ارزیابی مصاحبه فارسی با ElevenLabs: فایل ممیزیِ گوینده، تایم‌استمپ و هزینه

برای تهیه‌کننده پادکست فارسی، یک فایل JSON ممیزی بسازید که هم کیفیت رونوشت را قابل بازبینی کند و هم هزینه واقعی هر دقیقه را نشان دهد. کد این مقاله روی برچسب گوینده، تایم‌استمپ، بازبینی انسانی و مبلغ واقعی گزارش می‌دهد.

نتیجه: قبل از انتشار، یک گزارش قابل دفاع از هر مصاحبه بسازید

اگر تهیه‌کننده یک پادکست فارسی هستید، خروجی مفید از تبدیل گفتار به متن فقط یک متن پیاده‌سازی‌شده نیست. باید بتوانید برای هر فایل بگویید چه کسی در کدام بازه صحبت کرده، کدام بخش‌ها نیازمند شنیدن دوباره‌اند، و هزینه واقعی هر دقیقه چقدر بوده است. راه عملی این است که خروجی رونوشت را به یک فایل JSON ممیزی تبدیل کنید و در همان فایل، نتیجه بازبینی انسانی و مبلغ واقعی را ثبت کنید.

کد زیر دقیقاً همین فایل را می‌خواند: هر قطعه دارای start و end بر حسب ثانیه، speaker، text و سه نتیجه بازبینی انسانی است. گزارش نهایی پوشش زمانی رونوشت، هم‌پوشانی قطعه‌ها، نرخ صحت متن، نرخ صحت برچسب گوینده، هزینه واقعی هر دقیقه و اختلاف آن با بودجه هدف را چاپ می‌کند. بنابراین به‌جای قضاوت مبهمِ «کیفیت خوب بود»، یک تصمیم عملی خواهید داشت: انتشار، بازبینی برچسب‌ها، یا بازشنوی بخش‌های مسئله‌دار.

فایل ممیزی را چگونه بسازید

ابتدا فایل صوتی را با جریان تبدیل گفتار به متن ElevenLabs پردازش کنید و پاسخ را نگه دارید. مستندات Speech to Text و مرجع API را برای پارامترها و شکل پاسخِ فعلی بررسی کنید، زیرا قابلیت‌ها و ساختار پاسخ ممکن است تغییر کند. سپس برای هر قطعه، برچسب گوینده و زمان شروع و پایان را به فایل ممیزی منتقل کنید. اگر خروجی انتخابی شما برچسب گوینده ندارد، نام speaker را خالی نگذارید و آن را پس از شنیدن صوت یا با مرحله تشخیص گوینده جداگانه تکمیل کنید.

سه پرچم بازبینی انسانی در نمونه مهم‌اند. text_ok یعنی متن آن قطعه پس از گوش‌دادن قابل قبول است؛ speaker_ok یعنی نام یا نقش گوینده درست است؛ و timestamp_ok یعنی مرزهای زمانی برای تدوین قابل استفاده‌اند. این‌ها را برای همه قطعه‌ها یا دست‌کم یک نمونه طبقه‌بندی‌شده پر کنید: آغاز، میانه و پایان فایل؛ قطعه‌های دارای عدد و نام خاص؛ و بخش‌هایی که دو نفر نزدیک به هم صحبت می‌کنند.

فیلد actual_charge_usd را از مبلغ واقعی ثبت‌شده در حساب یا صورتحساب همان پردازش وارد کنید، نه از یک نرخ حفظی. فیلد target_cost_per_min_usd نیز سقف داخلی شما برای هر دقیقه است. این تفکیک مهم است: قیمت‌گذاری سرویس‌ها و طرح‌ها تغییر می‌کند، اما هزینه واقعی تقسیم بر مدت فایل، معیاری پایدار برای مقایسه قسمت‌های پادکست شماست.

کد اجرایی: گزارش کیفیت ساختاری و هزینه

این اسکریپت بدون کتابخانه خارجی اجرا می‌شود. اگر نام فایل JSON را به آن ندهید، داده نمونه داخلی را اجرا می‌کند؛ با دادن نام فایل، همان ساختار را از دیسک می‌خواند. خروجی نمونه نشان می‌دهد که متن و زمان‌بندی همه قطعه‌ها تأیید شده‌اند، اما یک برچسب گوینده خطا دارد و یک هم‌پوشانی زمانی هم دیده شده است؛ پس تصمیم نهایی به‌درستی «بازبینی لازم است» خواهد بود.

```python
# file: audit_interview.py
# اجرا با داده نمونه:
# python audit_interview.py
# اجرا با فایل خودتان:
# python audit_interview.py interview_audit.json
#
# خروجی مورد انتظار برای داده نمونه:
# {"duration_min": 2.0567, "segment_count": 5, "speaker_labels": ["guest", "interviewer"], "timing": {"coverage_pct": 99.4, "overlap_count": 1, "overlap_sec": 0.1}, "human_review": {"text_ok_pct": 100.0, "speaker_ok_pct": 80.0, "timestamp_ok_pct": 100.0}, "cost_usd": {"actual_charge": 0.55, "actual_per_min": 0.2674, "planned_charge_at_target": 0.62, "difference_from_plan": -0.07}, "decision": "REVIEW_NEEDED"}

import json
import sys

EXAMPLE = {
"duration_sec": 123.4,
"actual_charge_usd": 0.55,
"target_cost_per_min_usd": 0.30,
"segments": [
{"start": 0.0, "end": 12.0, "speaker": "interviewer", "text": "سلام، از تجربه شما شروع کنیم.", "text_ok": True, "speaker_ok": True, "timestamp_ok": True},
{"start": 12.2, "end": 47.5, "speaker": "guest", "text": "خوشحالم که در این گفت‌وگو هستم.", "text_ok": True, "speaker_ok": True, "timestamp_ok": True},
{"start": 47.4, "end": 55.0, "speaker": "interviewer", "text": "اولین چالش چه بود؟", "text_ok": True, "speaker_ok": False, "timestamp_ok": True},
{"start": 55.2, "end": 112.0, "speaker": "guest", "text": "چالش اصلی، هماهنگ‌کردن داده و فرایند بود.", "text_ok": True, "speaker_ok": True, "timestamp_ok": True},
{"start": 112.3, "end": 123.4, "speaker": "interviewer", "text": "سپاس، جمع‌بندی روشنی بود.", "text_ok": True, "speaker_ok": True, "timestamp_ok": True}
]
}

def load_audit():
if len(sys.argv) == 1:
return EXAMPLE
with open(sys.argv[1], "r", encoding="utf-8") as f:
return json.load(f)

def percent(items, field):
return round(100 * sum(bool(x.get(field)) for x in items) / len(items), 1)

def main():
data = load_audit()
duration = float(data["duration_sec"])
segments = sorted(data["segments"], key=lambda x: x["start"])
if duration <= 0 or not segments:
raise ValueError("duration_sec باید مثبت باشد و حداقل یک قطعه لازم است.")

covered = 0.0
overlap_sec = 0.0
overlap_count = 0
current_start = current_end = None
for s in segments:
start, end = float(s["start"]), float(s["end"])
if start < 0 or end <= start or end > duration:
raise ValueError(f"بازه زمانی نامعتبر: {s}")
if not str(s.get("speaker", "")).strip():
raise ValueError(f"برچسب گوینده خالی است: {s}")
if current_end is None:
current_start, current_end = start, end
elif start <= current_end:
overlap_count += 1
overlap_sec += min(current_end, end) - start
current_end = max(current_end, end)
else:
covered += current_end - current_start
current_start, current_end = start, end
covered += current_end - current_start

duration_min = duration / 60
actual_charge = float(data["actual_charge_usd"])
target = float(data["target_cost_per_min_usd"])
planned = target * duration_min
review = {
"text_ok_pct": percent(segments, "text_ok"),
"speaker_ok_pct": percent(segments, "speaker_ok"),
"timestamp_ok_pct": percent(segments, "timestamp_ok")
}
needs_review = overlap_count > 0 or min(review.values()) < 100
report = {
"duration_min": round(duration_min, 4),
"segment_count": len(segments),
"speaker_labels": sorted({s["speaker"] for s in segments}),
"timing": {
"coverage_pct": round(100 * covered / duration, 1),
"overlap_count": overlap_count,
"overlap_sec": round(overlap_sec, 1)
},
"human_review": review,
"cost_usd": {
"actual_charge": round(actual_charge, 2),
"actual_per_min": round(actual_charge / duration_min, 4),
"planned_charge_at_target": round(planned, 2),
"difference_from_plan": round(actual_charge - planned, 2)
},
"decision": "REVIEW_NEEDED" if needs_review else "READY_TO_PUBLISH"
}
print(json.dumps(report, ensure_ascii=False))

if __name__ == "__main__":
main()
```

چگونه گزارش را به تصمیم تدوین تبدیل کنید

سه عدد را با هم بخوانید، نه جداگانه. coverage_pct پایین یعنی بخشی از فایل اصلاً قطعه‌بندی نشده یا تایم‌استمپ‌ها مشکل دارند. overlap_count بزرگ‌تر از صفر الزاماً خطای مدل نیست؛ ممکن است واقعاً دو نفر هم‌زمان حرف زده باشند، اما برای تدوین و انتساب نقل‌قول باید شنیده شود. speaker_ok_pct پایین مستقیماً خطر انتساب نادرست جمله به مهمان یا مصاحبه‌گر را نشان می‌دهد و معمولاً از یک غلط املایی مهم‌تر است.

برای انتشار عمومی، آستانه‌ها را خودتان پیشاپیش تعیین کنید؛ مثلاً تا زمانی که همه قطعه‌های نقل‌قول‌پذیر speaker_ok و timestamp_ok ندارند، فایل را آماده انتشار ندانید. در مقابل، اگر هدف فقط جست‌وجوی داخلی در آرشیو است، ممکن است متنِ عمدتاً درست با چند برچسب نادرست قابل قبول باشد. تفاوت این دو کاربرد، نه یک امتیاز کلی کیفیت، معیار تصمیم است.

جایگزین ساده، ثبت دستی در صفحه گسترده است: برای یک فایل کوتاه مناسب است، اما محاسبه هم‌پوشانی، پوشش زمانی و هزینه واحد را به خطای انسانی وابسته می‌کند. نگهداری صرف فایل صوتی و متن خام هم ارزان‌تر از ساخت این ممیزی نیست، اما هنگام اعتراض مهمان یا اصلاح نقل‌قول، مسیر اثبات اینکه چه کسی چه گفته است را از بین می‌برد. JSON و اسکریپت زمانی ارزش دارند که این فرایند را برای چند قسمت تکرار می‌کنید.

مرزهای این روش و مواردی که نباید به آن تکیه کرد

این کد معیارهای ساختاری و نتایج بازبینی ثبت‌شده را جمع می‌زند؛ خودش فارسی را نمی‌فهمد و از روی درصد پوشش نمی‌تواند صحت معنا، املای نام‌ها یا لحن را تشخیص دهد. همچنین برچسب‌هایی مانند guest و interviewer نقش هستند، نه هویت اثبات‌شده افراد. اگر دو مهمان دارید، از شناسه‌های پایدار مانند guest_1 و guest_2 استفاده کنید و نمونه‌های جابه‌جایی را دستی بشنوید.

این روش در فایل‌های دارای موسیقی بلند، صدای محیط، تماس فشرده تلفنی، حرف‌زدن هم‌زمان و فارسی آمیخته با زبان‌های دیگر، پرریسک‌تر است. در چنین وضعی نرخ بالای text_ok در یک نمونه کوچک به‌معنای قابل اتکا بودن کل فایل نیست؛ اندازه نمونه را بزرگ‌تر کنید یا بازبینی کامل انجام دهید. برای متن‌های دارای پیامد حقوقی یا درمانی نیز گزارش کد فقط ابزار کنترل فرایند است، نه تأیید صحت محتوا.

منابع

ElevenLabs — Speech to Text documentation — https://elevenlabs.io/docs/capabilities/speech-to-text

ElevenLabs API Reference — Convert speech to text — https://elevenlabs.io/docs/api-reference/speech-to-text/convert

ElevenLabs — Pricing — https://elevenlabs.io/pricing

ElevenLabs Python SDK repository — https://github.com/elevenlabs/elevenlabs-python

No comments yet