چطور حرفِ نگفته وارد صورت‌جلسه هوش مصنوعی می‌شود؟

دستیار جلسه می‌نویسد: «تمدید را تأیید می‌کنیم.» جمله وارد متن پیاده‌شده می‌شود، بعد در خلاصه می‌آید و سرانجام کنار یک وظیفه قرار می‌گیرد. کسی صدای همان لحظه را گوش نمی‌دهد. اگر مدل این جمله را هنگام مکث ساخته باشد، هر سند بعدی فقط به همان ادعای بی‌پشتوانه ظاهر معتبرتری داده است.

این موقعیت فرضی است، نه رخدادی گزارش‌شده از مشتری ژرف. مسئله برای تیمی که جلسه، مصاحبه یا تماس پشتیبانی را پیاده می‌کند، روشن است: کدام بخش متن را می‌توان شاهد گفت‌وگو دانست و کدام بخش باید دوباره شنیده شود یا نامشخص بماند؟ پاسخ در صدای ضبط‌شده است، نه در روان‌بودن جمله.

سه خطای متفاوت در یک گفت‌وگوی کوتاه

برای شروع، گفت‌وگوی ساختگی زیر درباره تمدید یک خدمت را در نظر بگیرید. زمان‌ها به فایل اصلی اشاره دارند، نه نسخه‌ای که سکوتش حذف شده است. خروجی‌های ستون سوم را برای بررسی منطق کار ساخته‌ایم؛ آن‌ها نتیجه آزمایش یک محصول مشخص نیستند.

در ردیف اول، تشخیص گفتار اشتباه کرده و معنای مهمی را برعکس نوشته است. در ردیف دوم، گفتار ساخته شده است. ردیف سوم، خطای انتساب را با برداشت نادرست خلاصه‌ساز ترکیب می‌کند. اگر هر سه را فقط «اطمینان پایین» بنامیم، معلوم نمی‌شود چه چیزی باید اصلاح شود.

پس از بازبینی، صورت‌جلسه می‌تواند بگوید در بخش اول، تمدید تأیید نشده و ارسال گزینه‌ها برای جمعه خواسته شده است. پیشنهاد دیگری برای ارسال گزینه‌ها هم شنیده می‌شود، اما انتساب آن قطعی نیست. سکوت را نباید رأی موافق دانست؛ پیشنهاد ارسال اطلاعات نیز دستور خرید نیست.

اگر سازمان به تأیید نیاز دارد، آن را از مسیر مصوب خودش بگیرد. راهنمای طراحی تأیید انسانی توضیح می‌دهد چگونه تصمیم فرد را به اقدام مشخص وصل کنیم. متن جلسه به این فرایند کمک می‌کند؛ نباید بی‌سروصدا جای آن بنشیند.

پژوهش‌ها خطر را نشان می‌دهند، نه نرخ خطای جلسه شما را

کارت مدل ویسپر هشدار می‌دهد که خروجی گاهی متنی دارد که در صدا نیست، بخش‌هایی را تکرار می‌کند و در زبان‌های مختلف کیفیت یکسانی ندارد. سازنده استفاده از آن را برای تصمیم‌گیری‌های پرخطر توصیه نمی‌کند. این هشدار، نرخ خطای امروزِ ابزار جلسه شما نیست.

پژوهش Careless Whisper در سال ۲۰۲۴ گزارش کرد که در آزمایش‌های آوریل و مه ۲۰۲۳، از ۱۳۱۴۰ قطعه انگلیسی، ۱٫۴ درصد توالی ساختگی داشتند. سهم بیشتر زمان بدون گفتار با وقوع بیشتر این خطا همراه بود. نمونه پژوهش از AphasiaBank، تنظیمات تاریخی خدمت و روش تشخیص خطا را باید در نظر گرفت؛ این درصد برآوردی برای جلسه فارسی یا همه محصولات کنونی نیست.

گروهی دیگر در پژوهش ICASSP سال ۲۰۲۵، مدل بزرگ نسخه سوم ویسپر را با صداهای بدون گفتار آزمودند و خروجی‌های ساختگی تکرارشونده یافتند. آن‌ها پالایش عبارت‌های شاخص را بررسی کردند. نتیجه، دلیل خوبی برای آزمودن ورودی بدون گفتار است؛ نه مجوز اینکه یک فهرست عبارت ممنوع را تضمین درستی متن بدانیم. همان عبارت شاید واقعاً در گفت‌وگو گفته شده باشد.

برداشت عملی ژرف این نیست که هر متن ماشینی بی‌ارزش است. رفتار سامانه در نبود گفتار را جدا بسنجید و راه برگشت به صدا را حفظ کنید. هیچ‌یک از درصدهای این پژوهش‌ها حد پذیرش همگانی تعیین نمی‌کند. برای این مطلب نیز مقایسه تازه‌ای میان مدل‌ها اجرا نکرده‌ایم.

گفته‌شدن، گوینده و اجازه اقدام را یکی نگیرید

چهار ادعا را از هم جدا کنید: این کلمات گفته شده‌اند؛ این شخص آن‌ها را گفته؛ زمان گفتن همین بوده؛ و این حرف اجازه انجام یک کار است. سامانه ممکن است یکی را درست و دیگری را غلط تشخیص دهد. حتی نقل‌قول کاملاً درست ثابت نمی‌کند گوینده اختیار تأیید خرید داشته است.

متن پیاده‌شده قرار است گفتار قابل شنیدن را بازنمایی کند. صورت‌جلسه ویرایش‌شده انتخاب می‌کند، کوتاه می‌کند و تفسیر می‌کند. ترجمه هم تبدیل دیگری است. این خروجی‌ها نام و وضعیت جدا داشته باشند. خلاصه انگلیسی یک گفت‌وگوی فارسی، متن لفظ‌به‌لفظ انگلیسی آن جلسه نیست، هرقدر دقیق و خوش‌خوان نوشته شده باشد.

پیشنهاد این راهنما آن است که برای هر گزاره پرپیامد، قطعه صدای قابل ردگیری داشته باشیم و ابهام را تا زمان حل‌شدن همراه متن نگه داریم. این پیشنهاد مهندسی است، نه گواهی صلاحیت برای کاربرد پزشکی، حقوقی یا تصمیم‌های پرخطر. ابزار عمومی تشخیص گفتار صرفاً با اضافه‌شدن چند فیلد، برای آن کاربردها تأیید نمی‌شود.

از مدل زبانی دوم نپرسید آیا جمله «منطقی به نظر می‌رسد». جمله ساختگی به‌دلیل همین باورپذیری راحت وارد گزارش بعدی می‌شود. بازبین باید با دسترسی مجاز، صدای همان بخش و زمینه پیش و پس از آن را بشنود؛ حدس خوش‌بیان جای این شاهد را نمی‌گیرد.

حذف سکوت نباید ساعت ضبط را عوض کند

فایل اصلیِ مجاز برای نگهداری را از نسخه‌های کاری جدا کنید. شناسه پایدار، اثر انگشت دیجیتال فایل، مدت، توضیح کانال‌ها و سیاست دسترسی را به آن وصل کنید. اثر انگشت نشان می‌دهد کدام بایت‌ها بررسی شده‌اند؛ اصالت یا کامل‌بودن خود ضبط را ثابت نمی‌کند.

کاهش نویز، تغییر نرخ نمونه‌برداری و بریدن سکوت باید نسخه مشتق‌شده بسازند، نه اینکه بی‌خبر جای منبع را بگیرند. نوع تبدیل، نسخه ابزار و نگاشت هر قطعه به زمان اصلی ثبت شود. اگر دستگاه بخشی را ضبط نکرده یا بسته‌های صدا از دست رفته‌اند، آن فاصله خرابی ضبط است؛ آن را سکوت طبیعی جلسه معرفی نکنید.

فرض کنید از یک فایل شصت‌دقیقه‌ای، پیش از دقیقه ۳۵ در مجموع ۹۰۰ ثانیه حذف شده است. لحظه ۰۰:۳۵:۰۰ فایل اصلی در نسخه فشرده‌شده به ۰۰:۲۰:۰۰ می‌رسد. بازبینی که با آن نشانی به دقیقه بیست فایل اصلی برود، بخش دیگری را می‌شنود. برای هر بازه، نگاشت جدا لازم است؛ وقتی حذف‌ها در جاهای مختلف رخ داده‌اند، یک اختلاف زمان ثابت برای کل فایل کافی نیست.

اگر ضبط، کانال‌های معنادار جدا دارد، آن‌ها را حفظ کنید. با یک نمونه معلوم بررسی کنید هر کانال واقعاً صدای چه مسیری را می‌گیرد؛ چپ‌بودن یک کانال به‌تنهایی به معنی «مشتری» نیست. در عین حال، برای راحت‌شدن بازبینی، نگهداری صدا را نامحدود نکنید. اگر سیاست اجازه حفظ منبع را نمی‌دهد، محدودیت بررسی بعدی را صریح بنویسید و متن را شاهد قابل بازشنوی ننامید.

تشخیص سکوت، درستی کلمات را تأیید نمی‌کند

آشکارساز فعالیت گفتاری تخمین می‌زند کجا گفتار وجود دارد. قطعه‌بندی تعیین می‌کند کدام قسمت‌ها با هم برای تشخیص فرستاده شوند. هیچ‌کدام ثابت نمی‌کنند شخص چه گفته است. کنارگذاشتن بخش واقعاً بی‌گفتار پردازش اضافی را کم می‌کند، ولی برش تند ممکن است صدای آرام، ابتدای جمله یا یک کلمه منفی کوتاه را ببرد.

راهنمای تشخیص گفتار مایکروسافت این مبادله را توضیح می‌دهد: مهلت سکوت طولانی‌تر، مکث بیشتری را تحمل می‌کند اما نتیجه دیرتر می‌رسد؛ مهلت کوتاه‌تر شاید یک عبارت را چند تکه کند. این تنظیم محصولی مشخص است، نه مدرک اینکه یک عدد ثابت، خطای همه تشخیص‌دهنده‌ها را حذف می‌کند.

آزمون را به جمله‌های تمیز و جدا محدود نکنید. عبارت کامل با مکث، صدای کم‌حجم، نویز اتاق، موسیقی انتظار، آغاز بریده، هم‌پوشانی گویندگان و فایل کاملاً بدون گفتار را وارد مجموعه کنید. حاشیه صوتی دو طرف قطعه و تنظیمات برش را با همین نمونه‌ها انتخاب کنید. نسخه پیش از برش باید برای کشف کلمات حذف‌شده در دسترس بازبین مجاز بماند.

اگر آشکارساز بخشی را بی‌گفتار می‌داند ولی تشخیص‌دهنده برای آن متن می‌سازد، آن بخش نیازمند توجه است. با این حال، شاید آشکارساز اشتباه کرده باشد. حذف خودکار همه این خروجی‌ها، خطر دیگری می‌سازد: سامانه برای کم‌کردن حرف ساختگی، حرف واقعی گوینده آرام را پاک می‌کند.

در فارسی، یکسان‌سازی نوشتار را از داوری درباره صدا جدا نگه دارید. اصلاح نیم‌فاصله یا تبدیل شکل یک حرف هیچ چیز درباره شنیده‌شدن کلمه ثابت نمی‌کند. راهنمای ساخت رابط گفتاری فارسی به زبان، نام‌ها، عددها و رفع ابهام می‌پردازد؛ اینجا مسئله پذیرش هر قطعه بر پایه منبع صوتی است.

برچسب گوینده، نام و هویت او نیست

مستندات تفکیک کانال آمازون، پیاده‌سازی جداگانه دو کانال صوتی را همراه برچسب و زمان شرح می‌دهد. در مقابل، مستندات تفکیک گویندگان گروه‌های برآوردشده را با شناسه‌هایی مثل spk_0 نشان می‌دهد. یکی مسیر صدای ضبط‌شده را مشخص می‌کند؛ دیگری گروه‌بندی تخمینی صداهای گویندگان را.

هیچ‌کدام به‌تنهایی هویت شخصی با نام مشخص را ثابت نمی‌کند. میکروفن اتاق چند نفر را ضبط می‌کند؛ یک نفر هم شاید میان جلسه دستگاهش را عوض کند. رابطه نام شرکت‌کننده با برچسب صوتی باید شاهد و وضعیت بازبینی خودش را داشته باشد. برای پرکردن این جای خالی، از مدل نخواهید ویژگی‌های شخصی یا جمعیتی را از روی صدا حدس بزند.

وقتی افراد هم‌زمان حرف می‌زنند، «گوینده نامشخص» نتیجه پذیرفتنی است، حتی اگر بعضی کلمات روشن باشند. برای مرتب‌شدن صورت‌جلسه، جمله مهم را به نزدیک‌ترین نوبت دارای نام نچسبانید. کانال و گوینده در سابقه داده، دو فیلد جدا باشند. بازبین بتواند قطعه لازم را بشنود، بدون اینکه همه خوانندگان گزارش به کل ضبط دسترسی پیدا کنند.

نشانی زمانی هم شاهد قطعی تطابق تک‌تک کلمات نیست؛ فقط نقطه شروع مناسبی برای بررسی است. کمی از صدای پیش و پسِ قطعه را در اختیار بازبین بگذارید. اگر مرز جمله روشن نبود، او باید بتواند بازه را بزرگ‌تر کند و زمینه را بشنود.

به جای جمله کامل، وضعیت روشن تحویل دهید

سامانه برای هر قطعه به چند وضعیت ساده نیاز دارد که خلاصه‌ساز هم آن‌ها را رعایت کند. جدول زیر پیشنهاد اجرایی ژرف است؛ ادعا نمی‌کند فروشندگان چنین سیاستی را خودکار اجرا می‌کنند. مزیتش این است که «نمی‌دانیم» در مسیر تولید خلاصه ناپدید نمی‌شود.

اگر سیاست اجازه می‌دهد، خروجی خام مدل برای عیب‌یابیِ با دسترسی محدود حفظ شود؛ پس از اصلاح، همان متن خام نباید نسخه منتشرشده باقی بماند. هر قطعه پذیرفته‌شده به شناسه ضبط، بازه اصلی، کانال در صورت وجود، نسخه مدل و تنظیمات و سابقه بازبینی وصل باشد. تنها یک پاراگراف صاف و بی‌علامت به خلاصه‌ساز ندهید؛ وضعیت پذیرش نیز بخشی از ورودی اوست.

برای نقل‌قول دقیق یا تعهد مهم، بازشنوی مستقیم را در کار بگنجانید. پیش‌نویس‌های جست‌وجوپذیر کم‌خطر شاید با بازبینی نمونه‌ای قابل استفاده باشند، به شرط آنکه وضعیت پیش‌نویس آشکار بماند و کاربر بتواند منبع را بررسی کند. برچسب «پذیرفته‌شده» محدوده بررسی انجام‌شده را توصیف می‌کند، نه مصونیت از خطا را.

حرف حذف‌شده را هم اندازه بگیرید

کل مسیر ضبط تا صورت‌جلسه را با صداهایی بسنجید که مجاز به استفاده از آن‌ها هستید. زبان‌ها و شرایط صوتی واقعی کار در مجموعه آزمون حضور داشته باشند. گویندگان و ضبط‌های استفاده‌شده برای تنظیم آستانه را از مجموعه ارزیابی نهایی جدا کنید. اگر اطلاعات گروه‌های گوینده برای سنجش لازم است، آن را به شیوه مناسب جمع کنید؛ ویژگی حساس را از صدا استنباط نکنید.

نرخ خطای واژه، جایگزینی، حذف و اضافه را نسبت به تعداد واژه‌های مرجع حساب می‌کند. این شاخص مفید است، اما میانگین خوب شاید اهمیت حذف «نه» را پنهان کند. برای قطعه بی‌گفتار، مخرج معمولِ محاسبه در سطح همان قطعه صفر است. تعداد واژه ساختگی در هر دقیقه بدون گفتار و سهم قطعه‌های بی‌گفتار دارای خروجی واژگانی را جدا گزارش کنید؛ قواعد برچسب‌گذاری هم روشن باشند.

خطای گزاره‌های مهم، انتساب به گوینده نادرست، ازدست‌رفتن نفی، نشانی زمانی اشتباه و زمان اصلاح بازبین را کنار آن بگذارید. کاهش متن اضافی را همراه میزان حذف گفتار آرام واقعی بسنجید. در غیر این صورت، پالایه‌ای که همه چیز را پاک می‌کند، در شاخص کاهش حرف ساختگی عالی به نظر می‌رسد.

آزمون پذیرش باید هم «اینجا نباید کلمه‌ای تولید شود» داشته باشد و هم «این عبارت آرام باید باقی بماند». اگر مرجع مبهم است، همان ابهام را ثبت کنید؛ از برچسب‌زن نخواهید حقیقتی قطعی بسازد. تعداد نمونه، مخرج‌ها، شرایط آزمون و موارد حل‌نشده در گزارش بیایند. حد انتشار را با کاربرد و پیامد تعیین کنید؛ درصد امن و یکسانی برای همه سامانه‌ها وجود ندارد.

اصلاح یک جمله باید به کارهای وابسته هم برسد

میان قطعه پذیرفته‌شده و خلاصه، تعهد استخراج‌شده و وظیفه ایجادشده رابطه نگه دارید. اگر بازبین تأیید ساختگی را حذف کرد، همه خروجی‌های متکی به آن باید نامعتبر و دوباره بررسی شوند. مسئول مربوط نیز اقدام احتمالی انجام‌شده را بازبینی کند. ویرایش متن جلسه، ایمیل ارسال‌شده را پس نمی‌گیرد و قرارداد تمدیدشده را خودکار برنمی‌گرداند.

اصلاح را با حذف داده یکی نگیرید. اصلاح عوض می‌کند سازمان چه چیزی را شنیده‌شده می‌داند؛ درخواست حذف یا پایان مهلت نگهداری عوض می‌کند چه آثاری حق باقی‌ماندن دارند. راهنمای وابستگی‌های حذف داده در هوش مصنوعی توضیح می‌دهد چرا صدا، نسخه‌های پردازش‌شده، متن، نمایه و خلاصه به چرخه عمر هماهنگ نیاز دارند. فقط آنچه سیاست مربوط اجازه می‌دهد نگه دارید.

با تغییر دستگاه ضبط، کدک، تشخیص‌دهنده، زبان، قطعه‌بندی یا دستور خلاصه‌ساز، مجموعه آزمون را دوباره بررسی کنید. بازبینی را به موارد علامت‌خورده محدود نکنید؛ از قطعه‌های پذیرفته‌شده هم نمونه بگیرید. اگر بازبین‌ها بارها حرف‌های بی‌پشتوانه‌ای پیدا می‌کنند که قواعد فعلی اصلاً نشان نمی‌دهند، همین قواعد نیاز به تغییر دارند.

نقطه پایان مطلوب، متنی نیست که هیچ جای خالی ندارد. سابقه‌ای می‌خواهیم که حرف قابل شنیدن، بخش حل‌نشده و تصمیم بعدی انسان را از هم جدا کند. گاهی دقیق‌ترین خروجی سامانه، همان بازه خالی یا علامت ابهام است.

یادداشت منابع — بررسی‌شده در ۲۰ سپتامبر ۲۰۲۶

• اوپن‌ای‌آی، کارت مدل ویسپر؛ مستندات جاری. انتشار مدل‌های نخست در سپتامبر ۲۰۲۲ و نسخه توربوِ ذکرشده در سپتامبر ۲۰۲۴. شرح محدودیت‌ها، نه برآورد نرخ خطای همه محصولات امروز.
• کونکه و همکاران، Careless Whisper؛ کنفرانس FAccT، ۳ تا ۶ ژوئن ۲۰۲۴. آزمایش‌های مورد استناد در آوریل و مه ۲۰۲۳ روی قطعه‌های انگلیسی انجام شدند.
• بارانسکی و همکاران، گفتار ساختگی از صدای بی‌گفتار؛ ارسال ۲۰ ژانویه ۲۰۲۵ و ارائه در ICASSP ۲۰۲۵. آزمایش کنترل‌شده ویسپر بزرگ نسخه سوم؛ متن کامل بررسی شد.
• مایکروسافت، تشخیص گفتار و رفتار سکوت؛ به‌روزرسانی ۵ ژوئن ۲۰۲۶. راهنمای قطعه‌بندیِ محصول مشخص.
• آمازون، شناسایی کانال؛ صفحه جاری بدون تاریخ، مراجعه در روز بررسی.
• آمازون، تفکیک گویندگان؛ صفحه جاری بدون تاریخ، مراجعه در روز بررسی. روش کار، جدول‌های تصمیم و گفت‌وگوی ساختگی این مطلب تحلیل ژرف‌اند، نه گواهی فروشنده یا نتیجه اندازه‌گیری مشتری.