آخر تحديث :

June 24, 2026

How a GCC Telco Cut Misrouted Calls by Fixing Arabic IVR Speech Recognition

دراسات الحالة

صوت عربي بتقنية الذكاء الاصطناعي

المؤلف

سارة تركي

Khalid Ghiboub

5 دقائق قراءة

جدول المحتويات

1 .

The Challenge

2 .

Evaluation: Testing Munsit STT Against the Existing System

3 .

Implementation: Replacing the ASR Layer

اطرح الذكاء الاصطناعي الصوتي العربي في الإنتاج

تحويل الكلام إلى نص والنص إلى كلام باللغة العربية بمستوى أصلي

مصمم لحكومات وشركات دول مجلس التعاون الخليجي

نشر سيادي ومحلي

احجز عرضًا توضيحيًا

شكرًا لك! لقد تم استلام طلبك!

عذرًا! حدث خطأ ما أثناء إرسال النموذج.

النقاط الرئيسية

Munsit improved Arabic IVR intent recognition, especially for Gulf dialect speech and natural language queries.

‍

The telco reduced intent fallback rates, resulting in fewer misrouted calls and better self-service success.

‍

Integration required replacing only the ASR layer, with no changes to existing routing logic or IVR workflows.

Full call transcripts provided new visibility into customer needs, emerging issues, and service demand trends

A GCC telecom operator reduced IVR intent fallback rates and misrouted calls by replacing generic Arabic speech recognition with Munsit's Gulf dialect speech-to-text. The deployment improved call routing accuracy, lowered agent workload, enhanced customer satisfaction, and unlocked valuable transcript-based operational insights.

‍

The Challenge

IVR systems are the first point of contact in any telco's customer operation. When they work, they route callers quickly and reduce pressure on human agents. When they fail to understand what a customer is saying, callers repeat themselves, get sent to the wrong queue, or end up with a live agent anyway, creating the exact cost and friction the IVR was meant to eliminate.
‍

A GCC telecom operator had built its Arabic IVR on a third-party ASR platform that worked reasonably well for the fixed phrases it was trained on. But as the company's product range grew and customer questions became more varied, recognition quality started slipping. Callers were speaking in natural language, using Gulf dialect, mentioning specific product names, and mixing Arabic and English in the same sentence, none of which the underlying model handled reliably.
‍

The operations team tracked what they called an "intent fallback rate": the share of Arabic calls where the IVR couldn't determine what the caller wanted and sent them to a general agent queue. Over two years, that number had been climbing. By the time a replacement evaluation started, roughly one in four Arabic calls was bypassing the IVR entirely. Each of those calls required a live agent to start from scratch, adding to handle time and hurting first-call resolution rates

‍

Lorem ipsum dolor

لوريم إيبسوم ألم

Lorem ipsum dolor

Evaluation: Testing Munsit STT Against the Existing System

فهم أصول هلوسات الذكاء الاصطناعي هو الخطوة الأولى نحو التخفيف منها. هذه الظاهرة ليست مشكلة واحدة، بل هي قضية معقدة ذات عوامل متعددة تساهم فيها.

أوجه القصور في بيانات التدريب

The telco's technical team ran a six-week parallel evaluation. A portion of incoming Arabic calls was routed through Munsit STT while the existing Arabic ASR handled the rest. Both streams fed into the same intent classification layer, and outcomes were measured against human-labeled transcripts from the same call sample.
‍

Munsit STT delivered higher intent detection accuracy across the board. The biggest improvement came on Arabic dialect natural language inputs, the exact pattern that had been causing the most fallback failures. The evaluation also tested calls where customers switched between Arabic and English mid-sentence, typically when naming a product or describing a technical issue. Munsit handled these code-switching calls more reliably, maintaining recognition on the Arabic portions even when English terms appeared inline.

‍

أوجه القصور في بيانات التدريب

العامل الأكثر أهمية في هلوسات الذكاء الاصطناعي هو البيانات التي تُدرّب عليها النماذج. تتعلم النماذج اللغوية الكبيرة (LLMs) من مجموعات بيانات ضخمة مجمعة من الإنترنت، والتي تحتوي على مزيج من المعلومات الواقعية والآراء والمعلومات المضللة والتحيزات. يمكن أن تؤدي العديد من المشكلات المحددة المتعلقة بالبيانات إلى الهلوسات:

حالات استخدام الذكاء الاصطناعي الصوتي العربي في الشركات لعام 2025

يفتح التحول نحو أنظمة التعرف التلقائي على الكلام (ASR) العربية التي تراعي اللهجات، آفاقاً جديدة لتطبيقات الشركات في جميع أنحاء منطقة الخليج والشرق الأوسط وشمال إفريقيا. تتجاوز المؤسسات الآن النسخ الأساسي لتصل إلى تحليلات كلام عربية متطورة.

تشهد تقنية الكلام العربية تطوراً سريعاً في عام 2025، مدفوعة بالنماذج اللغوية الضخمة متعددة اللغات والنماذج الأساسية الجديدة التي تركز على اللغة العربية.

تتقدم تقنية الكلام العربية بسرعة في عام 2025، مدفوعة بالنماذج اللغوية الضخمة متعددة اللغات ونماذج الأساس الجديدة المرتكزة على اللغة العربية.

Implementation: Replacing the ASR Layer

فهم أصول هلوسات الذكاء الاصطناعي هو الخطوة الأولى نحو التخفيف منها. هذه الظاهرة ليست مشكلة واحدة بل هي قضية معقدة ذات عوامل متعددة تساهم فيها.

أوجه القصور في بيانات التدريب

Following the evaluation, the telco began a phased rollout, starting with its busiest service line: prepaid plan management. This line had the highest call volume and the worst fallback rate, making it the highest-impact place to start.

‍

The Munsit Speech-to-text API was integrated directly into the IVR platform, replacing the recognition layer while leaving everything else, intent classification, routing logic, and agent queues untouched. The integration ran through the IVR vendor's API layer, with CNTXT AI's technical team supporting the process over three weeks. The main items requiring calibration were the audio encoding format and the streaming configuration. Once those were resolved, the integration was stable.

‍

أوجه القصور في بيانات التدريب

أكبر عامل مساهم في هلوسات الذكاء الاصطناعي هو البيانات التي تُدرب عليها النماذج. تتعلم نماذج اللغة الكبيرة (LLMs) من مجموعات بيانات ضخمة مجمعة من الإنترنت، والتي تحتوي على مزيج من المعلومات الواقعية والآراء والمعلومات المضللة والتحيزات. يمكن أن تؤدي العديد من المشكلات المحددة المتعلقة بالبيانات إلى الهلوسات:

حالات استخدام المؤسسات للذكاء الاصطناعي الصوتي العربي في عام 2025

يفتح الانتقال إلى أنظمة التعرف التلقائي على الكلام (ASR) العربية المدركة للهجات موجة جديدة من تطبيقات المؤسسات عبر مناطق مجلس التعاون الخليجي والشرق الأوسط وشمال إفريقيا. تتجاوز المؤسسات الآن النسخ الأساسي لتصل إلى تحليلات الكلام العربية المتطورة.

يتطلب بناء أنظمة ذكاء اصطناعي أفضل اتباع النهج الصحيح

نساعد في تقديم حلول مخصصة، وخطوط أنابيب البيانات، والذكاء العربي.

اعرف المزيد

What Changed

أوجه القصور في بيانات التدريب

Fewer misrouted calls, better customer experience, and a new data source from a single infrastructure change.
‍

After deployment, the intent fallback rate on the prepaid line dropped noticeably. Calls that had been landing in the general queue were now being correctly identified and sent to the right self-service path or specialist queue. Average handle time for agent-assisted calls from this line also fell because agents were receiving better-qualified calls rather than unrouted general inquiries.
‍

Post-call satisfaction scores for the IVR experience improved on the affected service line. In survey responses, the most common theme was simply that the system understood callers, something that had been a recurring complaint before.
‍

There was also a benefit the operations team hadn't fully anticipated:
‍

Structured transcripts as a data asset. The previous system produced only binary routing decisions with no text record. Munsit produced full transcripts, giving the operations team a new way to analyze what customers were actually asking, including emerging inquiry types, product confusion patterns, and seasonal volume shifts.

The telco is currently running the same evaluation on two additional service lines, with a roadmap for full IVR migration over the following two quarters.

‍

أوجه القصور في بيانات التدريب

المساهم الأكبر في هلوسات الذكاء الاصطناعي هو البيانات التي تُدرّب عليها النماذج. تتعلم النماذج اللغوية الكبيرة (LLMs) من مجموعات بيانات ضخمة مجمعة من الإنترنت، والتي تحتوي على مزيج من المعلومات الواقعية والآراء والمعلومات المضللة والتحيزات. يمكن أن تؤدي عدة مشكلات محددة متعلقة بالبيانات إلى الهلوسات:

حالات الاستخدام المؤسسية للذكاء الاصطناعي الصوتي العربي في عام 2025

يفتح الانتقال إلى تقنية التعرف التلقائي على الكلام (ASR) للغة العربية المدركة للهجات آفاقًا جديدة لتطبيقات الشركات في جميع أنحاء منطقة الخليج والشرق الأوسط وشمال إفريقيا. تتجاوز المؤسسات النسخ الأساسي لتصل إلى تحليلات الكلام العربية المتطورة.

تتطور تقنية الكلام العربية بسرعة في عام 2025، مدفوعة بالنماذج اللغوية الضخمة متعددة اللغات والنماذج التأسيسية الجديدة المرتكزة على اللغة العربية.

Result

يُعد فهم أصول هلوسات الذكاء الاصطناعي الخطوة الأولى نحو التخفيف منها. هذه الظاهرة ليست مشكلة واحدة بل قضية معقدة ذات عوامل متعددة تساهم فيها.

أوجه القصور في بيانات التدريب

Arabic IVR performance has a ceiling set by the quality of the ASR underneath it. No amount of tuning the routing logic or intent classification helps if the system can't accurately transcribe what callers say in Gulf dialect or across code-switched speech.
‍

Replacing the ASR layer with Munsit STT is a targeted infrastructure change; it doesn't require rebuilding the IVR. The results are measurable from deployment and extend further as the change rolls out across more service lines.

‍

أوجه القصور في بيانات التدريب

حالات الاستخدام المؤسسية للذكاء الاصطناعي الصوتي العربي في عام 2025

تتقدم تقنية الكلام العربية بسرعة في عام 2025، مدفوعة بالنماذج اللغوية المتعددة الضخمة والنماذج التأسيسية الجديدة المرتكزة على اللغة العربية.

Understanding the origins of AI hallucinations is the first step toward mitigating them. The phenomenon is not a single problem but rather a complex issue with multiple contributing factors.

Training Data Deficiencies

The most significant contributor to AI hallucinations is the data on which the models are trained. LLMs learn from vast datasets scraped from the internet, which contain a mixture of factual information, opinions, misinformation, and biases. Several specific data-related issues can lead to hallucinations:

Enterprise Use Cases for Arabic Voice AI in 2025

The move to dialect-aware Arabic ASR is unlocking a new wave of enterprise applications across the GCC and MENA regions. Organizations are moving beyond basic transcription to sophisticated Arabic speech analytics.