ASR چیست؟ تشخیص خودکار گفتار؛ نحوه کار، دقت و کاربردها

فناوری ASR (Automatic Speech Recognition) یا تشخیص خودکار گفتار، یکی از شاخه‌های مهم هوش مصنوعی و پردازش زبان طبیعی است که به رایانه‌ها امکان می‌دهد گفتار انسان را دریافت کنند و به متن تبدیل کنند. دستیارهای صوتی مثل Siri و Google Assistant، زیرنویس خودکار ویدئوها، تایپ صوتی و منوهای گویای هوشمند همه بر پایهٔ همین فناوری کار می‌کنند.

در این مقاله توضیح می‌دهیم ASR چیست، گام‌به‌گام چطور کار می‌کند، از مدل‌های آماری قدیمی تا مدل‌های یادگیری عمیق امروزی چه تحولی داشته، دقت آن چطور سنجیده می‌شود و در زبان فارسی و به‌خصوص در مرکز تماس با چه چالش‌هایی روبه‌روست.

ASR چیست و چرا اهمیت دارد؟

ASR سامانه‌ای است که ورودی آن صدا و خروجی آن متن است. اصطلاح‌های Speech Recognition، Speech-to-Text (STT) و «تبدیل گفتار به متن» هم به همین فناوری اشاره دارند. اهمیت ASR در این است که صدا، طبیعی‌ترین راه ارتباط انسان است اما رایانه‌ها با متن کار می‌کنند؛ ASR این دو را به هم وصل می‌کند.

وقتی گفتار به متن تبدیل شد، می‌توان آن را جست‌وجو کرد، خلاصه کرد، به زبان دیگر برگرداند، تحلیل احساسات روی آن انجام داد یا به یک مدل زبانی بزرگ داد تا پاسخ تولید کند. به همین دلیل ASR حلقهٔ اول تقریباً همهٔ سامانه‌های هوش مصنوعی گفتاری است.

ASR چگونه کار می‌کند؟

فرایند تشخیص گفتار از لحظه‌ای شروع می‌شود که صدا وارد سیستم می‌شود و با تولید متن نهایی تمام می‌شود. این مسیر چند مرحلهٔ اصلی دارد:

۱. دریافت و دیجیتال‌سازی صدا

صدا ابتدا به‌صورت سیگنال آنالوگ دریافت و با نمونه‌برداری به سیگنال دیجیتال تبدیل می‌شود. نرخ نمونه‌برداری اهمیت زیادی دارد: صدای میکروفون معمولاً ۱۶ کیلوهرتز یا بیشتر است، اما صدای تماس تلفنی معمولاً ۸ کیلوهرتز است و بخشی از اطلاعات صوتی در آن از دست می‌رود. کیفیت ورودی تأثیر مستقیمی بر دقت خروجی دارد.

۲. پیش‌پردازش

در این مرحله نویز محیط کاهش داده می‌شود، بخش‌های سکوت با تشخیص فعالیت صوتی (VAD) شناسایی و حذف می‌شوند و سیگنال به قطعه‌های کوتاه چند ده میلی‌ثانیه‌ای تقسیم می‌شود تا برای استخراج ویژگی آماده باشد.

۳. استخراج ویژگی

مدل‌ها مستقیم با موج خام صدا کار نمی‌کنند. صدا به نمایش‌هایی مثل طیف‌نگار (Spectrogram) یا ویژگی‌های MFCC تبدیل می‌شود که محتوای گفتار را فشرده و قابل تحلیل نشان می‌دهند و تفاوت صداهای زبانی را برجسته می‌کنند.

۴. مدل آکوستیک و مدل زبانی

در معماری کلاسیک، تشخیص گفتار دو بخش اصلی دارد. مدل آکوستیک (Acoustic Model) رابطهٔ میان ویژگی‌های صوتی و واحدهای زبانی مثل واج‌ها را یاد می‌گیرد و تشخیص می‌دهد هر بخش از سیگنال به کدام صدای زبانی نزدیک‌تر است. مدل زبانی (Language Model) مشخص می‌کند کدام واژه‌ها با چه ترتیبی در زبان محتمل‌ترند. اگر مدل آکوستیک بین «سفارش» و «صفارش» مردد باشد، مدل زبانی واژهٔ درست را بر اساس ساختار جمله انتخاب می‌کند.

۵. رمزگشایی و تولید متن

رمزگشا (Decoder) خروجی دو مدل را ترکیب می‌کند و محتمل‌ترین جمله را برمی‌گزیند. در کاربردهای سازمانی، پس از آن یک لایهٔ نرمال‌سازی معکوس متن (ITN) هم اجرا می‌شود تا «دو میلیون و پانصد هزار» به «۲٬۵۰۰٬۰۰۰» و کدها و شماره‌ها به شکل استاندارد تبدیل شوند.

از مدل‌های آماری تا یادگیری عمیق

نسل‌های اول ASR بر مدل‌های آماری مثل مدل پنهان مارکوف (HMM) متکی بودند. این سیستم‌ها به طراحی دستی و تنظیمات پیچیده نیاز داشتند و در محیط‌های کنترل‌شده خوب کار می‌کردند، اما در برابر نویز، لهجه‌های مختلف و گفتار طبیعی دقتشان افت می‌کرد.

ورود یادگیری عمیق نقطهٔ عطف این فناوری بود. شبکه‌های عصبی الگوهای گفتار را مستقیم از داده‌های حجیم یاد می‌گیرند و در برابر نویز و تنوع گفتار مقاوم‌ترند. نتیجهٔ مهم این تحول، مدل‌های انتها به انتها (End-to-End) است که صدا را مستقیم به متن تبدیل می‌کنند، بدون این‌که مدل آکوستیک و مدل زبانی جداگانه طراحی شوند. معماری‌های مبتنی بر CTC، توجه (Attention) و ترنسفورمر امروز پایهٔ بیشتر موتورهای ASR هستند. برای مرور کامل این مسیر، مقالهٔ تاریخچهٔ تشخیص گفتار خودکار را بخوانید.

ASR برخط و ASR دسته‌ای

ASR به دو شکل اجرا می‌شود. در حالت برخط (Streaming)، متن هم‌زمان با صحبت تولید می‌شود؛ این حالت برای IVR گفتاری، ربات پاسخگو و دستیار کارشناس لازم است و تأخیر در آن اهمیت زیادی دارد. در حالت دسته‌ای (Batch)، فایل‌های ضبط‌شده پس از پایان تماس پردازش می‌شوند؛ این حالت برای تحلیل مکالمات، کنترل کیفیت و جست‌وجو در آرشیو تماس‌ها مناسب است و معمولاً دقت بالاتری دارد، چون مدل به کل جمله دسترسی دارد.

دقت ASR چطور سنجیده می‌شود؟

معیار استاندارد سنجش دقت تشخیص گفتار، نرخ خطای واژه (WER) است: مجموع واژه‌های جایگزین‌شده (S)، حذف‌شده (D) و اضافه‌شده (I) تقسیم بر تعداد واژه‌های متن مرجع. هرچه WER کمتر باشد، دقت بیشتر است. نمونهٔ زیر نشان می‌دهد این محاسبه چطور انجام می‌شود:

نکتهٔ مهم این است که WER یک موتور روی مجموعه‌دادهٔ عمومی با WER همان موتور روی تماس‌های یک سازمان یکی نیست. برای جزئیات بیشتر، روش محاسبه و خطاهای رایج در سنجش، مقالهٔ نرخ خطای واژه (WER) چیست را ببینید.

ASR در زبان فارسی و صدای تلفن

فارسی برای ASR چالش‌های ویژه‌ای دارد: دادهٔ آموزشی کمتر از زبان‌هایی مثل انگلیسی، فاصلهٔ زیاد میان زبان نوشتاری و گفتاری، لهجه‌های متنوع، واژه‌های قرضی و نیم‌فاصله‌ها. در مرکز تماس، این چالش‌ها با کیفیت پایین صدای تلفن، هم‌پوشانی صدای دو طرف و اعداد و کدهایی که باید دقیق ثبت شوند، سخت‌تر هم می‌شود.

• گفتار محاوره‌ای: مشتری می‌گوید «سفارشم هنوز نرسیده»، نه «سفارش من هنوز نرسیده است»؛ مدل باید با هر دو شکل کار کند.
• اعداد و کدها: شمارهٔ کارت، کد پیگیری و مبلغ باید پس از نرمال‌سازی دقیقاً درست باشند.
• واژگان سازمانی: نام محصولات و خدمات هر سازمان باید به موتور آموزش داده شود.

برای همین، موتوری که روی صدای تلفنی فارسی تنظیم شده باشد، در مرکز تماس نتیجهٔ بهتری از یک موتور عمومی می‌دهد. صفحهٔ تبدیل گفتار به متن فارسی موتور sena-asr ساعیان ارتباط را معرفی می‌کند که روی حدود ۱٬۰۰۰ ساعت گفتار تلفنی فارسی تنظیم شده است.

کاربردهای ASR

اگر به کاربرد ASR در کنار سایر فناوری‌های هوش مصنوعی در مرکز تماس علاقه دارید، راهنمای کامل هوش مصنوعی در مرکز تماس را ببینید.

تفاوت Speech Recognition و Voice Recognition

این دو اصطلاح گاهی به جای هم به کار می‌روند، اما دو فناوری متفاوت‌اند. Speech Recognition به این پرسش پاسخ می‌دهد که «چه چیزی گفته شد؟» و خروجی آن متن است. Voice Recognition یا بیومتریک صوتی به این پرسش پاسخ می‌دهد که «چه کسی صحبت می‌کند؟» و برای احراز هویت صوتی به کار می‌رود.

ASR در کنار TTS و LLM

ASR معمولاً تنها کار نمی‌کند. در یک ربات پاسخگوی تلفنی، ASR گفتار مشتری را به متن تبدیل می‌کند، مدل زبانی بزرگ (LLM) خواسته را می‌فهمد و پاسخ را می‌سازد و TTS پاسخ را با صدای طبیعی می‌خواند. برای آشنایی با تفاوت نقش این فناوری‌ها، مقالهٔ مقایسهٔ LLM و ASR را بخوانید.

مزایا و چالش‌های ASR

پرسش‌های متداول

ASR مخفف چیست؟

ASR مخفف Automatic Speech Recognition به معنای تشخیص خودکار گفتار است؛ فناوری‌ای که گفتار انسان را به متن تبدیل می‌کند.

فرق ASR و Speech-to-Text چیست؟

در عمل هر دو به یک فناوری اشاره دارند. Speech-to-Text بیشتر نام کاربردی و تجاری آن است و ASR نام علمی و فنی‌تر همان فناوری است.

دقت ASR فارسی چقدر است؟

دقت به نوع صدا بستگی دارد و با WER سنجیده می‌شود. روی صدای تمیز، خطا بسیار کمتر از صدای تلفنی و گفتار محاوره‌ای است؛ به همین دلیل باید دقت را روی داده‌های مشابه کاربرد واقعی سنجید.

ASR در پزشکی چه کاربردی دارد؟

پزشکان می‌توانند گزارش‌ها و یادداشت‌های بالینی را دیکته کنند و ASR آن را به متن تبدیل کند. برای این کاربرد، موتور باید با واژگان تخصصی پزشکی تنظیم شده باشد.

آیا ASR بدون اینترنت هم کار می‌کند؟

بله. موتورهای ASR را می‌توان روی سرور خود سازمان نصب کرد تا صدا و متن از سازمان خارج نشود؛ این روش برای بانک‌ها و سازمان‌هایی که با داده‌های حساس سروکار دارند مناسب‌تر است.