كيف تبني وكيلًا صوتيًا يتكلم باللهجة الخليجية على منصة Vapi

على أي وكيل صوتي عربي أن يفعل أمرين تعجز عنهما أغلب المنصات: أن يفهم متصلًا من دبي أو الرياض يتكلم باللهجة على خط هاتفي، وأن يرد بصوت يبدو خليجيًا فعلًا. يشرح هذا الدليل ربط طرفي مساعد Vapi بنُطق، وما يجب مراقبته حين يبدأ باستقبال مكالمات حقيقية.

لماذا تفشل الوكلاء الصوتية العربية عادةً؟

الحلقة الأضعف عادةً هي السمع، لا النموذج اللغوي. Deepgram، المفرّغ الافتراضي في أغلب المنصات الصوتية، ليس لديه نموذج عربي مخصص: nova-2 وnova-3 يرفضان ar صراحة، ووضعه متعدد اللغات وحده يقبلها، فيحسب الخليجية لغات أخرى. والوكيل الذي لا يسمع المتصل لا يستطيع مساعدته، مهما كانت تعليماته جيدة.

والطرف الآخر يفشل بهدوء أكبر: صوت بفصحى إذاعية يرد على متصل خليجي يبدو كتسجيل حكومي، لا كمحادثة.

كيف تربط طرف الاستماع؟

تفتح Vapi اتصال WebSocket وتبثّ المكالمة عبره، ويعيد نُطق كل دور نصًا حين يتوقف المتصل. أضف هذا إلى المساعد:

"transcriber": {
  "provider": "custom-transcriber",
  "server": {
    "url": "wss://worker.nutq.dev/v1/transcribe/stream?key=$NUTQ_STREAM_KEY&language=auto",
    "timeoutSeconds": 30
  }
}

مصافحة WebSocket لا تحمل ترويسات تتحكم فيها، لذا يوضع المفتاح في الرابط. استخدم هنا مفتاحًا منفصلًا ليمكن إلغاؤه وحده إن التقطه سجلّ ما. وتأكد أن حسابك في Vapi يقبل custom-transcriber قبل أن تبني عليه، فبعض الحسابات ترفضه عند النشر.

ومع language=auto يحدد أول دور طويل بما يكفي لغةَ المكالمة، وترثها الردود القصيرة — فالمتصل الذي يقول «نعم» فقط لا يُعاد تخمين لغته من كلمة واحدة.

كيف تربط طرف النطق؟

ترسل Vapi كل سطر يريد نموذجها قوله، وتشغّل الصوت الذي تعيده:

"voice": {
  "provider": "custom-voice",
  "server": {
    "url": "https://nutq.dev/v1/vapi/voice?voice=rashid",
    "headers": { "Authorization": "Bearer $NUTQ_API_KEY" },
    "timeoutSeconds": 45
  }
}

الإعدادات في الرابط لأن Vapi تملك جسم الطلب. وأي تردد تطلبه Vapi — 8000 أو 16000 أو 22050 أو 24000 هرتز — يعود كما هو، صوتًا أحادي القناة بدقة 16 بت.

كيف تبقى المحادثة طبيعية؟

ثلاث قواعد تفرّق بين محادثة وطابور انتظار:

1. ردود قصيرة. كل رد يُولَّد كاملًا قبل أن يسمع المتصل منه شيئًا. اطلب من النموذج في تعليماته أن يجيب في جملة أو جملتين.
2. دع الأدوار تنتهي طبيعيًا. ينتهي الدور بعد نحو 700 ملّي ثانية من الهدوء. والتوقف وسط الجملة طبيعي ولا يقسم الدور، وما يتجاوز 15 ثانية يُفرَّغ على أي حال بدل انتظار توقف قد لا يأتي.
3. اكتب التعليمات باللهجة التي تريدها في الرد. إن أردت أن يبدو الوكيل خليجيًا فأعطه أمثلة خليجية. الصوت يقرأ النص الذي يُعطى له؛ وراجع تحويل النص العربي إلى كلام واستنساخ الصوت لضبط النطق.

كم تكلّف المكالمة؟

كلاهما على المفتاح الموجود في الإعدادات، والطلبات الفاشلة لا تُحتسب. والحسابات الجديدة تبدأ برصيد مجاني بقيمة 5 دولارات عند التسجيل.

ما الذي تختبره قبل الإطلاق؟

• متصلون حقيقيون على خطوط هاتف حقيقية — صوت النطاق الضيق يتصرف بشكل مختلف؛ راجع تفريغ المكالمات الهاتفية العربية.
• متصلون يتنقلون بين العربية والإنجليزية وسط المكالمة.
• إجابات قصيرة جدًا («إي»، «لا»، «تمام») وشكاوى طويلة.
• الأرقام والتواريخ وأسماء المنتجات حين تُقرأ على المتصل.

ويمكنك استخدام أي طرف وحده: نُطق للسمع مع صوت آخر، أو العكس. والإعدادات كاملة، بكل الملاحظات أعلاه، في التوثيق.