Whisper نموذج تحويل الكلام إلى نص من OpenAI. يتعامل مع الإنجليزية ذات اللكنة والعربية الخليجية والتنقل بينهما في منتصف الجملة أفضل من معظم البدائل، وهذا ما يجعله صالحًا لخصائص الصوت في هذه المنطقة.
ما هي Whisper؟
يحوّل Whisper الصوت إلى نص. وما يميّزه في سوقنا هو المتانة: فقد دُرِّب على مجموعة صوتية ضخمة وشديدة التنوع، فيتعامل مع اللهجات والضجيج والميكروفونات الرديئة أفضل بكثير من الأنظمة الأقدم، ويكتشف لغة الكلام تلقائيًا.
وسلوك التنقل بين اللغات هو الأهم هنا. فالناس في الخليج ينتقلون روتينيًا بين العربية والإنجليزية داخل الجملة الواحدة، ونظام نسخ يفترض لغة واحدة لكل تسجيل ينتج هراءً على الإدخال نفسه الذي سيتلقاه أكثر من غيره.
متى نختار Whisper
لإدخال الصوت في سوق متعدد اللغات. فهو الخيار العملي الافتراضي حين يتحدث المستخدمون العربية أو الإنجليزية أو كليهما، وبلا إعداد يقرر أيهما.
ولتحويل تسجيلات المكالمات والملاحظات الصوتية إلى نص قابل للبحث — مكالمات دعم، وتقارير مواقع، وملاحظات مملاة.
متى لا نستخدم Whisper
للترجمة النصية الحية حيث يجب أن تظهر كل كلمة لحظة نطقها. فـ Whisper يعمل على مقاطع كاملة لا باستمرار، ونظام مبني حول تدفقه هش — تعلّمنا ذلك في RetailDirect وكتبنا عنه.
وحيث لا يجوز أن تغادر التسجيلات البلد. فتخرج واجهة النسخ المستضافة، ويصبح النموذج المستضاف ذاتيًا هو الحديث.
ما الذي نبنيه بـ Whisper
الطلب الصوتي
يتحدث العميل بطلبه؛ ويرى المُجهِّز سلة مرتبة ومسعّرة. يشغّل RetailDirect هذا بأكثر من 100 لغة، و41٪ من طلباته تصل الآن بهذه الطريقة.
تقارير ميدانية بالصوت
يسجّل فني ملاحظة في الموقع؛ فتصبح سجلًا مهيكلًا في النظام. أسرع من الكتابة على هاتف بقفازات، وهذا هو القيد الفعلي.
أرشيفات مكالمات قابلة للبحث
مكالمات الدعم والمبيعات تُنسَخ وتُفهرَس، فيصبح لسؤال مثل «كم مرة يسأل العملاء عن مواعيد التسليم» جواب من التسجيلات لا رأي من اجتماع.
إتاحة وترجمة مصاحبة
ترجمة مصاحبة لمحتوى الفيديو بالعربية والإنجليزية، تُولَّد تلقائيًا ويصححها محرر. مطلوبة لعمل القطاع العام هنا وتستحق الفعل على أي حال.
كيف نطلق مشاريع Whisper
بالضغط والاستمرار لا بالتدفق الحي. فالتدفق يبهر في العرض ويفشل على شبكة حقيقية: إذ يُغلق انقطاع إشارة لثانيتين في مصعد المقبس في منتصف الجملة ويفقد الطلب كله. أما المقطع المحفوظ فيُرفع كطلب واحد قابل لإعادة المحاولة، ويمنح المستخدم لحظة طبيعية لمراجعة النص قبل أن يصير طلبًا.
ودائمًا مع عرض النص للتصحيح. فذلك التغيير وحده خفّض تذاكر الأصناف الخاطئة في RetailDirect بنحو الثلثين، ولم يكن شيء منه تحسنًا في النموذج.
مع إبقاء النص مرئيًا وقابلًا للتحرير دائمًا قبل أن يصير إجراءً. وفي RetailDirect خفّض ذلك القرار الواجهي وحده تذاكر الأصناف الخاطئة بنحو الثلثين، ولم يأتِ شيء منه من تحسن النموذج.
ما تكلّفك Whisper
ليس فوريًا — فالمقطع يستغرق لحظة للمعالجة، ولهذا يجب أن تقرّ الواجهة بالتسجيل فورًا بدل انتظار النص.
وتنخفض الدقة مع الضجيج الشديد والعبارات القصيرة جدًا، فالأوامر من كلمة واحدة ملاءمتها ضعيفة. والمفردات المتخصصة — رموز المنتجات، وأسماء الأماكن المحلية — تحتاج قواعد تصحيح فوقها، نبنيها من كتالوج العميل نفسه.
الكلفة لكل دقيقة صوت، فأرشيف تسجيلات المكالمات ميزانية مختلفة عن ميزانية خاصية طلب صوتي. ونقدّرها على حجمك الحقيقي في الاستكشاف بدل تسعير رقم لكل طلب لا يعني شيئًا.
والترقيم وفصل المتحدثين أضعف أيضًا من النسخ نفسه. ولأرشيف قابل للبحث ذلك مقبول؛ ولنص منشور يحتاج مرورًا بشريًا، ونقول أيهما تحصل عليه.
أسئلة تُطرح علينا عن Whisper
أفضل من معظمها، وليس بشكل مثالي. فالعربية الفصحى قوية؛ ودقة اللهجات تتفاوت وتتحسن كثيرًا حين تضيف قواعد تصحيح لأسماء منتجاتك ومصطلحاتك. ونختبر على تسجيلاتك الحقيقية في الاستكشاف بدل الوعد برقم.
لأنه يفشل على الشبكات الحقيقية. فانقطاع إشارة لثانيتين يغلق الاتصال في منتصف الجملة وتُفقد العبارة كلها. أما مقطع الضغط والاستمرار فيُرفع كطلب واحد قابل لإعادة المحاولة ويمنح المستخدم لحظة لمراجعة النص قبل أن يصير طلبًا.
ضعيفة جاهزًا وجيدة بقواعد تصحيح مبنية من كتالوجك. فالمفردات المتخصصة هي الموضع الوحيد الذي يحتاج فيه كل نظام نسخ مساعدة، وهي يوم عمل لا مشكلة بحثية.
نعم — يمكن استضافة Whisper ذاتيًا، وهذا هو الجواب حين لا يجوز أن تغادر التسجيلات بنيتك. ويحتاج وحدة معالجة رسومية ليكون سريعًا، فتنتقل الكلفة من رسوم واجهة لكل دقيقة إلى فاتورة خادم شهرية. ونمذّج الاثنين قبل التوصية بأي منهما.
أفضل من الأنظمة الأقدم وليس بشكل مثالي. فالضجيج والعبارات القصيرة جدًا هما حيث تنخفض الدقة. وعرض النص للتأكيد يغطي الفجوة — فيصحح المستخدم الكلمة الواحدة التي خرجت خطأً بدل أن يبقى الطلب خاطئًا حتى الإرسال.
بضع ثوانٍ لمقطع قصير، وهذا سريع بما يكفي لإدخال الضغط والاستمرار وبطيء جدًا ليبدو فوريًا. فيجب أن تقرّ الواجهة بالتسجيل فورًا وتعرض النص عند وصوله، بدل ترك المستخدم ينظر إلى شاشة متجمدة يتساءل أسمعته أم لا.
أكثر من مئة، بكشف تلقائي لا باختيار المستخدم. وهذا يهم في سوق قد يتحدث فيه سائق التوصيل الأردية، والعميل العربية، والمشرف الإنجليزية، ولا ينبغي لأي منهم تغيير إعداد أولًا. ويعمل الطلب الصوتي في RetailDirect على ذلك السلوك بالضبط.
