ينتج مركز الاتصال آلاف الساعات من الصوت شهريًا، ولا يُقرأ منها شيء تقريبًا. النصوص المفرّغة تجعل المكالمات قابلة للبحث، والملخّصات تجعلها قابلة للمراجعة. يبني هذا المقال خط المعالجة من البداية إلى النهاية، مع زاوية عربية: اللهجات، والخلط بين العربية والإنجليزية، والأرقام العربية المشرقية.
الخطوات:
- افحص التسجيل: استريو أم أحادي؟
- افصل الاستريو إلى قناتَي الموظف والعميل.
- قطّع كل قناة إلى أدوار كلام.
- فرّغ كل دور باللغة الصحيحة.
- ادمج الأدوار في حوار حسب وقت البدء.
- احجب البيانات الشخصية (PII) من النص.
- لخّص بنموذج LLM في حقول منظَّمة.
الخطوة 1: هل التسجيل استريو أم أحادي؟
ffprobe -v error -show_entries stream=channels,sample_rate,duration -of csv=p=0 call.wav
# 2,8000,412.6 -> stereo, 8 kHz telephone audio, 6.9 minutes
كثير من أنظمة التسجيل في مراكز الاتصال تخزّن الموظف على قناة والعميل على الأخرى. ويؤكد دليل AssemblyAI لمراكز الاتصال النقطة نفسها: مع القنوات المنفصلة تحصل على فصل المتحدثين دون تمييز المتحدثين. تحقّق من أي جانب لمن على بضع مكالمات؛ فليس اليسار للموظف دائمًا.
الخطوة 2: كيف تفصل قنوات الاستريو بـffmpeg؟
ffmpeg -i call.wav -af "pan=mono|c0=c0" -ar 16000 agent.wav
ffmpeg -i call.wav -af "pan=mono|c0=c1" -ar 16000 customer.wav
يُبقي المرشّح pan قناة واحدة، ويعيد -ar 16000 أخذ العيّنات بتردد 16 kHz، وهي الصيغة التي يستخدمها توثيق BroadNet لتسجيلات الهاتف.
الخطوة 3: كيف تقطّع كل قناة إلى أدوار كلام؟
هذه صورة بسيطة من اكتشاف النشاط الصوتي. إرسال كل قناة كاملة يعمل، لكنك تدفع ثمن كل ثانية صمت بينما يتحدث الطرف الآخر، ما يضاعف الفاتورة تقريبًا في المكالمة الاستريو. كما أنك تفقد ترتيب الأدوار. والتقطيع عند فترات الصمت يعالج الأمرين:
import re, subprocess
def speech_turns(wav, noise="-35dB", min_silence=0.6):
"""Return (start, end) seconds of speech, using ffmpeg silencedetect."""
log = subprocess.run(
["ffmpeg", "-i", wav, "-af", f"silencedetect=noise={noise}:d={min_silence}", "-f", "null", "-"],
capture_output=True, text=True).stderr
dur = float(subprocess.run(
["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", wav],
capture_output=True, text=True).stdout)
starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", log)]
ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
turns, cursor = [], 0.0
for s, e in zip(starts, ends + [dur]):
if s - cursor > 0.4:
turns.append((cursor, s))
cursor = e
if dur - cursor > 0.4:
turns.append((cursor, dur))
return turns
اضبط noise على تسجيلاتك أنت: الخطوط المشوّشة تحتاج إلى عتبة أعلى مثل -30dB.
الخطوة 4: كيف تفرّغ كل دور؟
import os, tempfile
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def transcribe_turns(wav, speaker, language="ar"):
out = []
for start, end in speech_turns(wav):
with tempfile.NamedTemporaryFile(suffix=".wav") as seg:
subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", wav,
"-ss", f"{start:.2f}", "-to", f"{end:.2f}", seg.name], check=True)
with open(seg.name, "rb") as audio:
text = client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic", file=audio, language=language).text
out.append({"start": start, "speaker": speaker, "text": text.strip()})
return out
أرسل language دائمًا. فبدونه قد تعود العربية بحروف لاتينية. ولطوابير المكالمات الإنجليزية، استخدم broadnet/cohere-transcribe مع language="en". وأبقِ مجموعة العمّال صغيرة: مفاتيح الدفع حسب الاستخدام تسمح بـ4 طلبات متزامنة و30 طلب في الدقيقة، ويبيّن دليل الأخطاء وإعادة المحاولة كيف تتراجع عند 429.
يجب أن يبقى الملف الواحد تحت 25 MiB. والمونولوج الطويل بصيغة WAV أحادية بتردد 16 kHz (نحو 32 KB في الثانية) يتجاوز ذلك عند نحو 13 دقيقة؛ قسّمه بـ-f segment -segment_time 600.
الخطوة 5: كيف تدمج الأدوار في حوار؟
turns = transcribe_turns("agent.wav", "Agent") + transcribe_turns("customer.wav", "Customer")
dialogue = "\n".join(f'{t["speaker"]}: {t["text"]}' for t in sorted(turns, key=lambda t: t["start"]))
يظهر الكلام المتداخل كدورين بأوقات بدء متقاربة، وهذا ما يتوقعه المراجع البشري.
وماذا عن التسجيلات الأحادية؟
دون قنوات منفصلة تحتاج إلى تمييز المتحدثين (diarization): أي تحديد من تكلّم ومتى. الخيارات:
| الخيار | الطريقة | المقايضة |
|---|---|---|
| تمييز المتحدثين بأداة مفتوحة المصدر | شغّل pyannote.audio على خوادمك، ثم فرّغ مقطع كل متحدث | تستضيف نموذجًا بنفسك؛ ويبقى الصوت لديك |
| مزود يقدّم تمييز المتحدثين مدمجًا | عدة واجهات STT تعيد تسميات المتحدثين؛ راجع مقارنة الأسعار لتكاليف الإضافات | مورّد إضافي في مسار البيانات |
| تسمية الأدوار بنموذج LLM | فرّغ الأدوار، ثم اطلب من نموذج LLM تسمية كل دور Agent أو Customer من السياق | رخيص؛ ويخطئ في الأدوار القصيرة أو الملتبسة |
| عالج المشكلة من مصدرها | حوّل نظام التسجيل إلى قناتين | أفضل حل على المدى الطويل |
لا تُدرج BroadNet تمييز المتحدثين ضمن خدماتها، لذا اجمعها في الصوت الأحادي مع أحد الخيارات الثلاثة الأولى.
الخطوة 6: كيف تحجب البيانات الشخصية، بما فيها الأرقام العربية؟
يقرأ المتصلون أرقام البطاقات وأرقام IBAN والهواتف بصوت عالٍ. وقد تكتبها النصوص المفرّغة بأرقام غربية (0-9) أو بأرقام عربية مشرقية (٠-٩). وحّد الأرقام أولًا، ثم احجب:
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def redact(text):
text = text.translate(EASTERN)
text = re.sub(r"\b(?:\d[ -]?){13,19}\b", "[CARD]", text)
text = re.sub(r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b", "[IBAN]", text)
text = re.sub(r"\+?\d[\d -]{7,}\d", "[PHONE]", text)
return text
وقد تُنطق الأرقام أيضًا كلمات (“خمسة أربعة…”)، وهذه لن تلتقطها التعبيرات النمطية. راجع عيّنات من النصوص المفرّغة يدويًا وأضِف قواعد لما تجده. والنهج الأشمل في مقال إرسال البيانات الحساسة إلى LLM API.
الخطوة 7: كيف تلخّص كل مكالمة بنموذج LLM؟
import json
summary = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
response_format={"type": "json_object"},
messages=[
{"role": "system", "content": "Summarise this call centre dialogue. Reply in English JSON with keys: "
"reason, resolution, resolved (true/false), customer_sentiment, follow_up."},
{"role": "user", "content": redact(dialogue)},
],
).choices[0].message.content
print(json.loads(summary))
يدعم Qwen3.8 27B المخرجات المنظَّمة؛ فحلّل الرد وتحقّق منه دائمًا (الطريقة). كما وجد اختبار BroadNet نفسه أنه يفهم اللهجتين الخليجية والمصرية. اطلب JSON بالإنجليزية إذا كانت لوحات المتابعة لديك بالإنجليزية، حتى لو كانت المكالمة بالعربية.
ما فحوص الجودة التي تسبق التحليلات؟
لوحات المتابعة المبنية على نصوص مفرّغة رديئة تبدو واثقة تمامًا مثل تلك المبنية على نصوص جيدة. أضِف هذه الفحوص إلى خط المعالجة:
- تبادل القنوات. إذا انعكست تسميتا الموظف والعميل في جهاز تسجيل أو طابور ما، فكل مقياس من نوع «قال الموظف» خاطئ. افحص الدور الأول: يبدأ الموظفون عادةً بتحية واسم الشركة.
- نصوص فارغة أو قصيرة جدًا. الدور الذي لا يعيد نصًا، أو المكالمة التي تقل عن 20 كلمة، يعني عادةً صمتًا أو موسيقى انتظار أو ملفًا تالفًا. علّم عليه بدل تلخيصه.
- عدم تطابق اللغة. طابور إنجليزي ينتج فجأة نصًا عربيًا، أو عربية تعود بحروف لاتينية، يشير إلى قيمة
languageخاطئة. - انحراف الملخّصات. كل أسبوع، اطلب من مشرف مقارنة 20 ملخّصًا بالنص المفرّغ الكامل. وتابع عدد المرات التي تكون فيها قيمة
resolvedخاطئة.
خزّن النصوص المفرّغة لكل دور، لا الملخّص وحده. فحين يُعترض على ملخّص، تكون الأدوار هي دليلك.
كم يكلّف تفريغ المكالمات؟
مع تقطيع الأدوار، يقترب الصوت المحاسَب من زمن الكلام. لـ1,000 ساعة من الكلام العربي:
- التفريغ: $252.00 بسعر $0.0042 للدقيقة على BroadNet Transcribe Arabic، أو $120.00 على BroadNet Transcribe متعدد اللغات (14 لغة) لطوابير المكالمات الإنجليزية.
- الملخّصات: مكالمة من 7 دقائق تكون غالبًا بضعة آلاف من الرموز (التوكنات). احسب تكلفتها في حاسبة تكلفة LLM API بأطوال نصوصك المفرّغة الفعلية، وتكلفة الصوت في حاسبة تكلفة تحويل الكلام إلى نص.
أين يأتي دور BroadNet Inference؟
تغطي BroadNet الخطوتين 4 و7 بمفتاح واحد وعنوان أساسي (base URL) واحد: العربية و13 لغة أخرى للتفريغ، ونماذج محادثة مختبرة على العربية للتلخيص. لا يُحتفظ بالصوت ولا بالنصوص المفرّغة ولا بالأوامر (عدم الاحتفاظ بالبيانات)، وتذكر BroadNet أن نموذجها العربي يحتل #2 من أصل 37 (وهو رقمها لشهر سبتمبر 2026؛ وأدرجته اللوحة المباشرة في المرتبة #4 من أصل 39 في 15 نوفمبر 2026) في Open Universal Arabic ASR Leaderboard.
لا تقوم BroadNet بتمييز المتحدثين ولا بالتفريغ الفوري ولا بالحجب نيابةً عنك؛ فهذه تبقى في خط معالجتك. وقبل أن تلتزم، اختبر لهجاتك بالطريقة الواردة في مقال التعرّف على الكلام باللهجات العربية.

