنده سریع‌تر اما ناپایدارتر باشد؛
• بعضی واژه‌ها هنگام ادامه گفتار تغییر کنند؛
• نشانه‌گذاری زنده ضعیف‌تر باشد؛
• نسخه Batch خروجی نهایی بهتری ارائه دهد.

برای آرشیو رسمی، نسخه زنده را پس از جلسه بازبینی یا دوباره پردازش کنید.

۲۷. نشانه‌گذاری و قالب‌بندی

درست‌بودن کلمات به معنای آماده‌بودن متن نهایی نیست.

سامانه ممکن است در این موارد خطا کند:

• نقطه
• ویرگول
• علامت سؤال
• پایان جمله
• پاراگراف‌بندی
• اعداد
• نقل‌قول
• تغییر گوینده

اگر هدف مقاله، صورت‌جلسه یا زیرنویس است، این بخش‌ها نیز باید جداگانه ارزیابی شوند.

چرا حذف نویز همیشه دقت را بهتر نمی‌کند؟

پردازش صوت می‌تواند نویز را کاهش دهد، اما تنظیم شدید ممکن است بخشی از صدای گفتار را نیز حذف کند.

مشکلات احتمالی:

• حذف صامت‌های ضعیف
• مصنوعی‌شدن صدا
• ایجاد صدای فلزی
• قطع ابتدای کلمات
• حذف صدای آرام گوینده
• تغییر الگوی فرکانسی

بنابراین نسخه پردازش‌شده باید با نسخه اصلی مقایسه شود.

روش مناسب:

• فایل اصلی را حفظ کنید.
• یک نسخه کاری بسازید.
• کاهش نویز ملایم اعمال کنید.
• نمونه‌ای از بخش‌های دشوار را پردازش کنید.
• نتیجه متن را مقایسه کنید.
• فقط در صورت بهبود واقعی، کل فایل را پردازش کنید.

آیا بلندترکردن صدا دقت را افزایش می‌دهد؟

اگر صدا فقط ضعیف ضبط شده ولی نسبت گفتار به نویز مناسب باشد، تنظیم سطح می‌تواند مفید باشد.

اما اگر گفتار و نویز هر دو با هم تقویت شوند، اطلاعات تازه‌ای به فایل اضافه نمی‌شود.

همچنین افزایش بیش‌ازحد می‌تواند Clipping ایجاد کند.

بهبود واقعی بیشتر از این موارد حاصل می‌شود:

• میکروفون نزدیک‌تر
• ضبط تمیزتر
• کاهش منبع نویز
• کانال جدا
• جلوگیری از اعوجاج

آیا تبدیل MP3 به WAV دقت را بیشتر می‌کند؟

صرف تبدیل فایل فشرده MP3 به WAV، کیفیت حذف‌شده را بازنمی‌گرداند.

این فرایند:

MP3 کم‌کیفیت
↓
WAV

فقط قالب فایل را تغییر می‌دهد. اطلاعات صوتی ازدست‌رفته دوباره تولید نمی‌شوند.

WAV زمانی مزیت دارد که:

• فایل اصلی از ابتدا بدون افت ضبط شده باشد؛
• پردازش و ویرایش بیشتری انجام می‌دهید؛
• می‌خواهید از فشرده‌سازی مجدد جلوگیری کنید؛
• سامانه مقصد فرمت مشخصی می‌خواهد.

قاعده ساده:

بهترین فایل، نزدیک‌ترین نسخه به ضبط اصلی است؛ نه لزوماً فایلی با بزرگ‌ترین حجم.

چگونه دقت یک سرویس را برای فارسی ارزیابی کنیم؟

۱. مجموعه آزمایشی واقعی بسازید

فایل‌های تست باید نماینده کاربرد واقعی باشند.

اگر محصول شما جلسه سازمانی را پردازش می‌کند، فقط فایل استودیویی تک‌نفره را آزمایش نکنید.

نمونه‌ها می‌توانند شامل این موارد باشند:

• یک گوینده با صدای تمیز
• جلسه چندنفره
• تماس آنلاین
• صدای موبایل
• لهجه‌های مختلف
• گفتار رسمی و محاوره‌ای
• واژگان تخصصی
• ترکیب فارسی و انگلیسی
• محیط دارای نویز
• فایل طولانی

۲. رونوشت مرجع انسانی تهیه کنید

متن مرجع باید با قواعد ثابت ساخته شود:

• شیوه نوشتن نیم‌فاصله
• اعداد
• واژه‌های محاوره‌ای
• کلمات پرکننده
• علائم نگارشی
• بخش‌های نامفهوم
• برچسب گوینده

بدون استاندارد ثابت، مقایسه خروجی‌ها منصفانه نخواهد بود.

۳. متن‌ها را یکسان‌سازی کنید

پیش از محاسبه:

• نویسه‌های عربی و فارسی را یکسان کنید؛
• فاصله‌های اضافه را حذف کنید؛
• اعداد را استاندارد کنید؛
• قواعد نشانه‌گذاری را مشخص کنید؛
• حروف بزرگ و کوچک لاتین را مدیریت کنید؛
• شکل اختصارها را ثابت کنید.

۴. WER را محاسبه کنید

نرخ خطای کلمه دیدی کلی از اختلاف متن می‌دهد.

اما آن را همراه معیارهای دیگر بررسی کنید.

۵. خطاهای کلیدی را جداگانه بشمارید

یک جدول کاربردی:

| نوع خطا | تعداد | اهمیت | |---|---:|---| | نام شخص | ۶ | زیاد | | عدد و مبلغ | ۳ | بسیار زیاد | | اصطلاح تخصصی | ۱۲ | زیاد | | کلمه عمومی | ۲۵ | متوسط | | نشانه‌گذاری | ۱۸ | کم تا متوسط | | گوینده اشتباه | ۹ | زیاد |

۶. دقت تفکیک گویندگان را بررسی کنید

ممکن است متن درست باشد ولی جمله‌ها به فرد اشتباه نسبت داده شوند.

برای جلسه و مصاحبه، این مسئله جدا از WER ارزیابی شود.

۷. زمان و هزینه ویرایش را اندازه بگیرید

برای کاربر نهایی فقط دقت خام مهم نیست.

اندازه‌گیری کنید:

• ویرایش یک ساعت فایل چقدر طول می‌کشد؟
• کدام خطاها بیشتر تکرار می‌شوند؟
• آیا Timestamp مراجعه را سریع می‌کند؟
• آیا تفکیک گویندگان مفید است؟
• چند درصد فایل بدون بازشنوی اصلاح می‌شود؟
• هزینه انسانی کنترل کیفیت چقدر است؟

ممکن است خروجی با WER کمی بهتر، به‌دلیل قالب نامناسب زمان ویرایش بیشتری نیاز داشته باشد.

۸. عملکرد گروه‌های مختلف را مقایسه کنید

برای جلوگیری از یک نتیجه گمراه‌کننده، عملکرد را بر اساس شرایط تفکیک کنید:

• مرد و زن
• گروه‌های سنی
• لهجه‌ها
• کیفیت میکروفون
• تعداد گویندگان
• تماس تلفنی و ضبط مستقیم
• گفتار رسمی و محاوره‌ای
• موضوع عمومی و تخصصی

میانگین کلی ممکن است ضعف جدی در یک گروه مشخص را پنهان کند.

چه فایل‌هایی معمولاً نتیجه بهتری دارند؟

• یک گوینده
• میکروفون نزدیک
• محیط آرام
• گفتار واضح
• سطح صدای ثابت
• بدون موسیقی
• بدون صحبت هم‌زمان
• زبان مشخص
• واژگان عمومی
• فایل اصلی باکیفیت

چه فایل‌هایی معمولاً دشوارترند؟

• جلسه شلوغ
• ضبط دور از گوینده
• کافه یا خیابان
• موسیقی بلند
• تماس اینترنتی ضعیف
• چند گوینده هم‌زمان
• ترکیب مداوم چند زبان
• اصطلاحات تخصصی متعدد
• صدای دارای Clipping
• فایل چندبار فشرده‌شده
• گوینده بسیار آرام یا سریع

اولویت‌بندی اصلاح خطاها

اگر زمان بازبینی محدود است، این ترتیب مفید خواهد بود:

اولویت بسیار بالا

• تصمیم‌ها
• جمله‌های منفی
• مبلغ و عدد
• تاریخ و موعد
• نام افراد
• مسئول اقدامات
• نقل‌قول منتشرشده
• اطلاعات حقوقی یا پزشکی

اولویت بالا

• اصطلاحات تخصصی
• نام سازمان و محصول
• تفکیک گویندگان
• آدرس و کد
• عنوان شغلی

اولویت متوسط

• علائم نگارشی
• پاراگراف‌بندی
• شکل اعداد
• نیم‌فاصله
• حذف تکرارها

اولویت وابسته به کاربرد

• کلمات پرکننده
• مکث‌ها
• خنده
• تردید
• گفتار محاوره‌ای

در پژوهش گفتار، موارد گروه آخر ممکن است بالاترین اولویت را داشته باشند.

چک‌لیست افزایش دقت پیش از ضبط

• محیط تا حد امکان آرام است.
• میکروفون به گوینده نزدیک است.
• سطح ورودی آزمایش شده است.
• صدا Clipping ندارد.
• یک نمونه با هدفون بررسی شده است.
• میکروفون روی سطح لرزان قرار ندارد.
• موسیقی روی گفتار ضبط نمی‌شود.
• کانال‌های جدا در صورت امکان فعال‌اند.
• افراد از ضبط مطلع‌اند.
• نسخه پشتیبان در نظر گرفته شده است.
• نام‌ها و اصطلاحات تخصصی آماده‌اند.
• زبان غالب فایل مشخص است.

چک‌لیست هنگام ضبط

• افراد یکی‌یکی صحبت می‌کنند.
• میکروفون جابه‌جا نمی‌شود.
• نام‌ها و اعداد واضح بیان می‌شوند.
• جمله قطع‌شده دوباره کامل گفته می‌شود.
• منابع نویز جدید کنترل می‌شوند.
• در تماس آنلاین، وضعیت اتصال بررسی می‌شود.
• تغییر گوینده روشن است.
• تصمیم‌ها و موعدها تکرار و جمع‌بندی می‌شوند.

چک‌لیست پیش از پردازش

• بهترین نسخه فایل انتخاب شده است.
• نسخه اصلی حفظ شده است.
• فایل چند بار فشرده نشده است.
• زبان درست انتخاب شده است.
• مدل متناسب با کاربرد انتخاب شده است.
• تعداد کانال‌ها درست اعلام شده است.
• نرخ نمونه‌برداری واقعی حفظ شده است.
• واژگان سفارشی محدود و مرتبط‌اند.
• تفکیک گویندگان در صورت نیاز فعال است.
• سیاست امنیت و نگهداری فایل بررسی شده است.

چک‌لیست بازبینی متن

• نام‌ها بررسی شده‌اند.
• اعداد و مبالغ با صدا تطبیق داده شده‌اند.
• تاریخ و ساعت صحیح‌اند.
• جمله‌های منفی کنترل شده‌اند.
• گویندگان درست مشخص شده‌اند.
• بخش‌های نامفهوم حدس زده نشده‌اند.
• اصطلاحات تخصصی اصلاح شده‌اند.
• فارسی و انگلیسی درست نمایش داده می‌شوند.
• علائم نگارشی بازبینی شده‌اند.
• نسخه صوتی مرجع حفظ شده است.

خطاهای رایج در تلاش برای افزایش دقت

تغییر فرمت بدون بهبود منبع

تبدیل فایل ضعیف به WAV به‌تنهایی مفید نیست.

حذف نویز شدید

ممکن است بخش‌هایی از گفتار نیز حذف شوند.

اضافه‌کردن واژگان بسیار زیاد

فهرست نامرتبط می‌تواند احتمال انتخاب‌های اشتباه را افزایش دهد.

اعتماد به یک فایل آزمایشی

نتیجه یک فایل استودیویی نماینده همه کاربران نیست.

مقایسه سرویس‌ها با تنظیمات متفاوت

برای مقایسه منصفانه باید فایل، زبان، مدل، واژگان و شیوه ارزیابی یکسان باشند.

ارزیابی فقط با نگاه‌کردن به متن

خروجی روان ممکن است خطای معنایی مهم داشته باشد.

نادیده‌گرفتن تفکیک گوینده

برای جلسه و مصاحبه، جمله درست با گوینده اشتباه نیز یک خطای جدی است.

استفاده از درصد تبلیغاتی به‌عنوان تضمین

درصد ارائه‌شده برای یک مجموعه داده مشخص، نتیجه فایل شما را تضمین نمی‌کند.

اصلاح متن قبل از ساخت نسخه مرجع

متن ارزیابی باید مطابق قواعد مشخص باشد؛ وگرنه معیارها قابل تکرار نیستند.

چگونه یک فرایند کنترل کیفیت سازمانی بسازیم؟

برای پردازش مداوم فایل‌های صوتی، کنترل موردی کافی نیست. یک فرایند ثابت تعریف کنید.

مرحله اول: طبقه‌بندی ریسک

کم‌ریسک

• یادداشت شخصی
• جست‌وجوی داخلی
• پیش‌نویس محتوا

متوسط

• جلسه داخلی
• گزارش تیمی
• محتوای آموزشی

پرریسک

• قرارداد
• داده مالی
• محتوای پزشکی
• تصمیم مدیریتی
• نقل‌قول رسانه‌ای
• پژوهش رسمی

مرحله دوم: تعیین سطح بازبینی

| سطح ریسک | نوع بازبینی | |---|---| | کم | مرور سریع متن | | متوسط | تطبیق بخش‌های مهم با صدا | | زیاد | بازشنوی کامل یا کنترل تخصصی |

مرحله سوم: واژه‌نامه مشترک

واژه‌نامه شامل این موارد باشد:

• نام کارکنان
• مشتریان
• محصولات
• پروژه‌ها
• اختصارها
• اصطلاحات تخصصی
• شکل استاندارد اعداد و تاریخ

مرحله چهارم: ثبت خطاها

خطاهای پرتکرار را دسته‌بندی کنید:

• نام محصول
• عدد
• واژه انگلیسی
• گوینده
• نشانه‌گذاری
• لهجه
• نویز

این اطلاعات نشان می‌دهد کدام اقدام بیشترین اثر را خواهد داشت.

مرحله پنجم: آزمون دوره‌ای

پس از تغییر مدل، سرویس یا تنظیمات:

• همان مجموعه ارزیابی قبلی را دوباره پردازش کنید؛
• WER را مقایسه کنید؛
• خطاهای پرریسک را بررسی کنید؛
• زمان ویرایش را بسنجید؛
• عملکرد گروه‌های مختلف را مقایسه کنید.

ارتباط دقت با کاربرد نهایی

جلسه و صورت‌جلسه

بیشترین حساسیت روی این موارد است:

• تصمیم
• اقدام
• مسئول
• موعد
• عدد
• جمله منفی

راهنمای کامل در مقاله چگونه جلسه را به متن و صورت‌جلسه تبدیل کنیم؟ ارائه شده است.

مصاحبه خبری

مهم‌ترین موارد:

• نقل‌قول مستقیم
• نام و سمت
• عدد
• حفظ زمینه
• تشخیص گوینده

برای جزئیات، مقاله تبدیل مصاحبه ضبط‌شده به متن را بخوانید.

تولید زیرنویس

علاوه بر کلمات، این عوامل مهم‌اند:

• زمان‌بندی
• تقسیم خطوط
• سرعت خواندن
• صداهای غیرگفتاری
• هویت گوینده

مقاله زیرنویس خودکار چیست؟ این فرایند را توضیح می‌دهد.

پژوهش کیفی

ممکن است علاوه بر کلمات، این موارد نیز داده باشند:

• مکث
• تکرار
• خنده
• تردید
• صحبت هم‌زمان
• لحن

بنابراین «پاک‌سازی» خودکار متن می‌تواند اطلاعات موردنیاز پژوهش را حذف کند.

جست‌وجوی آرشیو

ممکن است دقت کامل همه جمله‌ها ضروری نباشد، اما نام‌ها و واژه‌های کلیدی باید قابل بازیابی باشند.

آیا هوش مصنوعی می‌تواند خروجی را خودش اصلاح کند؟

مدل‌های زبانی می‌توانند متن را از نظر نگارشی مرتب کنند، اما بدون دسترسی دقیق به فایل صوتی نمی‌توانند بفهمند کدام واژه واقعاً گفته شده است.

برای مثال، ممکن است جمله نادرست اما روان زیر تولید شود:

بودجه پروژه تصویب شد.

مدل زبانی نمی‌داند گوینده در فایل گفته است:

بودجه پروژه تصویب نشد.

بنابراین بهتر است دو مرحله جدا باشند:

تشخیص گفتار و تطبیق با صوت
↓
ویرایش نگارشی و ساختاربندی

ویرایش زبانی نباید جای کنترل صوت را بگیرد.

جمع‌بندی

دقت تبدیل صوت فارسی به متن به یک عامل واحد وابسته نیست. نتیجه نهایی از تعامل چهار گروه عامل شکل می‌گیرد:

کیفیت ورودی

• میکروفون
• فاصله
• نویز
• انعکاس
• سطح ضبط
• فشرده‌سازی

ویژگی‌های گفتار

• سرعت
• وضوح
• لهجه
• تعداد گویندگان
• صحبت هم‌زمان
• کلمات پرکننده

ویژگی‌های محتوا

• نام‌های خاص
• اصطلاحات تخصصی
• اعداد
• ترکیب فارسی و انگلیسی
• جمله‌های منفی
• موضوع گفت‌وگو

تنظیمات و ارزیابی

• زبان
• مدل
• واژگان سفارشی
• کانال‌های صوتی
• پردازش زنده یا Batch
• رونوشت مرجع
• روش سنجش خطا

مؤثرترین اقدامات معمولاً پیش از پردازش انجام می‌شوند:

• میکروفون را به گوینده نزدیک کنید.
• نویز و انعکاس را کاهش دهید.
• از صحبت هم‌زمان جلوگیری کنید.
• فایل اصلی را حفظ کنید.
• زبان و مدل درست را انتخاب کنید.
• واژگان تخصصی مرتبط را آماده کنید.
• گویندگان را در صورت امکان جدا ضبط کنید.
• خروجی را با فایل‌های واقعی ارزیابی کنید.
• نام‌ها، اعداد و جمله‌های منفی را بازبینی کنید.
• درصد دقت را متناسب با کاربرد تفسیر کنید.

هوش مصنوعی می‌تواند زمان تهیه پیش‌نویس را به‌طور قابل توجهی کاهش دهد، اما برای استفاده رسمی، رسانه‌ای، حقوقی یا پژوهشی، کنترل انسانی بخش ضروری جریان کار باقی می‌ماند.

دقت فایل فارسی خود را ارزیابی کنید

فایل صوتی یا ویدئویی را در سابچین به متن تبدیل کنید و کیفیت خروجی را بر اساس شرایط واقعی ضبط بررسی کنید.

شروع تبدیل صوت به متن