ترندهای ASR در 2026؛ ۱۰ روند مهم تشخیص گفتار و اثر آن بر مرکز تماس

تشخیص گفتار در سال 2026 کجاست؟

ASR یا تشخیص خودکار گفتار فناوری تبدیل گفتار انسان به متن است و پایهٔ ربات‌های صوتی، منوی گویای گفتاری، تحلیل مکالمات و خلاصه‌سازی تماس‌ها به شمار می‌رود. چند سال پیش، انتشار مدل‌های بزرگ چندزبانه نشان داد که یک مدل می‌تواند ده‌ها زبان را با دقت قابل قبول بفهمد. از آن زمان رقابت از «دقت روی متن خوانده‌شده» به سمت گفت‌وگوی واقعی، زمان واقعی و دادهٔ واقعی رفته است.

در 2026 (۱۴۰۴ تا ۱۴۰۵) سه نیرو این بازار را شکل می‌دهند. اول، ادغام گفتار با مدل‌های زبانی بزرگ (LLM). دوم، نیاز عامل‌های صوتی به سرعت. سوم، فشار حریم خصوصی برای اجرای محلی. در ادامه ۱۰ ترند اصلی را بر اساس مقاله‌های پژوهشی و سنجه‌های عمومی سال جاری مرور می‌کنیم. برای هر ترند هم توضیح می‌دهیم که برای مرکز تماس چه معنایی دارد.

۱۰ ترند مهم ASR در 2026

۱. ادغام ASR با مدل‌های زبانی بزرگ (Speech LLM)

مهم‌ترین تغییر معماری سال، ترکیب یک رمزگذار صوتی با رمزگشای مدل زبانی بزرگ است. بسیاری از مدل‌هایی که در سنجه‌های عمومی مثل Open ASR Leaderboard در صدر نشسته‌اند، از همین الگو استفاده می‌کنند. مزیت این معماری درک بافت جمله است. مدل می‌تواند واژه‌های هم‌آوا را با کمک معنای جمله درست بنویسد، علامت‌گذاری و قالب‌بندی را خودش انجام دهد و حتی دستور بگیرد، مثلاً «فقط شماره‌ها را استخراج کن». در کنار آن، مدل‌های چندوجهی که صدا را مستقیم و بدون متن میانی می‌فهمند هم در حال رشدند.

۲. استریم کم‌تأخیر و تشخیص پایان نوبت

رشد عامل‌های صوتی هوشمند باعث شده تأخیر به اندازهٔ دقت مهم شود. هدف رایج این است که کل چرخهٔ «شنیدن، فهمیدن، پاسخ دادن» زیر حدود ۸۰۰ میلی‌ثانیه بماند. از این بودجه فقط چندصد میلی‌ثانیه سهم ASR است. سنجه‌های تازه، مثل سنجهٔ استریم Artificial Analysis، به همین دلیل دقت متن نهایی را همراه با زمان پس از پایان گفتار می‌سنجند. ترند مکمل، تشخیص معنایی پایان نوبت است: مدل تشخیص می‌دهد کاربر حرفش را تمام کرده یا فقط مکث کرده است.

۳. سوگیری بافتاری و واژه‌های کلیدی (Context Biasing)

مدل‌های جدید می‌توانند فهرست واژه‌های کلیدی یا حتی یک متن کامل را به‌عنوان بافت بگیرند و احتمال تشخیص درست همان واژه‌ها را بالا ببرند. نام محصولات، اسم شعب، کد تعرفه‌ها و اصطلاحات تخصصی از این دسته‌اند. گزارش فنی خانوادهٔ Qwen3-ASR صراحتاً از دادهٔ «سوگیری بافتاری» در آموزش نام می‌برد. برخی سرویس‌های تجاری هم امکان «Keyterm Prompting» را ارائه می‌کنند.

۴. مدل‌های بسیار چندزبانه و زبان‌های کم‌منبع

متا در آبان ۱۴۰۴ (نوامبر ۲۰۲۵) سامانهٔ متن‌باز Omnilingual ASR را برای بیش از ۱۶۰۰ زبان منتشر کرد. صدها زبان در آن برای نخستین بار پوشش داده شده‌اند و امکان افزودن زبان تازه با چند نمونهٔ صوتی هم پیش‌بینی شده است. Qwen3-ASR هم با مجوز Apache 2.0 بیش از ۵۰ زبان و گویش را پوشش می‌دهد. اما خود این گزارش‌ها نشان می‌دهند که کیفیت در زبان‌های کم‌منبع هنوز فاصلهٔ زیادی با زبان‌های پرمنبع دارد.

۵. گفتار آمیخته (Code-Switching)

در گفت‌وگوی واقعی فارسی، واژه‌های انگلیسی فراوان‌اند: «اپلیکیشن»، «پسورد»، «OTP»، نام برندها. پژوهشی در اردیبهشت ۱۴۰۵ پنج سرویس تجاری را روی گفتار آمیختهٔ فارسی، عربی و آلمانی سنجید. یافتهٔ مهم آن این بود که WER برای فارسی تفاوت کیفیت را بزرگ‌تر از واقع نشان می‌دهد، چون نوشتن یک واژه به خط فارسی یا لاتین را خطا حساب می‌کند. نویسندگان پیشنهاد کرده‌اند در کنار WER از سنجه‌های معنایی هم استفاده شود.

۶. مدل‌های باز و استقرار محلی (On-Premise)

در 2026 چند مدل باز از شرکت‌هایی مثل انویدیا، IBM، علی‌بابا، میسترال و Cohere در صدر جدول‌های عمومی دیده می‌شوند. صدرنشین این جدول‌ها در طول سال چند بار عوض شد. وقتی مدل باز به دقت سرویس ابری نزدیک می‌شود، بحث On-Premise یا ابری از «امکان» به «انتخاب» تبدیل می‌شود. سازمان می‌تواند صدای مشتری را داخل شبکهٔ خود پردازش کند و مدل را با دادهٔ خودش تنظیم کند.

۷. مدل‌های کوچک، سریع و کم‌هزینه

کنار مدل‌های چندمیلیارد پارامتری، موج مدل‌های زیر یک میلیارد پارامتر هم پررنگ است. مدل‌هایی مانند خانوادهٔ Parakeet انویدیا با سرعتی چند هزار برابر زمان واقعی صدا را پردازش می‌کنند. کوانتیزه‌سازی و اجرای روی دستگاه هم هزینهٔ پردازش را پایین آورده است. سنجهٔ PARSA-Bench برای فارسی هم نشان داد مدل‌های عمومی کوچک در فارسی ضعیف‌اند. پس مسیر عملی برای فارسی، مدل کوچک تنظیم‌شده با دادهٔ بومی است، نه هر مدل کوچکی.

۸. رونویسی غنی: گوینده، زمان، شماره و نشانه‌گذاری

خروجی خام ASR برای کسب‌وکار کافی نیست. ترند 2026 «رونویسی غنی» است: تفکیک گوینده (اپراتور و مشتری)، زمان‌بندی واژه به واژه، نشانه‌گذاری و نرمال‌سازی متن (ITN) که «صفر نهصد و دوازده» را به «۰۹۱۲» تبدیل می‌کند. ابزارهای هم‌ترازسازی اجباری (Forced Alignment) هم برای زمان‌بندی دقیق به بسته‌های ASR اضافه شده‌اند.

۹. گفتار به گفتار و عامل‌های صوتی تمام‌دوطرفه

مرز بعدی، مدل‌هایی است که هم‌زمان می‌شنوند و حرف می‌زنند (Full-Duplex). این مدل‌ها مثل انسان وسط حرف «بله» می‌گویند، قطع شدن حرفشان را مدیریت می‌کنند و ابزار فراخوانی می‌کنند. پژوهش‌های 2026 روی معماری فراخوانی ابزار در همین مدل‌ها متمرکزند. این ترند هنوز نوظهور است و برای زبان‌هایی مثل فارسی بلوغ کمتری دارد.

۱۰. ارزیابی فراتر از WER و قواعد سخت‌گیرانه‌تر

جامعهٔ پژوهشی به سمت سنجه‌های بازتولیدپذیر، چندزبانه و گفت‌وگومحور رفته است. نمونه‌اش Open ASR Leaderboard برای متن‌های طولانی و چندزبانه است. برای فارسی هم سنجه‌های اختصاصی مثل PSRB و PARSA-Bench منتشر شده‌اند. سنجه‌هایی مثل خطای موجودیت‌ها (نام، شماره، مبلغ) و شباهت معنایی کنار WER و CER نشسته‌اند. هم‌زمان، قانون هوش مصنوعی اتحادیهٔ اروپا از بهمن ۱۴۰۳ (فوریهٔ ۲۰۲۵) تشخیص احساس در محیط کار را جز در موارد محدود ممنوع کرده است. این نشان می‌دهد تحلیل صوتی کارکنان نیازمند ملاحظات حقوقی است.

ASR فارسی در 2026: پیشرفت‌ها و چالش‌ها

فارسی در فهرست زبان‌های بیشتر مدل‌های بزرگ هست، اما سه ویژگی آن را برای مرکز تماس دشوار می‌کند:

سنجه‌های فارسی سال‌های اخیر همین تصویر را تأیید می‌کنند. در PARSA-Bench، مدل‌های صوتی-زبانی عمومی کوچک در رونویسی فارسی عملکرد ضعیفی داشتند و فقط مدل‌های بسیار بزرگ نتیجهٔ قابل قبولی گرفتند. نتیجهٔ عملی این است که برای تماس تلفنی فارسی، مدلی که با دادهٔ تلفنی فارسی تنظیم شده، معمولاً از مدل عمومی بزرگ‌تر بهتر و ارزان‌تر کار می‌کند.

چک‌لیست انتخاب ASR در 2026

نقشهٔ راه مرکز تماس: امروز، امسال، بعد

ساعیان ارتباط و تشخیص گفتار فارسی

ساعیان ارتباط موتور تشخیص گفتار فارسی خود را برای گفتار تلفنی فارسی تنظیم کرده و آن را به‌صورت محلی و یکپارچه با نرم‌افزار مرکز تماس اجرا می‌کند. یعنی صدای مشتری از شبکهٔ سازمان خارج نمی‌شود. پیشنهاد ما این است که پیش از هر تصمیم، ASR را با یک پایلوت روی تماس‌های واقعی خودتان بسنجید تا دقت، تأخیر و ظرفیت با عدد واقعی مشخص شود. برای مرور کاربردها، راهنمای هوش مصنوعی در مرکز تماس را ببینید.

پرسش‌های متداول

مهم‌ترین ترندهای ASR در 2026 کدام‌اند؟

ادغام ASR با مدل‌های زبانی بزرگ، استریم کم‌تأخیر برای عامل‌های صوتی، سوگیری بافتاری، مدل‌های بسیار چندزبانه، مدل‌های باز قابل استقرار محلی، مدل‌های کوچک و سریع، رونویسی غنی و ارزیابی فراتر از WER.

آیا مدل‌های متن‌باز ASR به دقت سرویس‌های تجاری رسیده‌اند؟

در سنجه‌های عمومی انگلیسی، چند مدل باز در 2026 هم‌تراز یا بهتر از بسیاری از سرویس‌های تجاری بوده‌اند. برای فارسی و صدای تلفنی، نتیجه به دادهٔ تنظیم مدل بستگی دارد و باید روی دادهٔ خودتان سنجیده شود.

WER چیست و چرا به‌تنهایی کافی نیست؟

WER نسبت واژه‌های اشتباه به کل واژه‌هاست. در فارسی، تفاوت نگارش واژه‌های خارجی یا شماره‌ها خطا شمرده می‌شود، حتی اگر معنی درست باشد. برای همین سنجه‌هایی مثل CER، خطای موجودیت‌ها و شباهت معنایی هم کنار آن به کار می‌روند.

برای ربات صوتی چه تأخیری از ASR لازم است؟

هدف رایج این است که کل چرخهٔ شنیدن تا پاسخ زیر حدود ۸۰۰ میلی‌ثانیه بماند. سهم ASR از آن معمولاً چندصد میلی‌ثانیه است و باید از پایان گفتار تا متن نهایی سنجیده شود.

ASR محلی بهتر است یا ابری؟

اگر دادهٔ صوتی حساس است یا قوانین سازمان اجازهٔ خروج آن را نمی‌دهد، استقرار محلی مناسب‌تر است. ابری راه‌اندازی سریع‌تری دارد. در 2026 فاصلهٔ دقت مدل‌های باز و ابری کم شده و انتخاب بیشتر به حریم خصوصی، هزینه و پشتیبانی بستگی دارد.

آیا ASR فارسی برای مرکز تماس آماده است؟

بله، به شرط استفاده از مدلی که با گفتار تلفنی و محاوره‌ای فارسی تنظیم شده باشد و لایهٔ تبدیل شماره‌ها و تاریخ‌ها داشته باشد. پیش از استقرار، دقت را با پایلوت روی تماس‌های واقعی بسنجید.