בקצרה
- התמלול הוא הבסיס של כל השרשרת: ניתוח, ציון, התראות ואימון. תמלול חלש הופך את כולם לניחוש.
- הצינור: קליטת אודיו מהטלפוניה, מודל דיבור שממיר קול לטקסט, הפרדת דוברים, וסימני פיסוק וחותמות זמן.
- דיוק נמדד בשיעור שגיאות המילים (WER) על שיחות אמיתיות שלכם, לא על הקלטות אולפן. מה שקובע הוא שגיאות שמשנות משמעות.
- מתחת ל-90% דיוק, ניתוח אוטומטי מזיק יותר משהוא מועיל, כי הוא מייצר ביטחון כוזב. מעל 95% אפשר לבנות עליו בקרה, ציונים ואימון.
כשמעריכים מערכת ניתוח שיחות, כולם מסתכלים על הדשבורדים והתובנות. אבל כל שכבה במערכת, מהציון ועד ההתראה הרגולטורית, נבנית על תוצר אחד: התמלול. אם הוא מדויק, הכל למעלה עובד. אם הוא חלש, הכל למעלה מנחש. לכן שווה להבין איך זה עובד בפנים.
שלב 1: מהטלפוניה אל המנוע
הכל מתחיל בהקלטה: המערכת מקבלת את האודיו מתשתית הטלפוניה הקיימת, בדרך כלל בשני ערוצים נפרדים, אחד לנציג ואחד ללקוח. ההפרדה הזאת חשובה: כשכל דובר מגיע בערוץ משלו, ייחוס המילים לדובר הנכון כמעט מובטח. כשההקלטה היא ערוץ אחד משותף, המערכת צריכה לעבוד קשה יותר בשלב הפרדת הדוברים.
שלב 2: מקול לטקסט
מודל הדיבור מפרק את האודיו לקטעים קצרים ומזהה בכל קטע מה נאמר, על בסיס אימון על כמויות עצומות של דיבור אמיתי. שני דברים קובעים את האיכות: על איזה דיבור המודל אומן (שיחות טלפון אמיתיות עם רעש ומבטאים, או הקלטות נקיות), ובאיזו שפה. מודל שאומן בעיקר על אנגלית ייתן תוצאה חלשה בעברית מדוברת, לא משנה כמה הוא מתקדם. על האתגר הספציפי של עברית כתבנו מדריך נפרד.
שלב 3: הפרדת דוברים, פיסוק וחותמות זמן
- הפרדת דוברים (Diarization): מי אמר כל משפט. קריטי לניתוח, כי "אני אחזור אליך מחר" מהנציג היא הבטחה, ומהלקוח היא דחייה.
- פיסוק וחלוקה למשפטים: בלי זה, הניתוח הסמנטי מקבל זרם מילים חסר מבנה.
- חותמות זמן: כל משפט מקושר לשנייה המדויקת בהקלטה, מה שמאפשר לקפוץ מהתובנה ישר לרגע בשיחה.
איך באמת מודדים דיוק
המדד המקובל הוא שיעור שגיאות המילים, WER: כמה מילים שגויות, חסרות או מיותרות יש בתמלול ביחס למה שנאמר בפועל. אבל המספר לבד מטעה: שגיאה ב"אה" או "כאילו" לא משנה כלום, ושגיאה במחיר, בשם מוצר או במילת שלילה משנה הכל. לכן הבדיקה הנכונה היא ידנית ופשוטה: קחו חמש הקלטות אמיתיות שלכם, כולל שיחה רועשת ומבטא כבד, קראו את התמלול מול האודיו וספרו שגיאות שמשנות משמעות.
הרף שחשוב להכיר
ב-85% דיוק, אחת משבע מילים שגויה, ובדיקות תסריט ורגולציה הופכות להגרלה. מתחת ל-90%, הניתוח מייצר ביטחון כוזב ומזיק יותר משהוא מועיל. מעל 95%, כמו שמערכת עברית-תחילה דוגמת Saleso מספקת, אפשר לבנות על התמלול בקרה, ציונים ואימון.
מה תמלול מדויק מאפשר בהמשך השרשרת
ברגע שיש טקסט מדויק עם דוברים וזמנים, נפתח כל השאר: זיהוי שלבי שיחה והתנגדויות, בדיקת אבני דרך של תסריט, איתור משפטי חובה רגולטוריים, ציון לכל שיחה, סיכום אוטומטי ל-CRM ולחישות בזמן אמת. זו הסיבה שבבחירת מערכת, שאלת התמלול קודמת לכל שאלה על פיצ'רים: אף פיצ'ר לא טוב יותר מהתמלול שהוא עומד עליו.
שאלות נפוצות
מה ההבדל בין תמלול בזמן אמת לתמלול אחרי השיחה?
תמלול אחרי השיחה רץ על ההקלטה המלאה ומגיע לדיוק המרבי. תמלול בזמן אמת חייב להגיב תוך שניות, ולכן הוא מאתגר יותר טכנית. מערכת מלאה משתמשת בשניהם: זמן אמת ללחישות והתראות חיות, ותמלול מלא לניתוח, לציון ולתיעוד.
איך רעש רקע ומבטאים משפיעים על הדיוק?
מודל שאומן על שיחות טלפון אמיתיות מתמודד עם רעש מוקד ומבטאים מגוונים הרבה יותר טוב ממודל שאומן על הקלטות נקיות. בדיוק בגלל זה חובה לבדוק כל מערכת על ההקלטות שלכם, כולל המקרים הקשים, ולא על דמו של הספק.
האם התמלול שומר את ההקלטה עצמה?
ההקלטות נשמרות בתשתית שלכם או של ספק הטלפוניה, כמו היום. שכבת הניתוח עובדת על ההקלטות בכפוף להרשאות ולכללי האבטחה שהגדרתם, וכל תמלול מקושר חזרה להקלטת המקור עם חותמות זמן.