Barge-in: как гласовият AI обработва прекъсванията от обаждащия се
Какво е barge-in, защо прекъсванията са трудни по телефонните линии и как да пишете отговори, да задавате опции и да тествате, за да звучи агентът естествено.
В обикновения разговор хората постоянно се прекъсват: за да поправят детайл, да кажат „да, този“ или просто защото вече са разбрали. Телефонна система, която настоява да довърши изречението си, изглежда скована и обаждащите се скоро започват да говорят върху нея или се отказват. Barge-in е функцията, която позволява на гласовия агент да се справя с това както трябва.

Тази статия обяснява какво е barge-in, защо е по-трудно, отколкото звучи, как да проектирате отговори и настройки, които работят с него, и как да го тествате. Част е от група ръководства за гласов AI; за по-широката картина вижте Как работи гласовият AI и Редуване на репликите в гласовите агенти.
Какво означава barge-in
Гласовият агент обикновено работи в цикъл: слуша, разбира, отговаря, говори. Без barge-in агентът спира да слуша, докато говори, така че всичко, което обаждащият се каже по време на отговора, се губи. С barge-in системата продължава да слуша и по време на собствената си реч. Когато засече, че обаждащият се е започнал да говори, тя спира звука, отхвърля останалата част от планирания отговор и третира прекъсването като следващата реплика.
Какво се случва, когато обаждащият се прекъсне
- Агентът говориОтговорът се възпроизвежда, докато системата продължава да слуша.
- Засечена речСистемата решава, че звукът на линията е говорещ човек.
- Възпроизвеждането спираАгентът бързо замлъква, за да не се припокриват двата гласа за дълго.
- Прекъсването е уловеноКазаното от обаждащия се се транскрибира като нова реплика.
- Нов отговорАгентът отговаря на прекъсването, а не на изречението, по средата на което е бил.
Защо е важно по телефона
Прекъсванията не са просто невъзпитание. Те носят информация. Обаждащ се, който се намесва с „не, вторник“, поправя грешка. Който каже „да, да“, иска да побързате. Който не казва нищо, а въздъхва, вероятно губи търпение. Система, която игнорира тези сигнали, произвежда обаждания, които се проточват и завършват зле.
Чести причини обаждащите се да прекъсват
- За да поправятАгентът е объркал дата, име или номер.
- За да отговорят раноОбаждащият се знае въпроса и отговаря, преди да е свършил.
- За да прескочатАгентът повтаря нещо, което вече знаят.
- За да пренасочатОбаждащият се иска нещо съвсем друго.
- За да потвърдятБързо да или не, което не изисква цялото изречение.
Позволяването на прекъсвания ви позволява и да пишете по-кратки отговори, защото не се налага да се притеснявате, че дълъг отговор ще хване обаждащия се в капан. Това се връзва добре с начина, по който хората слушат по телефона.
Защо е по-трудно, отколкото звучи
Идеята е проста, но телефонната линия е шумен, несъвършен канал. Трябва да се решат няколко проблема едновременно.
- Разграничаване на реч от шум. Трафик, куче, телевизор и дишането на самия обаждащ се могат да изглеждат като реч за детектора.
- Ехо. При някои връзки собственият глас на агента се връща по линията. Ако системата го сбърка с обаждащия се, ще прекъсне сама себе си.
- Обратни сигнали. Тихо „аха“ или „точно така“ показва, че обаждащият се слуша. Това не е молба да спрете. Реагирането на всеки малък звук кара агента да заеква.
- Скорост. Ако агентът се нуждае от секунда да спре, обаждащите се ще продължават да говорят върху него и ще чуват накъсано аудио.
- Частична реч. Първата половин секунда на прекъсването е лесна за изгубване, което може да отреже началото на думите на обаждащия се.
Тези проблеми дърпат в противоположни посоки. Много чувствителният детектор реагира бързо, но предизвиква фалшиви прекъсвания. Предпазливият е спокоен, но изглежда муден. Добрите системи съчетават акустично засичане с проверки колко дълго трае звукът и какво съдържа. Засичане на гласова активност и Качество на телефонното аудио обясняват два от градивните елементи.
Проектиране на отговори, които работят с прекъсвания
Само настройките няма да направят разговора естествен. Писането на отговорите на агента е поне толкова важно.
Писане с оглед на прекъсване
| Трудно за добро прекъсване | Лесно за добро прекъсване | |
|---|---|---|
| Дължина | Дълги абзаци с няколко точки | Едно или две кратки изречения |
| Ред | Първо контекст, накрая отговор | Първо отговорът, после подробностите |
| Опции | Чете дълъг списък | Предлага две или три, после пита коя |
| Потвърждения | Повтаря всичко накрая | Потвърждава ключовия детайл веднага щом е даден |
| Тон | Официален и сложен | Прост и разговорен |
Когато агентът потвърждава информация, направете го лесно за прекъсване по замисъл. Например „Часът ви е във вторник в десет. Правилно ли е?“ приканва към бързо „да“ още преди въпросът да е свършил. Избягвайте изречения, в които решаващата дума е последна.
Настройки и компромиси
Повечето гласови системи предлагат настройка, която позволява или забранява прекъсванията, а някои предлагат по-фини контроли върху чувствителността на засичането. Изключването на прекъсванията може да има смисъл в тесни случаи, като законово изискано изявление, което трябва да бъде чуто изцяло. Другаде оставянето им включени обикновено е по-добро за обаждащите се.
Свързана настройка е колко дълго трае тишината, преди обаждането да приключи. Твърде кратка и обаждащ се, който търси документ, ще бъде прекъснат. Твърде дълга и изпуснато обаждане заема линия. Съобразете я с това, което правят вашите обаждащи се: който проверява номер на поръчка, се нуждае от повече време от този, който казва да.
| Ситуация | Предложен подход |
|---|---|
| Задължително разкриване или текст | Не позволявайте прекъсване само за тази част и я дръжте кратка |
| Бързи въпроси с да или не | Позволете прекъсвания и приемете отговора рано |
| Обаждащи се по шумни мобилни линии | Тествайте внимателно за фалшиви задействания; дръжте отговорите кратки |
| Възрастни или по-бавно говорещи хора | Позволете щедри паузи, преди системата да реши, че репликата е приключила |
| Изходящи обаждания | Тествайте за собственото ехо на агента и за секретари |
Възрастните обаждащи се и хората с особености в речта заслужават специално внимание. Те могат да правят по-дълги паузи, да говорят по-бавно или да се повтарят. Ако системата се намеси твърде рано, ще говори върху тях. Вижте AI рецепционист: възрастни обаждащи се за идеи.
Тестване на barge-in
Тествайте с реални обаждания, а не само с чисти записи. Съставете набор от сценарии и ги изпълнявайте след всяка промяна на настройки или промптове.
Тестови случаи за barge-in
- Прекъснете в първата секунда на отговор и проверете дали началото на думите ви е уловено
- Прекъснете близо до края и се уверете, че не повтаря завършеното изречение
- Кажете тихо „аха“ по време на дълъг отговор и вижте дали агентът продължава
- Закашляйте се, потропайте по телефона или оставете куче да излае и вижте дали агентът спира
- Обадете се от кола, от улица и по високоговорител
- Мълчете и проверете колко дълго обаждането чака
- Поправете детайл по средата на изречението, например дата, и проверете дали поправката е използвана
Записвайте колко бързо агентът спира и дали са загубени думи. За по-широк метод на тестване вижте Тестване на гласов AI, а за забавянето между последната дума на обаждащия се и отговора на агента вижте Забавяне на гласовия AI.
Barge-in в Call
В Call гласовите настройки на агента включват превключвател, наречен Позволяване на прекъсвания, който позволява на обаждащите се да говорят върху агента. По подразбиране е включен. До него има настройка за това колко секунди тишина прекратяват обаждането, както и ограничения за едновременни обаждания и най-дълго обаждане. Те се намират на страницата Глас на агента, заедно с гласа и промпта.
При изходящите AI обаждания фоновият шум се филтрира и агентът спира да говори само когато човекът наистина каже нещо; връщането на собствения глас на агента по линията не се приема за говор на човека. Самите отговори следват правило от едно или две кратки изречения за говор, което е подходящо за прекъсване. Изпробвайте агента с тестовото обаждане на собствения си телефон, а после прочетете данните за обаждането, за да видите колко е говорила всяка страна и колко често и двете са говорили едновременно.
Често задавани въпроси
Какво е barge-in при гласов агент?
Това е способността обаждащият се да прекъсне агента, докато той говори. Агентът спира, слуша и отговаря на казаното от обаждащия се.
Защо гласовият ми агент понякога спира без причина?
Фонов шум, ехо от собствения му глас или кашлица могат да бъдат взети за реч. По-кратките отговори, по-доброто аудио и внимателните настройки за чувствителност намаляват това.
Трябва ли да изключа прекъсванията?
Рядко. Те са полезни за естествени обаждания. Изключването им може да подхожда на кратко задължително изявление, което трябва да се чуе изцяло.
Какво е обратен сигнал (backchannel)?
Малък звук като „аха“ или „точно така“, който показва, че слушателят следва разговора. Добрият агент не го третира като молба да спре.
Как да направя отговорите по-лесни за прекъсване?
Дръжте ги кратки, поставяйте отговора първи и задавайте бързи потвърждения. Избягвайте дълги списъци и поставянето на ключовата дума накрая.
Как да тествам barge-in правилно?
Правете реални обаждания от различни места, прекъсвайте в различни моменти, добавяйте шум и тишина и проверявайте дали са загубени думи. Повтаряйте след всяка промяна.