مجله ایرانیکاسرورآموزش سرور، هاست، وردپرس و شبکه
آموزشی

منشی تلفنی هوش مصنوعی چیست؟ ساخت Voice AI Agent روی VPS

منشی تلفنی هوش مصنوعی چیست؟ منشی تلفنی هوش مصنوعی یا Voice AI Agent سیستمی است که تماس تلفنی را دریافت می‌کند، صدای تماس‌گیرنده را به متن تبدیل می‌کند، منظور او را می‌فهمد، بر اساس…

منشی تلفنی هوش مصنوعی چیست؟ ساخت Voice AI Agent روی VPS
خلاصه سریع این آموزش

منشی تلفنی هوش مصنوعی چیست؟ منشی تلفنی هوش مصنوعی یا Voice AI Agent سیستمی است که تماس تلفنی را دریافت می‌کند، صدای تماس‌گیرنده را به متن تبدیل می‌کند، منظور او…

۱۴ دقیقه مطالعه ۰ دیدگاه ۹ مهر ۱۴۰۵ آخرین به‌روزرسانی

فهرست مطالب

منشی تلفنی هوش مصنوعی چیست؟

منشی تلفنی هوش مصنوعی یا Voice AI Agent سیستمی است که تماس تلفنی را دریافت می‌کند، صدای تماس‌گیرنده را به متن تبدیل می‌کند، منظور او را می‌فهمد، بر اساس اطلاعات و قوانین کسب‌وکار پاسخ می‌سازد و پاسخ را دوباره به صوت تبدیل می‌کند. این سیستم می‌تواند علاوه بر پاسخ‌گویی، کارهایی مثل انتقال تماس به اپراتور، ثبت درخواست در CRM، گرفتن شماره سفارش، رزرو وقت، ایجاد تیکت یا ثبت خلاصه مکالمه را هم انجام دهد.

تفاوت آن با تلفن گویا یا IVR سنتی این است که کاربر مجبور نیست فقط بین «عدد ۱ برای فروش، عدد ۲ برای پشتیبانی» انتخاب کند. در یک Voice AI Agent واقعی، تماس‌گیرنده می‌تواند طبیعی صحبت کند؛ مثلاً بگوید «فاکتور ماه قبل را می‌خواهم» یا «می‌خواهم با بخش فنی صحبت کنم» و سیستم Intent را تشخیص دهد.

خلاصه معماری: خط تلفن/SIP → Asterisk → جریان صوتی → STT → LLM/Business Logic → TTS → پخش پاسخ در تماس. برای Production باید انتقال به اپراتور انسانی، Timeout، قطع سرویس AI، Logging، امنیت SIP و حفاظت از داده‌های تماس را نیز از ابتدا طراحی کنید.

منشی تلفنی هوش مصنوعی چه کاربردهایی دارد؟

  • پاسخ‌گویی ۲۴ ساعته به سؤالات پرتکرار
  • تشخیص واحد موردنظر و انتقال تماس
  • ثبت Lead در CRM
  • گرفتن کد سفارش و استعلام وضعیت
  • رزرو وقت و تغییر زمان رزرو
  • ایجاد تیکت پشتیبانی
  • ثبت پیام در خارج از ساعات کاری
  • خلاصه‌سازی مکالمه برای اپراتور
  • جمع‌آوری اطلاعات اولیه پیش از انتقال تماس
  • پاسخ‌گویی چندزبانه در صورت پشتیبانی STT/TTS

معماری یک Voice AI Agent روی VPS

برای اینکه یک تماس تلفنی معمولی به یک مکالمه هوشمند تبدیل شود، چند لایه باید با هم کار کنند:

  1. SIP/PSTN: تماس از اپراتور یا SIP Trunk وارد سرور می‌شود.
  2. Asterisk: تماس را پاسخ می‌دهد، Route می‌کند و Media را مدیریت می‌کند.
  3. Media Bridge: صوت تماس به سرویس پردازش هوش مصنوعی منتقل می‌شود.
  4. STT: Speech-to-Text صدای کاربر را به متن تبدیل می‌کند.
  5. LLM یا Agent: متن را تحلیل می‌کند، Intent را می‌فهمد و در صورت نیاز Tool اجرا می‌کند.
  6. Business Logic: CRM، دیتابیس، API سفارش، تقویم یا سیستم تیکت را فراخوانی می‌کند.
  7. TTS: پاسخ را به صوت تبدیل می‌کند.
  8. Asterisk: صدای پاسخ را برای تماس‌گیرنده پخش می‌کند یا تماس را به انسان تحویل می‌دهد.
PSTN / SIP Trunk
        |
     Asterisk
        |
  ARI / ExternalMedia
        |
   Media Gateway
   /     |      \
 STT    LLM     TTS
        /   \
      CRM   Tools
        |
 Human Handoff

چرا در نسخه جدید بهتر است از Asterisk 22 LTS استفاده کنیم؟

برای استقرار جدید، شاخه Asterisk 22 LTS انتخاب محافظه‌کارانه و مناسب‌تری است؛ چون تا سال ۲۰۲۸ پشتیبانی کامل دارد. Asterisk 20 نیز LTS است، اما پایان پشتیبانی کامل آن در اکتبر ۲۰۲۶ نزدیک است. نسخه 24 هنوز در زمان این بازنویسی به انتشار LTS نهایی نرسیده است.

مزیت مهم Asterisk 22.5 و نسخه‌های جدیدتر این است که قابلیت‌های جدید WebSocket برای Media و ARI در دسترس‌اند. در سناریوی Voice AI می‌توان Media را با External Media یا WebSocket به سرویس پردازش صوت منتقل کرد. در نسخه‌های قدیمی‌تر نیز External Media با RTP/UDP قابل استفاده است.

نکته نسخه: در Production نسخه را Hardcode نکنید. قبل از نصب، صفحه Supported Versions رسمی Asterisk را بررسی و آخرین Minor Release از شاخه LTS موردنظر را نصب کنید.

پیش‌نیازهای سرور برای منشی تلفنی هوش مصنوعی

مصرف منابع به این بستگی دارد که STT، LLM و TTS روی همان VPS اجرا شوند یا از API خارجی استفاده کنید. برای معماری API-based، Asterisk و Middleware معمولاً منابع بسیار کمتری از اجرای مدل محلی نیاز دارند.

سناریو CPU RAM توضیح
Asterisk + API خارجی 2 تا 4 vCPU 4 تا 8 GB برای شروع و تماس هم‌زمان محدود
چند تماس هم‌زمان + Middleware 4 تا 8 vCPU 8 تا 16 GB به Codec و حجم پردازش بستگی دارد
STT/TTS/LLM محلی وابسته به مدل 16 GB به بالا ممکن است GPU لازم شود

این جدول یک نقطه شروع عملی است، نه Benchmark قطعی. قبل از Production با تعداد تماس هم‌زمان واقعی Load Test بگیرید.

انتخاب ایران یا خارج برای Voice AI

مهم‌ترین معیار، فاصله شبکه بین SIP Trunk، Asterisk و سرویس STT/TTS/LLM است. اگر SIP Provider داخل ایران است ولی AI API خارج از ایران قرار دارد، معماری شما دو مسیر شبکه متفاوت دارد. در این حالت فقط «پینگ کاربر» مهم نیست؛ Round-trip کل زنجیره تماس اهمیت دارد.

برای تصمیم درست، از هر محل این موارد را اندازه‌گیری کنید:

  • Latency تا SIP Provider
  • Latency تا STT/TTS Provider
  • Packet Loss و Jitter
  • زمان اولین Transcript
  • زمان اولین Token مدل
  • Time-to-first-audio در TTS

زیرساخت VPS برای Asterisk و Voice AI

اگر SIP Trunk یا کاربران شما داخل ایران هستند، VPS ایران می‌تواند مسیر تلفنی را کوتاه‌تر کند. برای سرویس‌های AI خارجی نیز می‌توان Middleware یا Worker جدا در خارج در نظر گرفت. معماری Hybrid در بسیاری از پروژه‌ها از قرار دادن همه سرویس‌ها روی یک سرور منطقی‌تر است.

تماس با پشتیبانی ایرانیکاسرور: 021-91302467

گام اول: نصب Asterisk روی Ubuntu

برای Production بهتر است Asterisk LTS پشتیبانی‌شده نصب شود. بسته Repository توزیع ممکن است از آخرین LTS عقب‌تر باشد؛ بنابراین قبل از نصب Version واقعی را بررسی کنید.

برای یک محیط آزمایشی روی Ubuntu:

sudo apt update
sudo apt install -y asterisk
asterisk -V
sudo systemctl enable --now asterisk
sudo systemctl status asterisk

اگر نسخه Repository قدیمی است و پروژه Production دارید، از Build رسمی شاخه LTS یا Package معتبر خودتان استفاده کنید.

گام دوم: استفاده از PJSIP به‌جای chan_sip

برای استقرار جدید از PJSIP استفاده کنید. chan_sip سال‌هاست مسیر اصلی توسعه Asterisk نیست. تنظیمات SIP Trunk بسته به اپراتور متفاوت است، بنابراین Credential و Dialplan را از Provider دریافت کنید.

نمونه بسیار ساده PJSIP برای یک Endpoint داخلی:

[1001]
type=endpoint
context=from-internal
disallow=all
allow=ulaw
auth=1001-auth
aors=1001

[1001-auth]
type=auth
auth_type=userpass
username=1001
password=CHANGE_THIS_STRONG_PASSWORD

[1001]
type=aor
max_contacts=1

این نمونه برای فهم ساختار است؛ برای اینترنت عمومی باید ACL، TLS/SRTP در صورت پشتیبانی Provider، Fail2Ban و محدودسازی IPها را اضافه کنید.

گام سوم: فعال‌کردن ARI

ARI یا Asterisk REST Interface برای ساخت Applicationهای سفارشی تماس استفاده می‌شود. ARI از HTTP برای عملیات و WebSocket برای Eventهای Asynchronous استفاده می‌کند. Channelهایی که باید توسط ARI کنترل شوند معمولاً وارد Application به نام Stasis() می‌شوند.

در فایل /etc/asterisk/http.conf:

[general]
enabled=yes
bindaddr=127.0.0.1
bindport=8088

در /etc/asterisk/ari.conf:

[general]
enabled=yes
pretty=no

[voicebot]
type=user
read_only=no
password=CHANGE_THIS_LONG_RANDOM_SECRET

سپس Config را Reload کنید:

sudo asterisk -rx "core reload"
sudo asterisk -rx "http show status"
sudo asterisk -rx "ari show status"

ARI را مستقیم Public نکنید. Bind روی localhost یا Private Network امن‌تر است. اگر ARI از شبکه جداگانه قابل دسترسی است، TLS/WSS و Firewall محدود را فعال کنید.

گام چهارم: ارسال Media تماس به سرویس هوش مصنوعی

برای Voice AI فقط Eventهای ARI کافی نیستند؛ باید Audio تماس نیز به سرویس STT/TTS برسد. راه استاندارد Asterisk برای این کار External Media است.

در Asteriskهای جدید، External Media می‌تواند با RTP/UDP، AudioSocket یا WebSocket کار کند. قابلیت WebSocket Media در شاخه‌های جدید Asterisk اضافه شده و مدیریت Frame/Packet را نسبت به RTP خام ساده‌تر می‌کند.

الگوی پیشنهادی:

Caller Channel
      |
   Stasis App
      |
 Mixing Bridge
   /        \
Caller   ExternalMedia
             |
          WebSocket
             |
        Voice Gateway
       /     |      \
     STT    LLM     TTS

در نسخه‌هایی که WebSocket Media ندارند، می‌توانید External Media را با RTP/UDP به Media Gateway خودتان متصل کنید.

نمونه ساخت External Media با ARI

نمونه مفهومی REST:

POST /ari/channels/externalMedia
  ?app=voicebot
  &external_host=127.0.0.1:60000
  &format=ulaw

سپس Channel تماس و External Media را داخل یک Mixing Bridge قرار می‌دهید. این دقیقاً نقطه‌ای است که سرویس Media Gateway می‌تواند Audio را به STT بفرستد و Audio تولیدشده توسط TTS را برگرداند.

STT فارسی را چگونه انتخاب کنیم؟

STT باید علاوه بر دقت فارسی، Streaming، تشخیص پایان جمله و Latency پایین داشته باشد. برای تماس تلفنی، کیفیت Audio معمولاً 8kHz و Codecهایی مثل G.711 است؛ بنابراین مدلی که روی فایل Studio خوب است لزوماً روی تلفن خوب عمل نمی‌کند.

هنگام مقایسه Providerها این موارد را تست کنید:

  • دقت روی فارسی محاوره‌ای
  • نام اشخاص و برندها
  • شماره تلفن، کد ملی یا شماره سفارش
  • Noise واقعی تماس
  • Streaming Partial Transcript
  • زمان Final Transcript

TTS فارسی؛ طبیعی بودن کافی نیست

برای تلفن، TTS باید علاوه بر صدای طبیعی، سریع شروع به پخش کند. اگر پاسخ کامل LLM را منتظر بمانید و بعد یک فایل صوتی طولانی بسازید، مکالمه کند می‌شود.

بهتر است:

  • پاسخ LLM را Stream کنید.
  • جمله‌های کوتاه را زودتر به TTS بدهید.
  • Audio Chunkها را بلافاصله به تماس برگردانید.
  • امکان قطع‌کردن صدای Bot توسط کاربر یا Barge-in را طراحی کنید.

LLM باید Agent باشد یا فقط Chatbot؟

اگر سیستم فقط جواب FAQ می‌دهد، یک LLM ساده با Knowledge Base کافی است. اگر قرار است سفارش پیدا کند، رزرو انجام دهد، CRM را به‌روز کند یا تماس را منتقل کند، به Tool/Function Calling و Business Logic نیاز دارید.

برای ساخت Agent همیشه‌روشن و معماری Toolها، مقاله پیاده‌سازی AI Agent روی VPS را نیز ببینید.

RAG برای منشی تلفنی چه زمانی لازم است؟

اگر پاسخ‌ها از اطلاعات داخلی شرکت می‌آیند، مثل تعرفه‌ها، شرایط خدمات، SLA یا مستندات پشتیبانی، بهتر است LLM را به Knowledge Base متصل کنید. در RAG، قبل از ساخت پاسخ، بخش مرتبط از مستندات بازیابی می‌شود.

با این کار احتمال پاسخ ساختگی کاهش می‌یابد؛ اما همچنان باید برای موضوعات حساس Rule داشته باشید که سیستم به اپراتور انسانی منتقل کند.

انتقال تماس به اپراتور انسانی

Human Handoff باید بخشی از طراحی اصلی باشد، نه قابلیت فرعی. سیستم باید در این شرایط تماس را منتقل کند:

  • کاربر صریحاً اپراتور می‌خواهد.
  • STT چند بار متوالی مفهوم را تشخیص نمی‌دهد.
  • موضوع مالی، حقوقی یا امنیتی حساس است.
  • API داخلی خطا می‌دهد.
  • Confidence پایین است.
  • کاربر ناراضی یا عصبانی است.

در ARI می‌توان Channel را به Dialplan برگرداند یا Bridge/Dial جدید ایجاد کرد. روش دقیق به معماری Call Routing شما بستگی دارد.

ثبت تماس در CRM

بعد از پایان تماس می‌توانید یک رکورد شامل این اطلاعات ایجاد کنید:

  • Caller ID
  • زمان شروع و پایان
  • Intent اصلی
  • خلاصه مکالمه
  • Outcome
  • اپراتور مقصد
  • تیکت یا Lead ایجادشده

از ذخیره Transcript و Audio بدون نیاز واقعی خودداری کنید. Retention Policy، سطح دسترسی و رضایت/اعلام ضبط مکالمه را بر اساس مقررات و سیاست سازمان تنظیم کنید.

نمونه Webhook امن برای CRM

POST /api/calls
Authorization: Bearer <service-token>
Content-Type: application/json

{
  "caller_id": "+98...",
  "intent": "sales",
  "summary": "درخواست مشاوره خرید VPS",
  "outcome": "transferred"
}

Token را داخل Source Code یا Git ذخیره نکنید. از Environment Variable یا Secrets Manager استفاده کنید.

چطور Latency مکالمه را کم کنیم؟

یک Voice Bot خوب باید حس مکالمه زنده داشته باشد. تأخیر از چند بخش جمع می‌شود:

Total Latency =
Network +
VAD / End-of-turn +
STT +
LLM first token +
TTS first audio +
Audio delivery

برای کاهش Latency:

  • از Streaming STT استفاده کنید.
  • End-of-turn Detection را Tune کنید.
  • LLM سریع‌تر برای Voice انتخاب کنید.
  • پاسخ‌های کوتاه طراحی کنید.
  • TTS را Streaming کنید.
  • Media Gateway را نزدیک Asterisk قرار دهید.
  • Connectionها را Keep-Alive نگه دارید.
  • API Client و DNS/TLS را Reuse کنید.

Barge-in چیست؟

Barge-in یعنی کاربر بتواند هنگام صحبت Bot، شروع به صحبت کند و Bot متوقف شود. بدون Barge-in، کاربر مجبور است تا پایان جمله طولانی هوش مصنوعی صبر کند.

برای پیاده‌سازی باید Voice Activity Detection، توقف Playback/TTS و مدیریت Turn State هماهنگ باشند.

امنیت SIP و Asterisk روی VPS

سرور VoIP یکی از اهداف رایج Scan و Toll Fraud است. حداقل این کنترل‌ها را اعمال کنید:

  • از Password تصادفی و طولانی استفاده کنید.
  • SIP Trunk را در صورت امکان به IPهای Provider محدود کنید.
  • Extensionهای داخلی را مستقیماً برای کل اینترنت باز نکنید.
  • Fail2Ban و Rate Limit داشته باشید.
  • ARI و Media Gateway را Public نکنید.
  • SSH را با Key و Firewall محدود کنید.
  • Dialplan را طوری تنظیم کنید که Destinationهای غیرمجاز قابل Dial نباشند.
  • Call Detail Record و الگوی تماس غیرعادی را مانیتور کنید.
  • اگر Provider پشتیبانی می‌کند از SIP TLS و SRTP استفاده کنید.

هشدار Toll Fraud: یک SIP Credential لو‌رفته می‌تواند هزینه تماس بین‌المللی ایجاد کند. فقط Block کردن Port کافی نیست؛ ACL، محدودیت مقصد تماس و Alert مصرف را هم فعال کنید.

Fail2Ban برای Asterisk

Fail2Ban می‌تواند بر اساس Logهای Asterisk IPهای مهاجم را موقتاً Block کند؛ اما نام Log و Filter بسته به Distribution و Config متفاوت است. قبل از فعال‌سازی Production، Regex فیلتر را روی Log واقعی خودتان Test کنید.

مانیتورینگ Voice AI Agent

فقط CPU و RAM کافی نیست. برای سرویس Voice AI این Metricها مهم‌ترند:

  • Concurrent Calls
  • Call Setup Time
  • RTP Packet Loss
  • Jitter
  • STT First Partial
  • STT Final Latency
  • LLM First Token
  • TTS First Audio
  • End-to-end Response Time
  • Transfer Success Rate
  • API Error Rate
  • Cost per Call

برای مانیتورینگ خود VPS نیز می‌توانید از راهنمای مانیتورینگ سرور لینوکس استفاده کنید.

اگر سرویس STT یا LLM قطع شد چه کنیم؟

Production باید Graceful Degradation داشته باشد:

  1. Timeout کوتاه و مشخص برای API تعریف کنید.
  2. یک پیام صوتی ثابت محلی داشته باشید.
  3. در صورت خطای AI تماس را به اپراتور منتقل کنید.
  4. اگر اپراتور در دسترس نیست Voicemail/Callback بسازید.
  5. Error را با Correlation ID ثبت کنید.

ضبط تماس و حریم خصوصی

اگر تماس ضبط یا Transcript ذخیره می‌شود، کاربر باید مطابق مقررات و سیاست سازمان مطلع شود. اطلاعات حساس مثل Password، CVV، Token یا Secret را نباید وارد Prompt یا Log کنید.

Retention کوتاه‌تر، Encryption at Rest، Role-based Access و حذف خودکار داده‌های قدیمی را در طراحی لحاظ کنید.

هزینه منشی تلفنی هوش مصنوعی چگونه محاسبه می‌شود؟

هزینه واقعی ترکیبی از چند جزء است:

  • SIP Trunk و دقیقه مکالمه
  • VPS
  • STT بر اساس زمان Audio
  • LLM بر اساس Token یا Session
  • TTS بر اساس Character/Audio
  • CRM و Integration
  • Storage ضبط مکالمه

برای برآورد، هزینه را بر اساس دقیقه مکالمه موفق محاسبه کنید، نه فقط قیمت VPS یا API.

چک‌لیست Production

  • Asterisk LTS پشتیبانی‌شده
  • PJSIP
  • Firewall/ACL برای SIP
  • ARI فقط Private/Localhost
  • Media Streaming پایدار
  • Streaming STT
  • Streaming TTS
  • Human Handoff
  • Timeout/Fallback
  • CRM Webhook با Authentication
  • Monitoring و Alert
  • Backup Config
  • Load Test تماس هم‌زمان
  • Privacy/Retention Policy

سؤالات متداول

منشی تلفنی هوش مصنوعی چیست؟

سیستمی است که تماس تلفنی را با STT، مدل هوش مصنوعی و TTS پردازش می‌کند و می‌تواند پاسخ دهد، اطلاعات جمع‌آوری کند یا تماس را به اپراتور منتقل کند.

آیا منشی تلفنی هوش مصنوعی فارسی کار می‌کند؟

بله، اگر STT و TTS انتخاب‌شده فارسی را با کیفیت مناسب تماس تلفنی پشتیبانی کنند. کیفیت باید روی تماس واقعی تست شود.

برای ساخت Voice AI Agent حتماً GPU لازم است؟

خیر. اگر STT، LLM و TTS از API خارجی استفاده کنند، Asterisk و Middleware روی VPS عادی قابل اجرا هستند. GPU بیشتر برای مدل‌های محلی لازم می‌شود.

Asterisk بهتر است یا FreeSWITCH؟

هر دو برای پروژه‌های Voice قابل استفاده‌اند. این آموزش بر Asterisk تمرکز دارد چون ARI و External Media مسیر مناسبی برای اتصال تماس به Application سفارشی فراهم می‌کنند.

چطور تماس را از AI به اپراتور منتقل کنیم؟

بر اساس Intent یا Rule، Application تماس را به Dialplan یا Bridge اپراتور برمی‌گرداند. مسیر انتقال باید قبل از Production تست شود.

چرا Voice Bot با تأخیر جواب می‌دهد؟

Latency می‌تواند از شبکه، تشخیص پایان صحبت، STT، LLM، TTS یا ارسال Audio ایجاد شود. هر مرحله باید جداگانه اندازه‌گیری شود.

منابع و مستندات رسمی

وضعیت پشتیبانی نسخه‌های Asterisk و شاخه‌های LTS.
مستندات رسمی ARI، Stasis، HTTP و WebSocket.
روش رسمی اتصال Media تماس به سرویس خارجی برای Speech/AI Processing.
قابلیت Media over WebSocket در نسخه‌های جدید Asterisk.

جمع‌بندی

منشی تلفنی هوش مصنوعی فقط اتصال Asterisk به یک مدل زبانی نیست. یک سیستم Production باید Media Streaming، STT، LLM، TTS، Business Logic، Human Handoff، امنیت SIP، Monitoring، Fallback و حریم خصوصی را هم‌زمان حل کند. برای نصب جدید، Asterisk LTS پشتیبانی‌شده و معماری External Media انتخاب مناسبی برای اتصال تلفن به Voice AI است.

برای راه‌اندازی Asterisk و Voice AI روی VPS نیاز به زیرساخت دارید؟

تعداد تماس هم‌زمان، محل SIP Trunk و اینکه STT/TTS/LLM محلی یا API هستند را مشخص کنید تا منابع VPS دقیق‌تر انتخاب شوند.

تماس با پشتیبانی ایرانیکاسرور: 021-91302467

اشتراک‌گذاری مقاله
گفت‌وگو درباره آموزش

دیدگاه‌ها (۰)

هنوز دیدگاهی ثبت نشده است.

دیدگاه یا سؤال خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *