تحلیل صوتی با DeepGram و GPT-4o در n8n

تحلیل مکالمه صوتی و بصری‌سازی با DeepGram و GPT-4o

این Workflow به صورت خودکار رونویسی، تحلیل و بصری‌سازی مکالمات صوتی را با استفاده از DeepGram برای تبدیل گفتار به متن و GPT-4o برای درک پیشرفته زبان طبیعی، انجام می‌دهد. این Workflow برای کاربرانی طراحی شده است که نیاز به استخراج بینش‌های عملی از صدای ضبط شده دارند، مانند تیم‌های پشتیبانی مشتری، متخصصان حقوقی، محققان و تولیدکنندگان محتوا.

این Workflow و موارد دیگر را در کاتالوگ n8n در Axeto.ai کاوش کنید.

نمای کلی Workflow

Workflow "Transcript Evalu8r" به چندین بلوک منطقی تقسیم شده است:

1. دریافت ورودی و آپلود صدا: مدیریت فایل‌های صوتی ورودی از طریق Google Drive یا تریگرهای Webhook.

2. رونویسی صدا: استفاده از API DeepGram برای تبدیل گفتار به متن.

3. پردازش رونویسی و تحلیل هوش مصنوعی: استفاده از GPT-4o (از طریق نودهای LangChain) برای تحلیل رونویسی‌ها از نظر احساسات، موضوعات، نیات و بینش‌های کلیدی.

4. تولید و ذخیره‌سازی خروجی: ایجاد فایل‌های Google Docs و JSON برای رونویسی‌ها و تحلیل‌ها، ذخیره آن‌ها در Google Drive و ارسال اختیاری اعلان‌های ایمیلی.

5. تعامل Webhook و UI: ارائه نقاط پایانی Webhook برای تریگرهای خارجی و ارائه HTML یا JSON برای اجزای UI.

6. راه‌اندازی و مقداردهی اولیه: آماده‌سازی پوشه‌ها و فایل‌های لازم Google Drive برای اجرای Workflow.

---

تحلیل دقیق بلوک‌ها

۱. دریافت ورودی و آپلود صدا

این بخش نحوه ورود فایل‌های صوتی به Workflow را مدیریت می‌کند و از نظارت بر Google Drive و آپلود مستقیم از طریق Webhook پشتیبانی می‌کند.

نودها:

• googleDrive.trigger: پوشه مشخص شده در Google Drive را برای فایل‌های صوتی جدید یا به‌روزرسانی شده نظارت می‌کند.
• webhook.trigger (Webhook4): یک نقطه پایانی HTTP را برای دریافت فایل‌های صوتی آپلود شده از طریق درخواست‌های خارجی، در دسترس قرار می‌دهد.
• googleDrive.upload: فایل صوتی دریافت شده از Webhook را در پوشه تعیین شده Google Drive آپلود می‌کند.
• webhook.respond (Respond to Webhook4): یک پاسخ HTTP 200 را برای تأیید موفقیت‌آمیز بودن آپلود فایل به فراخواننده Webhook ارسال می‌کند.
• googleDrive.download: فایل صوتی آپلود شده را از Google Drive برای پردازش بعدی دانلود می‌کند.

پیکربندی‌ها و ملاحظات کلیدی:

• تریگر Google Drive: پوشه خاصی را برای نظارت پیکربندی کنید. به خطاهای احتمالی مجوز یا تأخیر در تشخیص تریگر توجه داشته باشید.
• تریگر Webhook: در صورت لزوم، نقطه پایانی Webhook را ایمن کنید. مسائل احتمالی مانند آپلودهای نامعتبر فایل، محدودیت‌های حجم فایل بزرگ یا خرابی احراز هویت را مدیریت کنید.
• آپلود/دانلود Google Drive: از سهمیه کافی Google Drive و مجوزهای صحیح پوشه اطمینان حاصل کنید.

---

۲. رونویسی صدا

این بلوک بر تبدیل محتوای صوتی به متن با استفاده از API DeepGram تمرکز دارد.

نودها:

• httpRequest (DeepGram): یک فراخوان API به DeepGram ارسال می‌کند، داده‌های فایل صوتی را ارسال کرده و رونویسی را با تفکیک گوینده و مُهر زمانی درخواست می‌کند.
• code (ProcessJSON): پاسخ JSON را از DeepGram تجزیه می‌کند و متن رونویسی شده، برچسب‌های گوینده، مُهر زمانی و سایر فراداده‌های مرتبط را استخراج می‌کند.
• set (SetJSONFields): داده‌های استخراج شده را به فیلدهای تعریف شده (مانند رونویسی کامل، اطلاعات گوینده، فراداده) برای استفاده کارآمد در نودهای تحلیل هوش مصنوعی بعدی، ساختاربندی می‌کند.

پیکربندی‌ها و ملاحظات کلیدی:

• نود DeepGram: کلید API DeepGram خود را به طور ایمن در هدرهای نود پیکربندی کنید. پارامترهای رونویسی مورد نظر (مانند زبان، تفکیک گوینده) را مشخص کنید. خرابی‌های احتمالی احراز هویت API یا مهلت‌های زمانی درخواست را مدیریت کنید.
• نود ProcessJSON: اطمینان حاصل کنید که کد به طور دقیق ساختار مورد انتظار پاسخ API DeepGram را منعکس می‌کند. در صورت تغییر فرمت پاسخ توسط DeepGram، آماده به‌روزرسانی کد باشید.
• نود SetJSONFields: نام‌های فیلد واضح و سازگاری را برای داده‌های ساختاریافته تعریف کنید تا از مشکلات در نودهای بعدی جلوگیری شود.

---

۳. پردازش رونویسی و تحلیل هوش مصنوعی

این بلوک اصلی هوش است که در آن GPT-4o متن رونویسی شده را برای استخراج بینش‌های معنی‌دار تحلیل می‌کند.

نودها:

• set (SetJSONFields): داده‌های ساختاریافته را از مرحله رونویسی آماده می‌کند.
• merge (Merge): جریان‌های داده مختلف را ترکیب می‌کند، مانند داده‌های رونویسی خام و اطلاعات زمینه‌ای بالقوه دیگر.
• openai.chatCompletion (OpenAI Chat Model): با اعتبارنامه API OpenAI و مدل GPT-4o شما پیکربندی شده است، این نود رونویسی را بر اساس اعلان‌های تعریف شده پردازش می‌کند.
• langchain.agent (AI Agent): تعامل بین مدل زبان و تجزیه‌کننده‌های خروجی را برای انجام وظایف تحلیل پیچیده، هماهنگ می‌کند.
• langchain.outputParsers.structured (Structured Output Parser): یک طرحواره JSON برای خروجی هوش مصنوعی تعریف می‌کند و اطمینان می‌دهد که احساسات، موضوعات، نیات و بینش‌های کلیدی در قالبی قابل پیش‌بینی برگردانده می‌شوند.
• googleDrive.rename (RenameAudio): فایل صوتی اصلی را بر اساس نتایج تحلیل یا مُهر زمانی برای سازماندهی بهتر، تغییر نام می‌دهد.
• googleDrive.move (MoveAudio): فایل صوتی پردازش شده را به پوشه بایگانی یا تکمیل شده در Google Drive منتقل می‌کند.
• code (GetSpeakers): اطلاعات خاص گوینده، مانند معیارهای زمان صحبت، را از داده‌های رونویسی استخراج و قالب‌بندی می‌کند.

پیکربندی‌ها و ملاحظات کلیدی:

• OpenAI Chat Model: اطمینان حاصل کنید که کلید API OpenAI شما به درستی تنظیم شده است و به مدل GPT-4o دسترسی دارید. تنظیم temperature را برای خلاقیت مطلوب در مقابل قطعیت در پاسخ‌های هوش مصنوعی تنظیم کنید.
• AI Agent و Structured Output Parser: اعلان‌های دقیقی را در نود AI Agent برای هدایت تحلیل GPT-4o ایجاد کنید. ساختار JSON مورد انتظار را به وضوح در تجزیه‌کننده خروجی تعریف کنید. محدودیت‌های نرخ API احتمالی، خرابی‌های اعلان یا پاسخ‌های غیرمنتظره هوش مصنوعی را مدیریت کنید.
• تغییر نام/انتقال Google Drive: قراردادهای نام‌گذاری و پوشه‌های مقصد را برای مدیریت فایل سازمان‌یافته تعریف کنید.

---

۴. تولید و ذخیره‌سازی خروجی

این بلوک بر ایجاد خروجی‌های قابل خواندن برای انسان و ماشین از تحلیل و ذخیره مناسب آن‌ها تمرکز دارد.

نودها:

• googleDrive.move (MoveTranscriptAnalysis): فایل‌های رونویسی تحلیل شده را به پوشه‌های نهایی آن‌ها منتقل می‌کند.
• googleDocs.create (Create Google Docs): یک سند Google جدید حاوی رونویسی و نتایج تحلیل، قالب‌بندی شده برای خوانایی، ایجاد می‌کند.
• googleDocs.update (Google Docs1): به صورت اختیاری سند Google را با فراداده اضافی به‌روزرسانی یا نهایی می‌کند.
• convert.toFile (Convert to File1): تحلیل هوش مصنوعی ساختاریافته (JSON) را به قالبی قابل دانلود تبدیل می‌کند.
• googleDrive.upload (Upload Json): فایل تحلیل JSON تولید شده را در Google Drive آپلود می‌کند.
• merge (Merge1): نتایج مراحل ایجاد Google Docs و آپلود JSON را ترکیب می‌کند.
• gmail.sendEmail: یک اعلان ایمیلی ارسال می‌کند، که به طور بالقوه شامل پیوندهایی به اسناد تولید شده یا خلاصه‌ای از تحلیل است.

پیکربندی‌ها و ملاحظات کلیدی:

• ایجاد/به‌روزرسانی Google Docs: قالب سند را برای ارائه مؤثر رونویسی و بینش‌های هوش مصنوعی طراحی کنید. از سهمیه‌های API Google Docs و خطاهای قالب‌بندی احتمالی آگاه باشید.
• تبدیل به فایل/آپلود JSON: اطمینان حاصل کنید که ساختار JSON قبل از تبدیل و آپلود معتبر است.
• ارسال ایمیل Gmail: اعتبارنامه‌های OAuth2 را برای دسترسی به Gmail پیکربندی کنید. قالب‌های ایمیل واضح و آموزنده ایجاد کنید.

---

۵. تعامل Webhook و UI

این بخش نقاط پایانی را برای تعامل با Workflow از خارج ارائه می‌دهد و رابط‌های کاربری پویا را برای مشاهده و مدیریت رونویسی‌ها فعال می‌کند.

نودها:

• webhook.trigger (Webhook1, Webhook2, Webhook3): نقاط پایانی Webhook مختلفی که برای دریافت درخواست‌های تعامل با UI، مانند انتخاب یک رونویسی یا درخواست فراداده، طراحی شده‌اند.
• html (HTML): محتوای HTML پویا را تولید می‌کند، که به طور بالقوه برای نمایش رونویسی‌ها با عناصر تعاملی مانند کلمات قابل کلیک و مُهر زمانی.
• webhook.respond (Respond to Webhook, Respond to Webhook1, Respond to Webhook2): پاسخ‌ها (HTML یا JSON) را به کلاینتی که Webhook را فعال کرده است، ارسال می‌کند.
• googleDrive.list (GetJSONs): لیستی از فایل‌های رونویسی JSON موجود را از Google Drive بازیابی می‌کند.
• googleDrive.download (GetJSON): یک فایل رونویسی JSON خاص را بر اساس درخواست دانلود می‌کند.
• extract.fromFile (ExtractJSON): محتوای یک فایل JSON دانلود شده را تجزیه می‌کند.

پیکربندی‌ها و ملاحظات کلیدی:

• تریگرهای Webhook: ساختارهای درخواست واضح (مانند پارامترهای مورد انتظار) را برای هر Webhook تعریف کنید.
• نود HTML: HTML و جاوا اسکریپت قوی را برای ایجاد یک رابط کاربری تعاملی و کاربرپسند پیاده‌سازی کنید.
• فهرست/دانلود Google Drive: از بازیابی کارآمد لیست فایل‌ها و فایل‌های جداگانه اطمینان حاصل کنید. خطاهای احتمالی مانند یافت نشدن فایل یا رد دسترسی را مدیریت کنید.

---

۶. راه‌اندازی و مقداردهی اولیه

این بلوک اطمینان حاصل می‌کند که زیرساخت‌های لازم در Google Drive قبل از شروع اجرای اصلی Workflow در جای خود قرار دارند.

نودها:

• googleDrive.createFolder (Create Folder): پوشه‌های ضروری را در Google Drive (مانند پوشه‌های آپلود، فایل‌های پردازش شده، بایگانی‌ها) در صورت عدم وجود، ایجاد می‌کند.
• stickyNote: برای نمایش اطلاعات یا دستورالعمل‌های مهم در بوم Workflow استفاده می‌شود.
• manualTrigger: امکان شروع دستی فرآیند راه‌اندازی را فراهم می‌کند.

پیکربندی‌ها و ملاحظات کلیدی:

• ایجاد پوشه: نام پوشه‌های مورد نظر و مکان آن‌ها را در Google Drive مشخص کنید. اطمینان حاصل کنید که Workflow مجوزهای لازم برای ایجاد پوشه‌ها را دارد.
• تریگر دستی: از این برای اجرای مستقل دنباله راه‌اندازی قبل از فعال کردن Workflow اصلی استفاده کنید.