STTS — معرفی و قابلیت‌ها
سرویس STTS چیست؟
STTS یک پلتفرم درون‌سازمانی است که به مرکز تماس مبتنی بر Asterisk شما ترجمهٔ همزمان صوتی اضافه می‌کند. دو نفر با یک تماس تلفنی معمولی به هم زنگ می‌زنند، هر کدام زبان خودش را انتخاب می‌کند، و از آن لحظه هر جمله‌ای که یک طرف می‌گوید برای طرف مقابل به زبان خودش و با صدای طبیعی سنتزشده پخش می‌شود — معمولاً در ۱ تا ۲ ثانیه.
هیچ اپراتور انسانی، هیچ اپلیکیشن جانبی و هیچ آموزشی برای کاربر لازم نیست: از دید دو طرف، یک تماس تلفنی ساده است.
زبان‌ها (هر زبان به هر زبان): فارسی · انگلیسی · آلمانی · عربی · ترکی استانبولی. افزودن زبان ششم یک سطر در جدول است به‌علاوهٔ مدل‌هایش.
همه‌چیز روی سرور خودتان اجرا می‌شود. بدون سرویس ابری، بدون هزینهٔ دقیقه‌ای، و بدون اینکه حتی یک ثانیه صدا از شبکهٔ سازمان خارج شود. تنها استثنا یک افزودنی اختیاری است (صدای ابری ElevenLabs) که تا خودتان روشنش نکنید خاموش است.
نسخهٔ فعلی: v3.24.2 — در حال بهره‌برداری در محیط واقعی.
چه مشکلی را حل می‌کند؟
مراکز تماس بین‌المللی، خطوط پشتیبانی و میزهای خدمات یا باید مترجم انسانی استخدام کنند — گران، سخت برای شیفت‌بندی و نه ۲۴ساعته — یا مشتری‌ای را که زبانش را بلد نیستند از دست بدهند.
سرویس‌های ترجمهٔ ابری هم وجود دارند، اما مستلزم ارسال صدای مشتریان شما به یک شرکت ثالث‌اند. برای صنایع نظارت‌شده، نهادهای دولتی و کسب‌وکارهای حساس به حریم خصوصی، این عملاً منتفی است.
سرویس STTS هر دو راه را دور می‌زند: مترجم همیشه در دسترس است، هزینهٔ هر دقیقه صفر است، و صدا از رک خودتان بیرون نمی‌رود.
یک تماس از اول تا آخر
داخلی ۱۰۱ (فارسی‌زبان) شمارهٔ ۹۲۰۲ را می‌گیرد تا به داخلی ۲۰۲ (انگلیسی‌زبان) برسد. رقم پیشوند و طول داخلی‌ها هر دو قابل تنظیم‌اند.
- تماس به STTS تحویل داده می‌شود .
- تماس‌گیرنده یک منوی گویای چندزبانه می‌شنود و زبانش را با یک کلید انتخاب می‌کند (یا از پروفایلش از پیش مشخص است و منو رد می‌شود).
- مقصد زنگ می‌خورد — همزمان روی تلفن رومیزی و سافت‌فون مرورگر — و او هم زبان خودش را انتخاب می‌کند. زبان هر طرف تا پایان تماس قفل می‌شود.
- گفتگو شروع می‌شود. برای هر جمله: تشخیص پایان گفتار ← تبدیل گفتار به متن ← تصحیح متن ← ترجمه ← سنتز صدا ← پخش برای طرف مقابل.
- همزمان رونوشت زنده، کیفیت خط، تأخیر و (در صورت فعال بودن) فایل ضبط در پنل ثبت می‌شود.
پس از قطع تماس، یک ردیف گزارش با مدت انتظار، مدت مکالمه، وضعیت، زبان هر طرف، رونوشت کامل و فایل صوتی باقی می‌ماند.
قابلیت‌های تلفنی و ترجمه
-
انتخاب زبان با منوی گویا (IVR) :
هر طرف جداگانه و به زبان خودش انتخاب می‌کند؛ انتخاب تا پایان تماس قفل می‌ماند. -
**تشخیص خودکار پایان جمله ** :
نوبت‌گیری طبیعی بدون دکمه؛ صداهای کوتاه‌تر از ۳۵۰ میلی‌ثانیه به‌عنوان نویز دور ریخته می‌شوند. -
مصون از اکو :
تا وقتی صدای ترجمه برای یک طرف پخش می‌شود، میکروفن همان طرف برای موتور بی‌صدا است؛ سیستم صدای خودش را دوباره ترجمه نمی‌کند. -
قطع کردن میان گفتار (barge-in):
اگر کسی وسط پخش ترجمه شروع به صحبت کند، پخش متوقف می‌شود — دقیقاً مثل یک مکالمهٔ واقعی. -
تنظیم سرعت پخش بلادرنگ :
صدای سنتزشده با آهنگ خط تلفن تحویل داده می‌شود تا جمله نه تلنبار شود و نه بریده. -
سقف تماس همزمان :
حداکثر تعداد تماس همزمان کل سیستم و سقف جداگانه برای هر اپراتور قابل تعیین است. -
ضبط تماس :
اختیاری؛ هر تماس دوطرفه ضبط می‌شود و در گزارش‌ها کنار رونوشت همان تماس قابل پخش است. -
ترنک‌های SIP — اتصال به مخابرات، اپراتور یا مرکز تلفن دیگر، با وضعیت ثبت‌نام زنده در پنل و مسیردهی تماس‌های ورودی.
-
تماس ورودی از بیرون :
-
تماس‌گیرندهٔ خارجی اول زبان و سپس داخلی مقصد را انتخاب می‌کند، و همان تماس ترجمه‌شده را می‌گیرد.
-
قطع تماس روی همهٔ دستگاه‌ها :
-
قطع، رد یا لغو تماس به همهٔ دستگاه‌هایی که زنگ خورده‌اند منتقل می‌شود، نه فقط آنی که کلیک شد.
دستگاه اپراتور: گوشی، مرورگر، موبایل
هر اپراتور می‌تواند همزمان هر سه را داشته باشد؛ تماس ورودی همهٔ آن‌ها را با هم زنگ می‌زند و هر کدام زودتر جواب دهد تماس را می‌گیرد.
گوشی رومیزی SIP
هر داخلی یک اکانت PJSIP است که STTS خودش از پنل می‌سازد و با کد QR روی گوشی تنظیم می‌شود.
سافت‌فون مرورگر — بدون هیچ SIP در مرورگر
- یک WebSocket روی همان آدرس HTTPS پنل؛ نه ICE، نه STUN/TURN، نه تنظیم جداگانه روی مرکز تلفن. برای اپراتور دورکار هم کار می‌کند.
- شماره‌گیر، صفحه‌کلید DTMF، بی‌صدا، انتظار، انتخاب زنگ و رونوشت زنده درون خود تلفن.
- قطع شدن اینترنت تماس را نمی‌کشد: تماس ۱۵ ثانیه نگه داشته می‌شود تا مرورگر دوباره وصل شود و همان تماس را پس بگیرد.
- بی‌صدا و انتظار سمت سرور اعمال می‌شوند — مرورگری که فقط پخش را قطع کند، هنوز می‌تواند صدا بفرستد.
- انتقال تماس (transfer) روی این مسیر هنوز پیاده‌سازی نشده — در برنامهٔ کار است.
اپ موبایل (PWA)
- همان سافت‌فون در آدرس
/phone، قابل نصب روی صفحهٔ خانهٔ گوشی، با طراحی موبایل و نوار تب پایین شماره‌گیر، دفترچهٔ تماس، تاریخچه و شیت رونوشت زنده حین تماس.
پنل مدیریت، داشبورد زنده و گزارش‌ها
داشبورد اپراتور
- آمار شخصی او، تماس‌های اخیر، تماس با یک کلیک و فهرست علاقه‌مندی‌ها.
- پاپ‌آپ رونوشت زنده در هر صفحهٔ پنل حین تماس، با متن اصلی/ترجمه‌شده.
مانیتور مدیر
- نمودار زندهٔ CPU، RAM، VRAM هر کارت گرافیک و دیسک .
- پنل تماس‌های فعال: زبان هر طرف، کیفیت گفتار، تأخیر لحظه‌ای و شمارش جمله‌ها و خطاها.
- تب داخلی‌ها: وضعیتریجستر ، آزاد/درحال مکالمه، و RTT با درجه‌بندی کیفیت — هم گوشی SIP و هم سافت‌فون مرورگر.
- هشدار کیفیت: وقتی RTT یک داخلی خراب می‌شود یا کیفیت گفتار یک تماس افت می‌کند، در همان لحظه اعلام می‌شود.
گزارش‌ها
- جدول تمام تماس‌ها با فیلتر تاریخ، اپراتور، مقصد، وضعیت و زبان — شامل تماس‌های بی‌پاسخ و ناموفق.
- رونوشت کامل هر تماس در کنار پخش‌کنندهٔ فایل ضبط‌شده، با امکان دانلود.
- خروجی CSV دقیقاً با همان فیلترهایی که روی صفحه است.
- نمودار حجم روزانه، مدت انتظار و تأخیر ترجمه.
تنظیمات — هر بخش یک صفحهٔ مستقل با آدرس واقعی و دکمهٔ بازگشت سالم: پروفایل و زبان خودم، رمز، سافت‌فون، کاربران، صداها، مدل گفتار، تصحیح متن، تنظیمات سرور، لاگ‌ها و ترنک‌ها.
ماژول ابزارها — تبدیل متن به گفتار، ترجمه و پیاده‌سازی فایل صوتی به‌صورت مستقل، فقط روی ظرفیت آزاد — هرگز مزاحم تماس زنده نمی‌شود.
تصحیح متن تشخیص‌داده‌شده — یک نردبان پنج سطحی
سیستم تشخیص گفتار، بیش از هر چیز، اسم خاص را اشتباه می‌شنود — اسم دقیقاً همان کلمه‌ای است که مدل انتظارش را ندارد. مترجم هم همان کلمهٔ غلط را روان ترجمه می‌کند و اپراتور یک اشتباه مطمئن می‌شنود.
STTS این را بین تشخیص و ترجمه درست می‌کند — عمداً قبل از ترجمه، چون اسمی که آنجا درست شود، درست ترجمه می‌شود.
API و یکپارچه‌سازی
همان مدل‌هایی که تماس زنده را می‌چرخانند، از بیرون هم قابل فراخوانی‌اند — برای CRM، سامانهٔ اتوماسیون اداری یا هر سرویس داخلی دیگر.
-
سه سرویس مستقل: تبدیل متن به گفتار، ترجمه، و پیاده‌سازی فایل صوتی.
-
پخش پیام روی یک داخلی — متن را می‌فرستید، سیستم به انتخاب شما فایل صوتی می‌دهد یا مستقیم به یک داخلی زنگ می‌زند و پخش می‌کند.
درخواست‌های API فقط روی ظرفیت آزاد اجرا می‌شوند و هرگز با تماس زنده رقابت نمی‌کنند.
نیازمندی‌های سخت‌افزاری و GPU
همه‌چیز روی یک سرور نصب می‌شود:
حداقل برای اجرا
پیشنهادی برای بهره‌برداری
سیستم‌عامل
Debian
کارت گرافیک
روی CPU هم کار می‌کند ولی با دیلی بالا
یک کارت NVIDIA با حداقل ۸ گیگ ویرم
رم
۱۶ گیگابایت به بالا
دیسک
حداقل 100 GB
کدام GPU؟ هر کارت NVIDIA با درایور CUDA کار می‌کند. تقریبی ویرم مورد نیاز:
- ۸ گیگ — کفایت می‌کند برای تشخیص گفتار + ترجمه + سنتز صدا (مثلاً RTX 3060 ۱۲ گیگ، RTX 4060 Ti، T4).
- ۱۲ تا ۱۶ گیگ اگر می‌خواهید تصحیح متن سطح ۳ را هم روشن کنید — مدل ۳B حدود ۴ گیگ و مدل ۷B حدود ۹ گیگ ویرم می‌خواهد.
بدون GPU هم کار می‌کند، ولی فقط برای تست. کل زنجیره روی CPU اجرا می‌شود اما تأخیر چند برابر می‌شود .
ظرفیت تماس همزمان تابع توان GPU است و با یک تنظیم سقف‌گذاری می‌شود. عدد دقیق به مدل STT ، سطح تصحیح، طول جمله‌ها و خود کارت بستگی دارد .
شبکه: فقط داخل شبکهٔ خودتان. اینترنت فقط یک‌بار برای دانلود مدل‌ها حین نصب لازم است — بعد از آن سرور می‌تواند کاملاً آفلاین باشد.