Bir çağrı merkezi ayda binlerce saat ses üretir ve bunun neredeyse hiçbiri okunmaz. Transkriptler çağrıları aranabilir, özetler ise incelenebilir kılar. Bu yazı hattı uçtan uca, Arapça açısından kuruyor: lehçeler, karışık Arapça ve İngilizce ve Doğu Arap rakamları.
Adımlar:
- Kaydı inceleyin: stereo mu, mono mu?
- Stereoyu temsilci ve müşteri kanallarına ayırın.
- Her kanalı konuşma turlarına kesin.
- Her turu doğru dille metne çevirin.
- Turları başlangıç zamanına göre bir diyalogda birleştirin.
- Metindeki kişisel verileri (PII) maskeleyin.
- Bir LLM ile yapılandırılmış alanlara özetleyin.
1. adım: kayıt stereo mu, mono mu?
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
Birçok çağrı merkezi kayıt sistemi temsilciyi bir kanalda, müşteriyi diğerinde saklar. AssemblyAI’nin iletişim merkezi rehberi de aynı noktaya değiniyor: ayrı kanallarla konuşmacı ayrımı yapmadan konuşmacıları ayırmış olursunuz. Birkaç çağrıda hangi tarafın hangisi olduğunu kontrol edin; temsilci her zaman sol kanalda değildir.
2. adım: stereo kanallar ffmpeg ile nasıl ayrılır?
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
pan filtresi tek bir kanalı tutar, -ar 16000 ise sesi 16 kHz’e yeniden örnekler; BroadNet’in belgeleri telefon kayıtları için bu formatı kullanıyor.
3. adım: her kanal konuşma turlarına nasıl kesilir?
Bu, ses etkinliği algılamanın (VAD) basit bir biçimi. Her kanalı tam olarak göndermek çalışır, ama karşı taraf konuşurken geçen her saniyelik sessizlik için ödersiniz; bu da stereo bir çağrıda faturayı kabaca ikiye katlar. Tur sırası da kaybolur. Sessizliklerden kesmek ikisini birden çözer:
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
noise değerini kendi kayıtlarınızda ayarlayın: gürültülü hatlar -30dB gibi daha yüksek bir eşik ister.
4. adım: her tur nasıl metne çevrilir?
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
language parametresini her zaman gönderin. Gönderilmezse Arapça Latin harfleriyle dönebilir. İngilizce kuyruklar için language="en" ile broadnet/cohere-transcribe kullanın. İşçi havuzunu küçük tutun: kullandıkça öde anahtarları aynı anda 4 isteğe ve dakikada 30 isteğe izin verir; 429 aldığınızda nasıl geri çekileceğinizi hatalar ve yeniden denemeler rehberi gösteriyor.
Tek dosyalar 25 MiB’in altında kalmalı. 16 kHz mono WAV formatında (saniyede yaklaşık 32 KB) uzun bir monolog bu sınırı yaklaşık 13 dakikada aşar; -f segment -segment_time 600 ile bölün.
5. adım: turlar bir diyalogda nasıl birleştirilir?
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"]))
Üst üste binen konuşma, başlangıç zamanları birbirine yakın iki tur olarak görünür; bir insan inceleyicinin beklediği de budur.
Mono kayıtlar ne olacak?
Kanal yoksa konuşmacı ayrımı (diarization) gerekir: kimin ne zaman konuştuğuna karar vermek. Seçenekler:
| Seçenek | Nasıl | Ödünleşim |
|---|---|---|
| Açık kaynaklı konuşmacı ayrımı | Kendi sunucularınızda pyannote.audio çalıştırın, sonra her konuşmacı parçasını metne çevirin | Bir modeli siz barındırırsınız; ses sizde kalır |
| Yerleşik konuşmacı ayrımı sunan bir sağlayıcı | Birçok STT API’si konuşmacı etiketi döndürür; ek ücretler için fiyat karşılaştırmasına bakın | Veri yolunda bir tedarikçi daha |
| LLM ile rol etiketleme | Turları metne çevirin, sonra bir LLM’den her turu bağlama göre Temsilci veya Müşteri diye etiketlemesini isteyin | Ucuz; kısa veya belirsiz turlarda yanılır |
| Sorunu kaynağında çözün | Kayıt sistemini çift kanala geçirin | Uzun vadede en iyi yanıt |
BroadNet konuşmacı ayrımı listelemiyor; mono seste onu ilk üç seçenekten biriyle birlikte kullanın.
6. adım: Arap rakamları dahil kişisel veriler nasıl maskelenir?
Arayanlar kart numaralarını, IBAN’ları ve telefon numaralarını sesli okur. Transkriptler bunları Batı rakamlarıyla (0-9) veya Doğu Arap rakamlarıyla (٠-٩) yazabilir. Önce normalleştirin, sonra maskeleyin:
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
Sayılar kelimeyle de söylenebilir (“خمسة أربعة…”); düzenli ifadeler bunları kaçırır. Transkriptlerden elle örnek alın ve bulduklarınız için kural ekleyin. Daha geniş yaklaşım hassas verileri bir LLM API’sine gönderme yazısında.
7. adım: her çağrı bir LLM ile nasıl özetlenir?
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))
Qwen3.8 27B yapılandırılmış çıktıyı destekler; yanıtı her zaman ayrıştırıp doğrulayın (nasıl). BroadNet’in kendi testi, modelin Körfez ve Mısır lehçelerini de anladığını buldu. Panolarınız İngilizceyse çağrı Arapça olsa bile İngilizce JSON isteyin.
Analitikten önce hangi kalite kontrolleri gelir?
Kötü transkriptler üzerine kurulan panolar, iyi transkriptler üzerine kurulanlar kadar kendinden emin görünür. İşlem hattına şu kontrolleri ekleyin:
- Kanal karışması. Bir kayıt sisteminde veya kuyrukta temsilci ve müşteri etiketleri ters çevrilmişse “temsilci şunu söyledi” türündeki her metrik yanlıştır. İlk tura bakın: temsilciler genellikle bir selamlama ve şirket adıyla açar.
- Boş veya çok kısa transkriptler. Metin döndürmeyen bir tur ya da 20 kelimenin altında bir çağrı genellikle sessizlik, bekleme müziği veya bozuk bir dosya demektir. Bunu özetlemek yerine işaretleyin.
- Dil uyuşmazlığı. Birden Arapça metin üreten bir İngilizce kuyruk ya da Latin harfleriyle dönen Arapça, yanlış bir
languagedeğerine işaret eder. - Özet kayması. Her hafta bir süpervizöre 20 özeti tam transkriptle karşılaştırtın.
resolvedalanının ne sıklıkla yanlış olduğunu izleyin.
Yalnızca özeti değil, tur bazındaki transkriptleri de saklayın. Bir özete itiraz edildiğinde kanıtınız turlardır.
Çağrı transkripsiyonunun maliyeti ne?
Tur kesmeyle faturalanan ses, konuşma süresine yakındır. 1.000 saatlik Arapça konuşma için:
- Transkripsiyon: BroadNet Transcribe Arabic üzerinde dakikası $0.0042 fiyatla $252.00; İngilizce kuyruklar için 14 dilli BroadNet Transcribe ile $120.00.
- Özetler: 7 dakikalık bir çağrı çoğu zaman birkaç bin token eder. Gerçek transkript uzunluklarınızla LLM API maliyet hesaplayıcısında, ses tarafını da konuşmadan metne maliyet hesaplayıcısında fiyatlandırın.
BroadNet Inference’ın yeri
BroadNet, 4. ve 7. adımları tek bir anahtar ve tek bir temel URL ile karşılar: transkripsiyon için Arapça ve 13 dil daha, özet için de Arapçada test edilmiş sohbet modelleri. Ses, transkript ve istemler saklanmaz (sıfır veri saklama); BroadNet ayrıca Arapça modelinin Open Universal Arabic ASR Leaderboard’da 37 model arasında 2. (Eylül 2026 verisi; canlı sıralamada 15 Kasım 2026 itibarıyla 39 model arasında 4.) olduğunu bildiriyor.
Konuşmacı ayrımını, gerçek zamanlı transkripsiyonu veya maskelemeyi sizin yerinize yapmaz; bunlar sizin hattınızda kalır. Karar vermeden önce lehçelerinizi Arapça lehçe konuşma tanıma yazısındaki yöntemle test edin.

