SquadStack.ai مدل گفتار پخش زنده Arth V2 را عرضه کرد؛ مدلی هندی که در مکالمات تلفنی ۸ کیلوهرتز از ساروام، دیپ‌گرام، گوگل و OpenAI پیشی گرفت

SquadStack.ai امروز Arth V2، یک مدل پخش زنده تبدیل گفتار به متن طراحی‌شده برای تماس‌های فروش در هند را معرفی کرد. Arth نخستین مدل تولیدشده در کارخانه مدل‌سازی هوش مصنوعی SquadStack.ai است. این مدل در آزمون معیار «SquadStack Conversational Streaming ASR Benchmark (8 kHz)» به نرخ خطای واژه‌ای معنایی ۸٫۸۵ درصد رسید و با پیشی گرفتن از مدل هندی Sarvam و بازیگران جهانی مانند Deepgram، Google، OpenAI، Cartesia و ElevenLabs، کمترین میزان تأخیر را در میان موتورهای آزمایش‌شده ثبت کرد.

ویکاس گولاتی، هم‌بنیان‌گذار و مدیر فناوری SquadStack.ai، گفت: «هوش مصنوعی گفتاری آن‌قدر سریع پیشرفت می‌کند که مدلی که یک‌بار عرضه شود و ثابت بماند، ظرف یک ماه قدیمی خواهد شد. به همین دلیل SquadStack.ai را به‌عنوان یک کارخانه مدل اداره می‌کنیم و هر زمان نسخه جدیدی بهتر از مدل در حال استفاده عمل کند، آن را عرضه می‌کنیم. حلقه خودبهبود Lift هر تماسی را که در آن کلمه‌ای اشتباه شنیده شده باشد به Arth بازمی‌گرداند تا هر نسخه از اشتباهات نسخه قبلی یاد بگیرد. انتظار داشته باشید هر چند هفته یک نسخه جدید از Arth منتشر شود.»

Arth V2 در مقایسه با Sarvam Saaras v4، تعداد خطاهای تغییر‌دهنده معنا را ۱۸ درصد، در مقایسه با Google Gemini 3.5 Transcribe، ۲۶ درصد، در مقایسه با OpenAI gpt-live-transcribe، ۲۸ درصد و در مقایسه با ElevenLabs Scribe v2 Realtime، ۶۰ درصد کاهش داد. این مدل در ۸۰ درصد مکالمات، متن نهایی را تنها ۶۷ میلی‌ثانیه پس از توقف صحبت مشتری ارائه کرد؛ سرعتی ۲٫۶ برابر بیشتر از Sarvam و ۱۲ برابر بیشتر از OpenAI.

مدل Soniox v5 نرخ خطای اندکی بهتر، معادل ۸٫۷۷ درصد، ثبت کرد، اما تأخیر بیشتری داشت. هیچ‌یک از موتورهای آزمایش‌شده نتوانستند هم‌زمان از نظر دقت و سرعت بهتر از Arth V2 عمل کنند. Arth V2 همچنین در تشخیص اعداد، چه مبلغ وام، چه تاریخ پرداخت قسط یا کد پستی، خطاهای کمتری نسبت به Sarvam، Deepgram، Google و OpenAI داشت؛ مواردی که دقیقاً در آن‌ها مشتریان هندی معمولاً زبان خود را تغییر می‌دهند.

در یکی از تماس‌های معیار، مشتری عبارت «chhah hazaar nau sau hai» به معنای ۶۹۰۰ روپیه را بیان کرد. Google Gemini آن را ۱۹۰۰ نوشت، Sarvam عبارت «chaar nau sau» را ثبت کرد و OpenAI تنها «nau sau» را تشخیص داد، اما Arth V2 مبلغ صحیح را استخراج کرد. یک کلمه اشتباه در چنین موقعیتی می‌تواند تصمیم بعدی کارشناس فروش را تغییر دهد.

این معیار بر اساس تماس‌های بدون متن از پیش تعیین‌شده ساخته شده است؛ تماس‌هایی که در آن مشتریان مکث می‌کنند، روی صحبت کارشناس می‌آیند و در میانه جمله زبان خود را تغییر می‌دهند. بیش از چهار پنجم دقایق گفتار دارای ترکیب چندزبانه است و نزدیک به ۹۰ درصد تماس‌ها با نویز پس‌زمینه همراه هستند. فایل‌های صوتی از نوع تلفنی باند باریک ۸ کیلوهرتز هستند که فرکانس‌های بالاتر از حدود ۳٫۴ کیلوهرتز را حذف می‌کند و همه موتورهای آزمایش‌شده در حالت پخش زنده، یعنی هنگام صحبت مشتری، ارزیابی شدند.

امتیازدهی این آزمون فقط خطاهایی را محاسبه می‌کند که معنای گفته مشتری را تغییر می‌دهند. بیشتر معیارهای گفتار زبان‌های هندی بر اساس ضبط‌های پاک و باندپهن انجام می‌شوند. مجموعه تماس‌ها دوباره ساخته شد تا هیچ‌یک از تماس‌ها یا گویندگان آن با داده‌های صوتی مورد استفاده برای آموزش Arth هم‌پوشانی نداشته باشند.

Arth به‌صورت داخلی و از ابتدا آموزش داده شده و از بیش از ۶۰ کرور دقیقه مکالمه فروش هندی مربوط به بیش از ۱۰ کرور گوینده منحصربه‌فرد استفاده کرده است. این داده‌ها بیش از ۸۵ درصد کدهای پستی هند و بیشتر گویش‌ها و لهجه‌های این کشور را پوشش می‌دهند. این مدل اکنون ۸۰ درصد از بیش از ۵۰ لک تماس هوش مصنوعی روزانه SquadStack.ai را اجرا می‌کند.

آپوروا آگراوال، هم‌بنیان‌گذار و مدیرعامل SquadStack.ai، گفت: «هر مکالمه فروش با شنیدن درست صحبت مشتری آغاز می‌شود. تبدیل گفتار به متن حل‌شده به نظر می‌رسد، اما همچنان بزرگ‌ترین نقطه شکست یک عامل هوش مصنوعی صوتی است. اگر کلمات اشتباه به یک مدل زبانی داده شود، پاسخ اشتباه تولید خواهد کرد. مشتری در پاتنا و مشتری در لودیانا هر دو هندی صحبت می‌کنند، اما صدای آن‌ها هیچ شباهتی ندارد و هر دو ممکن است در میانه جمله به انگلیسی تغییر زبان دهند. ما بیش از شش سال است که مرکزهای تماس مبتنی بر هوش مصنوعی برای برندهای مصرفی پیشرو هند اجرا می‌کنیم و Arth بر اساس درس‌هایی ساخته شده که این تماس‌ها به ما آموخته‌اند. مالکیت مدل‌هایمان باعث می‌شود هر تماسی که انجام می‌دهیم، تماس بعدی را بهتر کند.»

Arth درون عامل‌های صوتی هوش مصنوعی SquadStack.ai برای همه مشتریان سازمانی این شرکت اجرا می‌شود. Arth V2 اکنون به‌صورت بتای بسته نیز برای تیم‌هایی که می‌خواهند آن را روی تماس‌های خود آزمایش کنند، ارائه شده است. فایل‌های صوتی آزمون، متن‌های مرجع و روش امتیازدهی این معیار در Hugging Face در دسترس تیم‌هایی قرار گرفته است که می‌خواهند موتور خود را آزمایش کنند.