Технологии за гласов AI

Защо телефонният звук затруднява разпознаването на реч

Защо теснолентовият, компресиран и шумен телефонен звук затруднява разпознаването на реч, как да видите симптомите и какво да поправите в настройката.

Редакционен екип на Call · Публикувано · 5 мин четене

Гласов асистент, който работи безупречно на демонстрация, може да се препъне при реално обаждане. Причината рядко е езиковият модел. Обикновено е звукът. Телефонната линия е враждебна среда за разпознаването на реч и разбирането защо ви помага да имате реалистични очаквания и да поправите проблемите, които могат да бъдат поправени.

Човек говори по мобилен телефон на оживена улица
Илюстративно изображение

Това ръководство проследява звука от устата на обаждащия се до разпознавача и показва къде се губи качество. То допълва Разпознаване на реч при телефонни обаждания и Откриване на гласова активност.

Пътят на звука при телефонно обаждане

Къде звукът може да бъде увреден

  1. МикрофонТелефонът или слушалките улавят гласа заедно с околната среда.
  2. Обработка в апаратаПотискането на шума и автоматичното усилване променят звука.
  3. МрежаЗвукът се компресира и изпраща на пакети по мобилни и интернет връзки.
  4. Телефонна платформаОбаждането се свързва, преобразува и понякога смесва.
  5. РазпознавачЗвукът се превръща в текст с качеството, което е останало.

Всеки етап може само да запази или да загуби качество; никой не може да върне вече изгубеното. Затова лошата първа стъпка, като високоговорител в кола, ограничава всичко след нея.

Теснолентовият звук: основното ограничение

Традиционният телефонен звук е теснолентов: пренася ограничен диапазон от честоти, много по-малък от този, който улавя студиен микрофон. В резултат високочестотните звуци, които различават букви като „с“, „ф“ и „ш“, отслабват. Между „с“ и „ф“ или между „п“ и „т“ телефонът оставя малко опорни точки. Хората се справят чрез контекста. Софтуерът, особено при изолирани думи като спелувано име, има по-малко контекст, на който да се опре.

Някои обаждания използват широколентови кодеци, които пренасят повече подробности, и това помага. Дали конкретно обаждане печели от това зависи от това дали всяко звено във веригата го поддържа, а обажданията между различни мрежи често се връщат към най-ниския общ формат.

Звуците, които страдат най-много

  • Буквите в спелувани думиБ, Д, П, Т, С и Ф се сливат, което прави спелуването по глас ненадеждно.
  • Цифрите„Пет“ и „девет“ или „шест“ и „шестдесет“ могат да се объркат без добър звук.
  • Меките съгласниТихите звуци в края на думите изчезват под шума.
  • Кратките думиМалко контекст означава повече грешки, както при „да“ и „не“ в шумна среда.

Други причини за лош звук

Компресия и загуба на пакети

За да се пести честотна лента, звукът се компресира. Ако мрежовите пакети закъснеят или се изгубят, се появяват кратки празнини или изкривени откъси. Човек попълва липсващата сричка; разпознавачът може да изведе грешна дума или никаква.

Фонов шум и обработка

Хората се обаждат от улици, кухни, превозни средства и магазини. Потискането на шума в апарата може да премахне шума, но и да отреже началото на дума или да изравни тихата реч. Резултатът може да е реч, която звучи чисто за човек, но е по-трудна за софтуера.

Ехо и високоговорител

Когато говорителят на обаждащия се се чува в микрофона му, собственият глас на агента може да се върне като ехо, което обърква както разпознаването, така и определянето кой говори. Помага да насърчавате обаждащите се да използват слушалка или слушалки, когато е важно.

Несъответствие в обучението

Много разпознаватели са обучени главно на по-чисти или по-широколентови записи. Телефонният звук звучи различно, затова точността пада. Някои доставчици предлагат модели, настроени за телефония; питайте за тях и тествайте.

Как изглежда това в транскрипцията

СимптомВъзможна причина в звука
Грешни букви в спелувани именаТеснолентово сливане на сходно звучащи букви
Разменени или пропуснати цифриЗагуба на пакети, шум или бърза реч
Липсващи думи в началотоПотискането на шума в апарата отрязва началото
Странни думи, които не са казаниЕхо или фонова реч
Добра точност от настолни телефони, лоша от мобилниШум и компресия при мобилните
Дълги празнини без текстОткриването на тишина се проваля при тих глас

Гледайте записа, а не само транскрипцията. Слушането показва дали проблемът е в звука, или в разпознаването. Ако вие чувате ясно, а разпознавачът не е успял, слабото звено е разпознавачът; ако и вие се затруднявате, поправете звука.

Измерете проблема, преди да го поправяте

Изкушаващо е да обвинявате разпознавача за всяка грешка. По-надежден навик е да подредите извадка от проблемни обаждания по причина. Вземете двадесет обаждания, в които агентът е разбрал нещо погрешно. За всяко изслушайте записа и решете: лош ли беше звукът, говорил ли е обаждащият се необичайно бързо или тихо, просто ли е сгрешил разпознавачът при ясна реч, или неразбирането е в езиковия модел след правилен текст?

Разпределението често изненадва. Бизнес с много обаждания от мобилни телефони може да открие, че повечето грешки са в звука; бизнес със специализиран речник, като продуктови кодове, може да открие, че слабото място е разпознавачът. Всяка причина има различно лечение и поправянето на грешната губи седмици.

Търсете и модели по време и маршрут. Ако грешките се струпват в определен час, причината може да е задръстване на мрежата при вас. Ако се струпват при обаждания от един регион или оператор, проблемът може да е в пътя на звука. Отбележете модела, преди да промените каквато и да е настройка, за да можете после да прецените дали промяната е помогнала.

Поддържайте извадката честна, като включвате и обаждания, които са минали добре. Ако преглеждате само провалите, не можете да разберете дали промяна, която ги поправя, не е развалила незабелязано обаждания, които преди са работели. Сравнението преди и след върху един и същ смесен набор е най-простата защита.

Какво можете да направите

Проектирайте разговора с оглед на лошия звук

Техниките за имена и числа са разгледани в Как гласовият AI се справя с имена, числа и адреси.

Поправете това, което контролирате

Звук и разпознаване в Call

В Call всеки AI агент има настройки за транскрибиране: езика, който слуша (може да е автоматично откриване), праг на тишина и плъзгач за чувствителност към шум. За служителите, които използват телефона в браузъра, транскрипцията на живо може да записва и двете страни на разговора в реално време, обозначени като „вие“ и „те“, и да я запази с обаждането. Тя изисква връзка с оператора и публичен адрес, а без тях панелът обяснява защо не работи. Транскрипциите се пазят ограничено време. Използвайте ги за диагностика: ако текстът на живо е лош при определено обаждане, пуснете записа и решете дали вината е в звука, или в разпознавача. Самото обаждане през браузъра е обяснено в Как работят обажданията през браузъра: обяснение на WebRTC.

Често задавани въпроси

Защо телефонният звук е по-лош от гласово съобщение на смартфона ми?

Телефонните обаждания използват тесен, компресиран звук, създаден да бъде разбираем за хора, а не за софтуер. Приложението за гласови съобщения обикновено записва по-богат звук директно на устройството.

Може ли разпознаването на реч някога да е съвършено по телефона?

Не. Дори хората чуват погрешно при лоши линии. Целта е да се намалят грешките и разговорът да се проектира така, че грешките да се улавят чрез потвърждение.

Помага ли по-добрият микрофон на AI агента?

Да, за собствените ви служители и за обаждащите се, които използват слушалки, но не можете да контролирате оборудването на обаждащите се. Проектирайте за най-лошия реалистичен звук.

Защо спелуваните имена са толкова трудни?

Много букви звучат еднакво при тясна линия, а отделната буква няма контекст, който да помогне. Предлагането на друг начин за записване на данните или прочитането на буквите обратно намалява грешките.

Да настроя ли разпознаването за телефония?

Ако платформата ви предлага модели, настроени за телефон, или настройки за шум, тествайте ги с реални обаждания. Сравнявайте резултатите, защото правилната настройка зависи от вашите обаждащи се.

Как да разбера дали грешката е в звука, или в разпознаването?

Изслушайте записа. Ако човек чува думите ясно, а транскрипцията е грешна, подозирайте разпознаването. Ако и за човек звукът е лош, поправете пътя на звука.

Проверявайте транскрипциите и звука от обажданията в Call

В демо конзолата можете да изпробвате входящи обаждания в симулация.

Свързани ръководства

Технологии за гласов AI

Промптове за по-добри обобщения на обажданията

Как да напишете промпт, който превръща транскрипцията на обаждане в кратка, точна бележка: за кого е, какво да включва, правила срещу измислици и как да го тествате.

Редакционен екип на Call ·
Технологии за гласов AI

Анализ на настроението при обаждания: ползи и граници

Какво измерва анализът на настроението при обажданията, кога помага за сортиране и тенденции, кога подвежда и как да го ползвате без несправедливи решения.

Редакционен екип на Call ·
Технологии за гласов AI

SIP транк: как бизнес обажданията преминават през интернет

Какво е SIP транк, с какво се различава от традиционните телефонни линии, какво да проверите за кодеци, канали и резервиране и как да изберете доставчик.

Редакционен екип на Call ·
Технологии за гласов AI

Модели „реч към реч“ срещу каскадни гласови вериги

Два начина за изграждане на телефонен гласов агент: модели „реч към реч“ и каскадни вериги. В какво е силен всеки, къде е слаб и как да изберете чрез тестване.

Редакционен екип на Call ·