مقایسهٔ عملی TTS فارسی برای IVR: کیفیت صدا، هزینه و تأخیر را چطور بسنجیم؟

اگر سارا بخواهد برای یک IVR فارسی بین Azure Speech و Google Cloud TTS انتخاب کند، یک نمونهٔ متن ثابت و سه اندازه‌گیری ساده از حدس‌زدن بهتر است. این راهنما روش ثبت کیفیت، هزینه و تأخیر را با یک اسکریپت قابل اجرا نشان می‌دهد.

نتیجهٔ عملی برای سارا

سارا، اگر برای IVR فارسی به پاسخ‌گویی سریع و صدای طبیعی نیاز داری، ابتدا Azure Speech را با یک صدای فارسی عصبی مانند fa-IR-DilaraNeural یا صدای موجود در فهرست رسمی آزمایش کن؛ سپس همان متن و همان شرایط را در Google Cloud Text-to-Speech اجرا کن، البته فقط در صورتی که فهرست رسمی حساب و منطقهٔ تو صدای فارسی موردنیازت را ارائه کند. انتخاب نهایی را با سه خروجی انجام بده: امتیاز شنیداری، هزینهٔ هر میلیون نویسه و p95 تأخیر.

دلیل این توصیه، برتری اثبات‌شدهٔ عمومی یک سرویس نیست. کیفیت فارسی به تلفظ نام‌ها، نیم‌فاصله، اعداد، نشانی‌ها و لحن جمله وابسته است و ممکن است یک مدل روی متن خبری خوب باشد اما در متن IVR ضعیف عمل کند. اسناد رسمی Azure و Google فهرست زبان‌ها و صداهای قابل استفاده را جداگانه منتشر می‌کنند؛ پس قبل از مقایسه، وجود صدای فارسی و قابلیت‌های لازم را از همان فهرست‌ها بررسی کن.

یک آزمون کوچک اما قابل تکرار بساز

برای کیفیت، پنج دسته متن بساز: جملهٔ محاوره‌ای، عدد و مبلغ، تاریخ و ساعت، نام خاص و واژهٔ تخصصی کسب‌وکار. برای نمونه، متن «سفارش شمارهٔ ۱۲۳۴۵ به مبلغ یک میلیون و دویست هزار تومان، فردا ساعت ۹:۳۰ ارسال می‌شود» از یک جملهٔ ادبی اطلاعات بیشتری دربارهٔ مناسب‌بودن TTS برای IVR می‌دهد. متن را ثابت نگه دار و برای هر سرویس دقیقاً همان نویسه‌ها را ارسال کن.

سه نفر یا بیشتر باید فایل‌ها را بدون دیدن نام سرویس بشنوند و برای طبیعی‌بودن، وضوح تلفظ و درست‌خوانی اطلاعات از ۱ تا ۵ امتیاز بدهند. برای اعداد و نام‌ها، یک آزمون عینی هم اضافه کن: شنونده باید مقدار، شماره یا زمان شنیده‌شده را وارد کند. میانگین امتیاز به‌تنهایی کافی نیست؛ اگر یک سرویس در خواندن مبلغ خطا کند، حتی با صدای طبیعی‌تر نیز برای IVR انتخاب مناسبی نیست.

برای تأخیر، هر سرویس را در منطقهٔ نزدیک به سرور برنامه و با متن‌های کوتاه و بلند آزمایش کن. دست‌کم ۳۰ بار اجرای گرم انجام بده و p50 و p95 را ثبت کن؛ اجرای اول معمولاً به‌دلیل راه‌اندازی اتصال یا بارگذاری SDK نمایندهٔ درخواست‌های عادی نیست. همچنین مشخص کن که معیار تو «دریافت کامل فایل» است یا «شروع دریافت صوت»، چون برای IVR معیار دوم معمولاً مهم‌تر است.

هزینه را با فرمول خودت حساب کن، نه با یک عدد تبلیغاتی

برای برآورد ماهانه، تعداد نویسه‌های ارسالی را از لاگ واقعی بخوان: هزینهٔ تقریبی برابر است با تعداد نویسهٔ صورتحساب‌شده ضربدر نرخ همان مدل و منطقه، به‌علاوهٔ هزینه‌های احتمالی جانبی. نرخ را در صفحهٔ قیمت رسمی همان روز بررسی کن، چون مدل استاندارد، عصبی، سفارشی، سهمیهٔ رایگان و منطقه می‌توانند نتیجه را تغییر دهند. در مقایسه، «هزینه به ازای یک میلیون نویسه» را کنار «امتیاز درست‌خوانی» بنویس، نه جدا از آن.

برای مثال، اگر Google امتیاز شنیداری مشابهی بدهد اما هزینهٔ محاسبه‌شده برای حجم واقعی تو کمتر باشد، انتخاب اقتصادی‌تری است؛ اما اگر تلفظ شماره‌ها یا نام‌های پرتکرار خراب شود، هزینهٔ تماس مجدد و نارضایتی کاربر می‌تواند صرفه‌جویی ظاهری را از بین ببرد. برعکس، پرداخت بیشتر برای Azure فقط زمانی توجیه دارد که در آزمون متن‌های واقعی، خطای کمتر یا تأخیر قابل‌اعتمادتر نشان دهد.

نمونهٔ قابل اجرا برای اندازه‌گیری Azure

اسکریپت زیر یک متن فارسی را به فایل WAV تبدیل می‌کند و زمان کل درخواست را چاپ می‌کند. این زمان برای مقایسهٔ اولیه مناسب است، اما عدد نمونهٔ خروجی ثابت نیست و به شبکه، منطقه و وضعیت حساب بستگی دارد. برای مقایسهٔ منصفانه، همین متن و همین روش ثبت زمان را برای سرویس دوم نیز اجرا کن.

```python
import os
import sys
import time
import azure.cognitiveservices.speech as speechsdk

text = sys.argv[1] if len(sys.argv) > 1 else "سفارش شمارهٔ ۱۲۳۴۵ به مبلغ یک میلیون و دویست هزار تومان، فردا ساعت ۹:۳۰ ارسال می‌شود."
subscription = os.environ["AZURE_SPEECH_KEY"]
region = os.environ["AZURE_SPEECH_REGION"]
voice = os.getenv("AZURE_SPEECH_VOICE", "fa-IR-DilaraNeural")
output = "sample-fa.wav"

config = speechsdk.SpeechConfig(subscription=subscription, region=region)
config.speech_synthesis_voice_name = voice
config.set_speech_synthesis_output_format(
speechsdk.SpeechSynthesisOutputFormat.Riff24Khz16BitMonoPcm
)
audio = speechsdk.audio.AudioOutputConfig(filename=output)
synthesizer = speechsdk.SpeechSynthesizer(speech_config=config, audio_config=audio)

started = time.perf_counter()
result = synthesizer.speak_text_async(text).get()
elapsed_ms = round((time.perf_counter() - started) * 1000)

if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
print({"voice": voice, "input_chars": len(text), "elapsed_ms": elapsed_ms, "file": output})
else:
details = getattr(result, "cancellation_details", None)
reason = getattr(details, "error_details", "synthesis failed")
raise RuntimeError(reason)

# Run:
# pip install azure-cognitiveservices-speech
# export AZURE_SPEECH_KEY='your-key'
# export AZURE_SPEECH_REGION='your-region'
# python benchmark_azure.py "سلام. سفارش شمارهٔ ۱۲۳۴۵ فردا ساعت ۹:۳۰ ارسال می‌شود."

# Expected output shape; timing varies by machine and network:
# {'voice': 'fa-IR-DilaraNeural', 'input_chars': 59, 'elapsed_ms': 420, 'file': 'sample-fa.wav'}
```

در این آزمایش input_chars فقط یک شمارش محلی برای گزارش است و الزاماً معادل واحد صورتحساب همهٔ سرویس‌ها نیست؛ دستورالعمل قیمت‌گذاری هر ارائه‌دهنده را ملاک قرار بده. برای p95، مقدار elapsed_ms را از ۳۰ اجرای گرم ذخیره کن و صدک ۹۵ را گزارش بده. اگر از SSML، مکث یا کنترل لحن استفاده می‌کنی، آن تنظیم را در هر دو سرویس یکسان نگه دار و در گزارش ثبت کن.

کجا این مقایسه شکست می‌خورد؟

اگر مسئلهٔ تو پخش بلادرنگ با تأخیر زیر چندصد میلی‌ثانیه است، اندازه‌گیری فایل کامل کافی نیست؛ باید API و فرمت streaming، زمان رسیدن نخستین قطعه و امکان پخش تدریجی را جداگانه آزمایش کنی. همچنین اگر برنامه در محیطی بدون دسترسی شبکه اجرا می‌شود، این دو سرویس ابری انتخاب درستی نیستند و باید یک مدل محلی فارسی را با معیارهای حافظه، سرعت CPU/GPU و کیفیت همان مجموعه‌متن مقایسه کنی.

برای کتاب صوتی یا صدای برند، میانگین امتیاز سه شنونده نیز کافی نیست؛ ثبات لحن در فصل‌های طولانی، تلفظ نام‌های نادر، مجوز استفادهٔ تجاری و امکان اصلاح واژه‌های خاص باید وارد قرارداد و آزمون پذیرش شود. در آن سناریو ممکن است یک سرویس گران‌تر یا حتی ضبط گویندهٔ انسانی از نظر کسب‌وکار منطقی‌تر باشد.

قاعدهٔ تصمیم برای سارا ساده است: نخست سرویس‌هایی را حذف کن که صدای فارسی یا مجوز لازم را ندارند؛ سپس هرکدام که در متن‌های عددی و نام‌های واقعی خطای جدی دارد کنار بگذار؛ در پایان، بین گزینه‌های باقی‌مانده p95 تأخیر و هزینهٔ ماهانه را مقایسه کن. این ترتیب مانع می‌شود قیمت پایین یا صدای خوشایند، خطای عملیاتی مهم را پنهان کند.

منابع

Azure Speech language and voice support — https://learn.microsoft.com/en-us/azure/ai-services/speech-service/language-support?tabs=tts
Azure AI Speech pricing — https://azure.microsoft.com/en-us/pricing/details/cognitive-services/speech-services/
Google Cloud Text-to-Speech voices — https://cloud.google.com/text-to-speech/docs/voices
Google Cloud Text-to-Speech pricing — https://cloud.google.com/text-to-speech/pricing
Azure Speech text-to-speech quickstart — https://learn.microsoft.com/en-us/azure/ai-services/speech-service/get-started-text-to-speech

No comments yet