چرا بازشناسی گفتار فارسی در مرکز تماس سر عددها زمین میخورد
در تماس تلفنی، یک رقم اشتباه در کد پیگیری کل گفتوگو را بیارزش میکند. تجربه پژوهش ParsCallScribe درباره عددها، داده و نرمالسازی معکوس متن.

ساعیان ارتباط
وقتی درباره دقت بازشناسی گفتار حرف میزنیم، معمولاً یک عدد را گزارش میکنیم: نرخ خطای واژه یا WER. این عدد برای مقایسه مدلها مفید است، اما در مرکز تماس تصویر کاملی نمیدهد. مشتریای که شماره پروندهاش را میخواند، اهمیتی نمیدهد که مدل چند درصد از واژههای دیگر را درست نوشته است؛ اگر یک رقم اشتباه شود، کل تماس بینتیجه میماند.
عددها در گفتار فارسی چرا سختاند
در گفتار محاورهای فارسی، یک عدد را به چند شکل میگویند: «صد و بیست و سه»، «یک دو سه»، «صد و بیست و سه هزار»، یا ترکیبی از رقمها و گروهها. کیفیت پایین صدای تلفن هم این مشکل را بیشتر میکند. خروجی خام بیشتر مدلها عدد را بهصورت حروف مینویسد، در حالی که سامانه پاییندستی به رقم نیاز دارد.
آنچه در پژوهش دیدیم
در پژوهش دکتری ParsCallScribe، مدلی نسبتاً کوچک (QuartzNet با ۱۹ میلیون پارامتر) را روی پیکرهای ۵۱۲ ساعته از سه منبع آموزش دادیم: داده عمومی، داده پیمایش و مکالمات واقعی مرکز تماس. با دادهافزایی برخط، حجم مؤثر داده به حدود ۲٬۰۰۰ ساعت رسید.
نتیجه دو چهره داشت:
- خطای کلی روی ۴٬۰۰۰ مکالمه آزمون ۱۸٫۴ درصد بود.
- روی ۱٬۰۰۰ نمونه عددمحور، پس از افزودن لایه نرمالسازی معکوس متن (ITN)، خطا به ۲٫۷ درصد رسید.
یعنی برای کاری که در مرکز تماس بیشترین ارزش را دارد، یعنی گرفتن درست شماره و کد، دقت قابل اتکا ممکن است حتی وقتی دقت کلی مکالمه هنوز جای بهبود دارد.
سه درس عملی
یک: معیار ارزیابی را از کسبوکار بگیرید. پیش از انتخاب مدل، بپرسید کدام بخش از گفتوگو تصمیمساز است. در مرکز تماس، معمولاً عددها و نامها.
دو: داده واقعی تلفنی جایگزین ندارد. حتی چند ده ساعت مکالمه واقعی مرکز تماس، کنار داده عمومی، مدل را با شرایط واقعی آشنا میکند.
سه: لایه پسپردازش را جدی بگیرید. ITN بخش کوچکی از سامانه است، اما در این پژوهش فاصله میان خروجی قابل خواندن و خروجی قابل استفاده را پر کرد.
مدل بزرگتر همیشه پاسخ نیست. گاهی مدل کوچک، داده درست و یک لایه ساده اما دقیق، مسئله واقعی کسبوکار را بهتر حل میکند.