چرا تحلیل گفتار فارسی روی تماس تلفنی ۸ کیلوهرتز دشوار است؟
بررسی فنی محدودیت‌های پهنای باند مخابراتی، نویز خطوط، تداخل گویندگان و راهکارهای ژرف‌آوا برای دقت عملیاتی در زبان فارسی.
نکات کلیدی این مقاله
- تفاوت صوت استودیویی ۱۶ کیلوهرتز با صوت فشرده مخابراتی ۸ کیلوهرتز
- نقش حیاتی تفکیک گوینده (Diarization) در تحلیل دیالوگ‌های پرهیجان
- پوشش واژگان بومی، نام‌های خاص و اصطلاحات صنعتی در مدل‌های ژرف‌آوا
واقعیت پهنای باند در شبکه‌های تلفنی
کیفیت استاندارد تماس‌های تلفنی در زیرساخت‌های مخابراتی ایران و جهان بر پایه نرخ نمونه‌برداری ۸ کیلوهرتز (۸kHz) و کدک‌های فشرده‌سازی نظیر G.711 تنظیم شده است. در این فرکانس، بخش قابل توجهی از جزئیات طیفی صدای انسان، به ویژه فرکانس‌های بالای ۳.۴ کیلوهرتز که محل تشخیص حروف صامت است، حذف می‌شود.
مدل‌هایی که برای تبدیل صوت به متن در محیط‌های ایده‌آل (مانند فیلم یا پادکست) توسعه یافته‌اند، در محیط تلفنی با افت دقت بسیار شدیدی مواجه می‌شوند.
چالش‌های خاص زبان فارسی در محیط تلفنی
زبان فارسی دارای ویژگی‌های آوایی ویژه‌ای نظیر حذف برخی واکه‌ها در محاوره، جابجایی جایگاه کلمات در گفتار خودمانی، و ادغام ضمایر متصل با افعال است. علاوه بر این، اعداد در زبان فارسی تنوع تلفظی زیادی دارند (مثلاً ششصد و سی و دو هزار).
ژرف‌آوا مدل‌های آکوستیک و زبانی خود را به طور اختصاصی بر روی داده‌های گفتاری واقعی تلفنی فارسی بهینه‌سازی کرده است تا این پیچیدگی‌ها با دقت عملیاتی بالا پیاده‌سازی شوند.