پژوهشگران دانشگاه تهران سامانهای بومی برای تبدیل گفتار فارسی به متن توسعه دادهاند که طبق ارزیابیهای اعلامشده، در تشخیص مکالمات تلفنی عملکرد دقیقتری از سرویس تشخیص گفتار گوگل داشته است. این فناوری با هدف هوشمندسازی مراکز تماس و توسعه دستیارهای صوتی طراحی شده است.
هادی ویسی، عضو هیئت علمی دانشکده سامانههای هوشمند دانشگاه تهران، اعلام کرده است که این سامانه با تکیه بر تجربه تخصصی نزدیک به دو دهه در حوزه تشخیص گفتار توسعه یافته است.
یکی از ویژگیهای اصلی این پروژه، استفاده از چند هزار ساعت مکالمه واقعی از مراکز تماس داخل کشور است. این دادهها پس از پیادهسازی متن، بازبینی و پالایش برای آموزش و ارزیابی مدل مورد استفاده قرار گرفتهاند.
تشخیص گفتار فارسی در مکالمات تلفنی به دلیل کیفیت متفاوت خطوط، تنوع لهجهها، سرعت صحبت کردن و کاربرد واژههای محاورهای، چالشهای خاصی دارد. به همین دلیل، مدل دانشگاه تهران بهطور اختصاصی برای شرایط صوتی و زبانی تماسهای تلفنی آموزش دیده است.
این سامانه میتواند در دستیارهای هوشمند تلفنی، پاسخگویی خودکار به مشتریان، بررسی عملکرد کارشناسان و تحلیل محتوای مکالمات کاربرد داشته باشد. همچنین، استخراج نیازهای مشتریان و شناسایی موضوعات پرتکرار از قابلیتهای مطرحشده برای این فناوری است.
به گفته ویسی، این محصول از مرحله توسعه اولیه عبور کرده و هماکنون در چند دستیار هوشمند تلفنی مورد استفاده قرار گرفته است؛ دستیارهایی که برای پاسخگویی به مشتریان سازمانهای بزرگ طراحی شدهاند.
برتری یک مدل در کاربرد تخصصی لزوماً به معنای بهتر بودن آن در تمام وظایف تشخیص گفتار نیست. برای مقایسه دقیق با گوگل، انتشار نتایج عددی، مجموعهداده آزمایش، میزان خطای کلمات و عملکرد مدل در لهجههای مختلف ضروری است. بااینحال، آموزش روی مکالمات واقعی فارسی میتواند مزیتی مهم برای کسبوکارهایی باشد که به رونویسی دقیق تماسهای مشتریان نیاز دارند.