نشرت KDnuggets دليلاً لتحليل المكالمات محلياً باستخدام Whisper وBERTopic وStreamlit

في السابع عشر من أبريل 2026، نشرت KDnuggets شرحاً تفصيلياً لأداة مفتوحة المصدر لتحليل مكالمات العملاء. يجمع المشروع خط أنابيب محلي: Whisper ينسخ الصوت، وتحدد نماذج من Transformers المشاعر والعواطف، وBERTopic يكتشف المواضيع المتكررة دون إرسال التسجيلات إلى واجهات برمجية خارجية.

كيفية عمل المجموعة

تُبنى المادة حول مخطط معياري بسيط يمكن تكراره على جهاز عادي. أولاً، يحول Whisper تسجيل المكالمة إلى نص ويقسمه إلى قطاعات مع طوابع زمنية. يستخدم المؤلف إصدار أساسي أو صغير من النموذج كتسوية بين السرعة والجودة.

بعد ذلك، تذهب النسخة إلى نموذج cardiffnlp/twitter-roberta-base-sentiment-latest، الذي يحسب احتماليات إيجابي وحيادي وسلبي، ثم يُخرج تصنيفاً نهائياً ودرجة مركبة تتراوح من ناقص واحد إلى زائد واحد. بعد ذلك، يجمّع BERTopic المحادثات حسب المعنى ويستخرج المواضيع الرئيسية مثل مشاكل الفواتير والتسليم أو دعم العملاء التقني. يشرح المؤلف بشكل منفصل لماذا يحل الموضوع والمشاعر مهام مختلفة.

المشاعر تجيب على سؤال ما إذا كانت التجربة جيدة أم سيئة، بينما تُظهر العواطف ما يشعر به العميل فعلاً: الإحباط والاستعجالية والرضا. بالنسبة للمواضيع، يُستخدم مزيج من sentence-transformers و UMAP و HDBSCAN و c-TF-IDF. تفصيل عملي مهم: استخراج المواضيع يبدأ في العمل بشكل صحيح ليس على مكالمة واحدة، بل على مجموعة من خمسة إلى عشرة نصوص على الأقل، حيث تكون الأنماط المتكررة مرئية بالفعل.

لماذا التنفيذ المحلي

الفكرة الرئيسية للمقال ليست ببساطة إنشاء مشروع عرض توضيحي لمعالجة اللغات الطبيعية آخر، بل إظهار سيناريو مؤسسي مفيد بدون الاعتماد على واجهات برمجية سحابية. بالنسبة لمراكز الاتصالات، يتلخص هذا في الخصوصية والتكلفة ومتطلبات تخزين البيانات. بعد التنزيل الأولي للنماذج، الذي يستغرق حوالي 1.5 غيغابايت، يمكن للنظام العمل بدون اتصال. لتبدأ، تحتاج إلى Python 3.9+ و FFmpeg لمعالجة الصوت وحوالي 2 غيغابايت من مساحة القرص—بمعنى أن حاجز الدخول منخفض جداً حتى لفريق صغير.

«الميزة الرئيسية هي أن كل شيء يعمل محلياً، وبيانات العملاء الحساسة لا

تترك جهازك أبداً.»

في المقال، يُقدم هذا كحجة ليس فقط حول الأمان بل أيضاً حول التنبؤية بالتكاليف. لا توجد رسوم لكل استدعاء واجهة برمجية، لا توجد حدود موفر، ولا توجد مخاطرة في الاضطرار إلى إرسال تسجيل العميل التالي إلى بنية تحتية خارجية. يقارن المؤلف أيضاً المحولات مع الطرق القديمة القائمة على القاموس مثل VADER: قد تخطئ النماذج البسيطة في العبارات التي تحتوي على نفي، بينما يفهم المحول سياق الكلام المحادث بشكل أفضل، وهو مهم بشكل خاص للشكاوى الحقيقية والصيغ الغامضة.

ما يُظهره لوحة المعلومات

الطبقة الأخيرة من المشروع هي واجهة Streamlit مع رسوم بيانية Plotly، موجهة ليس لمهندس تعلم الآلة بل لمدير أو محلل. من خلالها، يمكنك تحميل عدة ملفات mp3 أو wav، والانتظار للمعالجة، ورؤية ملخص المكالمات على الفور. يُستخدم تخزين مؤقت للموارد للتسريع، بحيث لا تُعاد تحميل النماذج الثقيلة مع كل إجراء في الواجهة. تدعم الأداة عدة أوضاع: عرض توضيحي بدون صوت، تحليل ملف واحد، معالجة دفعية للدليل، ولوحة تحكم كاملة في المتصفح.

• تحميل ملفات الصوت والمعالجة الجماعية
• نسخ مع تمييز المشاعر
• خط زمني للعواطف للمحادثات الطويلة
• تصور المواضيع وتوزيع المكالمات عبر المجموعات
• التنقل إلى محادثات محددة

في الأساس، هذا إطار عمل جاهز للخدمات الداخلية للدعم وتحليل المنتجات والتحكم بجودة المشغلين. يمكن للفريق أخذ المستودع وتغيير بيانات الإدخال وضبط أو استبدال النماذج والحصول بسرعة على أداة عملية بدلاً من دفتر ملاحظات مجرد. هذا بالضبط ما يجعل المقال قيماً: فهو لا يجادل حول مستقبل الأنظمة الموكلة، بل يُظهر سيناريو ملموس وقابل للتكرار حيث يحل مجموعة المصدر المفتوح مشكلة تجارية بالفعل.

ماذا يعني هذا

تُظهر مثل هذه المنشورات كيف تنتقل أدوات الذكاء الاصطناعي بسرعة من التجارب إلى الممارسة التشغيلية. إذا كان تحليل المكالمات سابقاً يتطلب غالباً خدمة SaaS ومعالجة بيانات خارجية، فيمكن الآن بناء نظام أساسي محلياً بشفافية وبدون ميزانيات كبيرة للواجهات البرمجية.