MODULE 03 / ایجنت‌های صوتی و پاسخگوی هوشمند سانترال‌های اداری (VoIP / AudioSocket)

MODULE 03 ERP & TELEPHONY CONNECTORS ⏱ زمان مطالعه: ۹ دقیقه

ایجنت‌های صوتی و پاسخگوی هوشمند سانترال‌های اداری (VoIP / AudioSocket)

چکیده اجرایی: اتصال جریان تماس به مدل‌های پردازش صوت و تبدیل گفتار به متن، استخراج درخواست تماس‌گیرنده و به‌روزرسانی تقویم نوبت‌دهی یا CRM. معماری ایجنت‌های صوتی متصل به خطوط تلفن اداری Issabel و Asterisk.

۰۱ // کالبدشکافی اصطکاک و سناریوی بازار (Failure Mode)

تاخیر خسته‌کننده در پاسخ صوتی (Latency Lag) و قطع تماس

اگر فرآیند پردازش گفتار به متن و تولید صوت بیش از ۱.۵ ثانیه طول بکشد، تماس‌گیرنده مکالمه را قطع می‌کند یا صدای ایجنت با صحبت کاربر تداخل پیدا می‌کند.

نشانه‌های بالینی در سازمان‌های سنتی:

پاسخ‌های رباتیک و خشک که مشتری در همان ۵ ثانیه اول تلفن را قطع می‌کند.
تداخل صدا و عدم پشتیبانی از وقفه تماس‌گیرنده (Barge-in).
ثبت نادرست اعداد و شماره‌های ملی فارسی در پایگاه‌داده به دلیل تبدیل ضعیف صوت.

۰۲ // دیاگرام معماری اتصال داده (Architecture Flow)

STANDARD BLUEPRINT // MERMAID SVG

flowchart LR
    Caller["تماس‌گیرنده تلفنی"] <==>|خطوط مخابراتی E1 / SIP| PBX["سانترال استریسک / ایزابل (VoIP PBX)"]
    PBX <==>|جریان دوطرفه AudioSocket| VoiceEngine["موتور ایجنت صوتی"]
    subgraph VoiceEngine ["پایپ‌لاین بلادرنگ صوت"]
        STT["تبدیل گفتار به متن فارسی استریم"] --> Intent["تشخیص نیت و استخراج داده"]
        Intent --> ActionRouter{"بررسی دیتابیس CRM / نوبت‌دهی"}
        ActionRouter --> TTS["تولید صدای طبیعی فارسی"]
    end

flowchart LR
    Caller["تماس‌گیرنده تلفنی"] <==>|خطوط مخابراتی E1 / SIP| PBX["سانترال استریسک / ایزابل (VoIP PBX)"]
    PBX <==>|جریان دوطرفه AudioSocket| VoiceEngine["موتور ایجنت صوتی"]
    subgraph VoiceEngine ["پایپ‌لاین بلادرنگ صوت"]
        STT["تبدیل گفتار به متن فارسی استریم"] --> Intent["تشخیص نیت و استخراج داده"]
        Intent --> ActionRouter{"بررسی دیتابیس CRM / نوبت‌دهی"}
        ActionRouter --> TTS["تولید صدای طبیعی فارسی"]
    end

۰۳ // پروتکل اجرایی و استانداردهای میدانی

گام ۱

پیکربندی AudioSocket یا ARI در سانترال استریسک

ارسال و دریافت استریم صوت خام (PCM 8kHz یا 16kHz) از طریق وب‌ساکت مستقیم بدون اشغال کارت‌های فکس یا لاین‌های اضافه.

گام ۲

پیاده‌سازی مکانیزم قطع صحبت (Barge-in / Voice Activity Detection)

به محض اینکه تماس‌گیرنده شروع به صحبت می‌کند، پخش صدای ایجنت قطع شده و ورودی جدید کاربر تحلیل می‌شود.

گام ۳

اتصال نیت کاربر به اکشن وب‌هوک (Tool Calling)

اگر بیمار درخواست نوبت سونوگرافی کرد، ایجنت صوتی مستقیماً وب‌هوک تقویم پزشک را فراخوانی کرده و اولین زمان خالی را قرائت می‌کند.

۰۴ // هشدارهای امنیتی و پروداکشن (Production Guardrails)

⚠️ نکات حیاتی اجرای پروداکشن در سازمان‌های ایرانی:

مکالمات شامل شماره کارت بانکی یا رمز عبور نباید در لاگ‌های سیستمی متن ذخیره شوند.
برای خطوط شلوغ سازمانی، ظرفیت همزمانی سرور پردازش صوت را از قبل تست فشار بگیرید.

PRONEE_SANDBOX // LAB-03-09

+100 XP READY

⚡ سناریوی چالش میدانی: آزمایشگاه سنجش: پردازش رویداد وب‌هوک سانترال و مسیریابی تماس

یک پی‌لود رویداد تماس تلفنی سانترال با تشخیص نیت نوبت‌دهی ارسال کنید.

PAYLOAD_BUFFER // JSON & SQL کلید میانبر: Cmd/Ctrl + Enter

زمان پاسخ: ۰ میلی‌ثانیه

[SYSTEM] Sandboxed evaluation engine initialized.

[TARGET] Ready for: VOIP_AUDIO_EVENT