زیبایی پژواک را بشنویدپژواک شما را می‌شنود
تنظیمات پیشرفته
میکروفون را بزنید و فارسی صحبت کنید — کلمه‌ها همان لحظه ظاهر می‌شوند.
مدل‌های هوش مصنوعی فارسی پژواک: گفتار به متن و متن به گفتار، روی زیرساخت خودتان
پژواک مجموعه‌ای از مدل‌های هوش مصنوعی داخلی با تأخیر پایین است که پژوهشگران ایرانی در آزمایشگاه‌های پژواک ساخته‌اند: گفتار به متن، که صدا را در لحظه به متن تبدیل می‌کند، و متن به گفتار، که نوشتهٔ فارسی را با صدایی طبیعی و خوش‌آهنگ می‌خواند.
شبیه‌سازی صدا و رونویسی زندهٔ گفتار، که کلمه‌ها را هم‌زمان با صحبت روی صفحه می‌آورد، از قابلیت‌های شاخص این مدل‌هاست.
برای سازمان‌ها
روی زیرساخت خودتان
برای بانک‌ها، بیمه‌ها، سازمان‌های دولتی و هر تیمی که نمی‌خواهد صدا و دادهٔ مشتری از شبکه‌اش بیرون برود، همین مدل‌ها روی سرورهای خود سازمان نصب می‌شوند.
استقرار در سه گام- داده در شبکهٔ شما می‌ماندصدا، متن و گزارش تماس‌ها روی سرورهای سازمان پردازش و نگهداری می‌شود.
- در مقیاس سازمانگفتار به متن روی CPU و متن به گفتار روی یک کارت گرافیک؛ با اتصال به مرکز تماس، CRM و سامانه‌های داخلی.
مدل‌های پژواک دقیقاً چیست؟
دو مدل گفتار فارسی، آموزش‌دیده و میزبانی‌شده در ایران: یکی صدا را به متن تبدیل می‌کند و دیگری متن را به صدا — و هر دو را می‌شود همین‌جا امتحان کرد.
مدل‌ها در آزمایشگاه‌های پژواک آموزش دیده‌اند و برای گفتار تلفنی فارسی ساخته شده‌اند؛ به همین دلیل، علاوه بر کیفیت، تأخیر پایینی دارند و برای کاربردهای بلادرنگ مثل منشی تلفنی مناسب‌اند.
بیشترکمتر
در مدل‌های عمومی، فارسی معمولاً یک زبان فرعی است. در پژواک فارسی زبان اصلی است: اعداد فارسی، نیم‌فاصله، متن کلاسیک و گفتار محاوره‌ای از ابتدا در دادهٔ آموزشی بوده‌اند.
هر مدل چه کاری می‌کند؟
سه جزء، یک زنجیره: گفتار به متن می‌شنود، مدل زبانی می‌فهمد و متن به گفتار جواب می‌دهد.
- ۱ · می‌شنود
گفتار به متن (Pezhvak ASR)
گفت‌وگوها، فایل‌های صوتی و تماس‌ها را با دقت بالا رونویسی می‌کند؛ هم زنده روی وب‌سوکت، هم فایل کامل. روی CPU اجرا می‌شود و به کارت گرافیک نیاز ندارد.
- ۲ · می‌فهمد
مدل زبانی (Pezhvak LLM) و ایجنت تلفنی
همان مدلی که پشتیبان تلفنی هوش مصنوعی این پلتفرم با آن مکالمه را پیش می‌برد.
- ۳ · جواب می‌دهد
متن به گفتار (Pezhvak TTS)
نوشتهٔ فارسی را با یکی از ۳۱ صدای فارسی ضبط‌شده با رضایت گوینده می‌خواند؛ در حالت استریم اولین صدا حدود ۶۰۰ میلی‌ثانیه بعد از درخواست شنیده می‌شود.
مشخصات مدل‌ها در یک نگاه
سه مدل، هر کدام با کار و سخت‌افزار مشخص.
| مدل | کار | سخت‌افزار اجرا | ورودی / خروجی |
|---|---|---|---|
| Pezhvak ASR | گفتار به متن فارسی | CPU (بدون کارت گرافیک) | صدای ۱۶ کیلوهرتز تک‌کاناله → متن؛ زنده یا فایل |
| Pezhvak TTS | متن به گفتار فارسی | کارت گرافیک | متن تا ۴۰۰ نویسه → صدای ۲۴ کیلوهرتز؛ ۳۱ صدای فارسی |
| Pezhvak LLM | گفت‌وگوی ایجنت تلفنی | سرور پژواک | متن مکالمه و ابزارها → پاسخ |
- همین سه مدل روی سرور سازمان شما هم بالا می‌آیند — بخش استقرار را ببینید.
صدای فارسی، از دهان تا متن و از متن تا صدا — بی‌آنکه از کشور بیرون برود.
استقرار روی زیرساخت سازمان چطور انجام می‌شود؟
در سه گام: بررسی نیاز و سخت‌افزار، نصب مدل‌ها روی سرور شما، اتصال به سامانه‌های خودتان.
بررسی نیاز و سخت‌افزار
حجم تماس یا فایل صوتی، زبان و لهجه، و اینکه کدام مدل‌ها لازم است. گفتار به متن روی CPU اجرا می‌شود؛ متن به گفتار به یک کارت گرافیک نیاز دارد.
نصب روی سرور شما
مدل‌ها به‌صورت سرویس‌های مستقل روی سرور سازمان بالا می‌آیند و از شبکهٔ شما بیرون نمی‌روند؛ به‌روزرسانی نسخه‌ها با هماهنگی تیم اکوپرایم انجام می‌شود.
اتصال و تحویل
اتصال به مرکز تماس (Asterisk، Issabel، FreePBX)، CRM یا سامانهٔ داخلی، و تحویل با یک تماس آزمایشی روی خط واقعی.
برای شروع، از تماس با ما بگویید چه حجمی و کدام مدل‌ها را لازم دارید.
مدل‌های پژواک در عدد
- صدای فارسی
- ۳۱
- ضبط‌شده با رضایت گوینده؛ مدل Pezhvak TTS
- تا اولین صدا
- ~۶۰۰ ms
- حالت استریم، اندازه‌گیری روی سرور پژواک، شهریور ۱۴۰۵
- برای گفتار به متن
- CPU
- Pezhvak ASR بدون کارت گرافیک اجرا می‌شود
اعداد از اندازه‌گیری روی سرورهای پژواک است؛ روی سخت‌افزار سازمان شما می‌تواند متفاوت باشد.
چه تفاوتی با سرویس‌های خارجی گفتار دارد؟
فارسی اینجا زبان اصلی است، نه یک گزینه در فهرست.
سرویس‌های عمومی معمولاً فارسی را به‌عنوان یک زبان فرعی پشتیبانی می‌کنند و کیفیتشان روی اعداد، نیم‌فاصله و گفتار محاوره‌ای افت می‌کند. مدل‌های پژواک از ابتدا برای فارسی آموزش دیده‌اند.
بیشترکمتر
تفاوت عملی دیگر حاکمیت داده است: در استقرار سازمانی، صدا و متن مکالمه روی سرورهای خود شما می‌ماند.
پرسش‌های پرتکرار دربارهٔ مدل‌های فارسی پژواک
سؤال‌هایی که تیم‌های فنی و مدیران محصول پیش از استقرار می‌پرسند.
پژواک چیست؟
پژواک مجموعه مدل‌های هوش مصنوعی گفتار برای زبان فارسی است که گفتار را به متن و متن را به گفتار تبدیل می‌کند. مدل‌ها در آزمایشگاه‌های پژواک آموزش دیده‌اند.
می‌توانم مدل‌ها را رایگان امتحان کنم؟
بله. هر دو مدل گفتار به متن و متن به گفتار در همین صفحه قابل استفاده‌اند و برای امتحان کردن نیازی به ثبت‌نام یا کارت بانکی نیست.
صداهای متن به گفتار چگونه ساخته شده‌اند؟
۳۱ صدای فعلی از گویندگان واقعی و با رضایت آن‌ها ضبط شده است. شبیه‌سازی صدا هم در دسترس است؛ برای ساخت صدای اختصاصی با ما تماس بگیرید.
آیا پژواک زبان‌های دیگر را هم پشتیبانی می‌کند؟
در حال حاضر تمرکز روی فارسی است و زبان‌های بیشتر در دست کار است.
نسبت مدل‌های پژواک با پشتیبان تلفنی هوش مصنوعی چیست؟
پشتیبان تلفنی هوش مصنوعی این پلتفرم روی همین مدل‌ها ساخته شده است: گفتار به متن می‌شنود، مدل زبانی مکالمه را پیش می‌برد و متن به گفتار پاسخ می‌دهد. راهنمای کامل را در صفحهٔ منشی تلفنی هوش مصنوعی بخوانید.
آیا امکان استقرار مدل روی زیرساخت سازمان ما هست؟
بله. استقرار اختصاصی و درون‌سازمانی برای سازمان‌ها ممکن است: مدل‌ها روی سرور شما نصب می‌شوند و صدا و داده از شبکهٔ شما بیرون نمی‌رود. برای شروع با ما تماس بگیرید.
بیشتر بخوانید
- منشی تلفنی هوش مصنوعیراهنمای کامل: چیست، چطور کار می‌کند و چطور در ده دقیقه یکی بسازید.
- هوش مصنوعی مرکز تماساستقرار سازمانی روی زیرساخت خودتان، کنار تیم انسانی و مرکز تماس فعلی.
- ایجنت پرامپتییک دستورالعمل، یک پیام اول، چند ابزار — دستیار تلفنی در ده دقیقه.
- قیمت پشتیبانی تلفنی هوش مصنوعیشروع رایگان، هر دقیقه ۷٬۰۰۰ تومان و بستههای سالانه.
مدل‌ها را روی سرور خودتان می‌خواهید؟صدا و داده از شبکهٔ شما بیرون نمی‌رود.
برای استقرار درون‌سازمانی گفتار به متن، متن به گفتار و ایجنت تلفنی با کارشناس ما صحبت کنید؛ یا همین حالا در پنل یک ایجنت بسازید و رایگان امتحانش کنید.
یا با منشی دمو حرف بزنید: ۰۲۱ ۹۱۰۱ ۲۹۰۷