Технологии за гласов AI

Откриване на гласова активност: кога обаждащият се е приключил

Как откриването на гласова активност различава реч от тишина, защо времето се обърква и как да настроите чакането, за да не прекъсва и да не бави агентът.

Редакционен екип на Call · Публикувано · 5 мин четене

Когато двама души говорят по телефона, рядко мислят кой ще говори следващ. Гласовият агент трябва да го изчисли. Първата стъпка е изненадващо прост въпрос, задаван много пъти в секунда: говори ли някой в момента? Компонентът, който отговаря, се нарича откриване на гласова активност, или VAD.

Човек говори в слушалки с микрофон на бюро
Илюстративно изображение

Това ръководство обяснява какво прави VAD, защо е по-трудно на телефонна линия, отколкото в тиха стая, какво означават настройките и как да ги настроите. За цялостната картина как работи гласовият агент прочетете Как работи гласовият AI при телефонно обаждане.

Какво прави откриването на гласова активност

VAD разглежда аудиопотока на много кратки отрязъци и обозначава всеки като реч или не-реч. Простите варианти измерват само силата на звука. По-добрите са обучени модели, които разпознават модела на човешката реч и пренебрегват щракане по клавиатура, преминаващ камион или телевизор на заден план.

Тези обозначения захранват три решения в гласовия агент:

Тъй като всичко след VAD зависи от него, лошият VAD прави добрия агент да изглежда зле. Отговор, който пристига, докато обаждащият се още говори, рядко е езиков проблем; обикновено е проблем със синхронизацията.

Защо телефонните обаждания го затрудняват

Телефонната линия е тесен, компресиран канал, който често пренася обаждащ се от улицата, от кола или от магазин. Тази комбинация размива границата между реч и шум. Защо телефонният звук е труден за разпознаването на реч разглежда самия звук; ето ефектите, специфични за VAD.

Какво обърква детектора

  • Фонов шумТрафикът, вятърът и шумът в кафене могат да бъдат взети за реч и да държат репликата отворена.
  • Тихо говорещи хораТихият глас може да бъде класифициран като тишина и агентът да заговори върху обаждащия се.
  • Паузи по средата на изречениетоХората спират, за да помислят, да спелуват име или да намерят номер в чантата си.
  • Ехо и обратен звукСобственият глас на агента, който се връща, може да изглежда като реч на обаждащия се.
  • Вдишвания и паразитни звуциЗвуци като „хм“ или въздишка може да се броят, а може и да не се броят за реплика.

Компромисът с прага на тишина

Най-важната настройка е колко дълго трябва да продължи тишината, преди системата да реши, че обаждащият се е приключил. Нека я наречем праг на тишина. Това е компромис без идеална стойност.

Кратък срещу дълъг праг на тишина

Кратко чаканеДълго чакане
Усещане от разговораБърз и живПо-бавен, по-обмислен
РискПрекъсва, докато обаждащият се мисли или диктува номерМъртва тишина след всеки отговор; хората се повтарят
Подходящ заКратки отговори с „да“ или „не“Имена, адреси, данни за сметка, по-възрастни или колебаещи се хора

Помислете за съдържанието на разговора. Ако задавате предимно въпроси с отговор „да“ или „не“, краткото чакане работи. Ако хората трябва да кажат имейл адрес или референтен номер, по-дългото чакане не позволява на агента да се намеси в паузата между цифрите.

Различни скорости за различни въпроси

Някои системи позволяват търпението да варира според въпроса. Бъдете бързи, когато питате дали обаждащият се иска обратно обаждане; бъдете търпеливи, когато питате за пощенски код. Ако платформата ви не поддържа това, изберете настройката, която пасва на най-трудния ви въпрос, защото прекъсването на обаждащия се дразни повече от кратка пауза.

Настройка на VAD в Call

В Call всеки AI агент има раздел за транскрибиране, където избирате езика, който той слуша, или го оставяте да открие езика автоматично. Два плъзгача определят как решава, че обаждащият се е приключил. Прагът на тишина е броят секунди тишина, преди репликата на обаждащия се да приключи, с настройка между 0 и 1,5 секунди; по-ниската стойност означава по-бързо редуване, а по-високата позволява по-дълги паузи. Плъзгачът за чувствителност към шум прави агента повече или по-малко чувствителен към фоновите звуци. Банер на тази страница ви казва кои от тези настройки използват реалните обаждания днес, затова го проверете, преди да отделяте време за настройване.

Прост цикъл на настройване

  1. Започнете със стойностите по подразбиранеНаправете базов набор от тестови обаждания, преди да променяте каквото и да е.
  2. Тествайте трудните случаиОбадете се от шумно място, говорете бавно, направете пауза по средата на номер, говорете тихо.
  3. Променете една настройкаКоригирайте или тишината, или чувствителността към шум, не двете едновременно.
  4. Тествайте отново и сравнетеИзползвайте същия сценарий, за да се дължат разликите на настройката.
  5. Прегледайте реални обажданияЧетете транскрипциите за прекъснати обаждащи се или дълги паузи и коригирайте отново.

Представете си хипотетичен обаждащ се, който казва номер на резервация. Казва първите четири знака, поглежда имейла с потвърждението и продължава след две секунди. При кратко чакане агентът вече е отговорил, обаждащият се започва отначало и двамата говорят един върху друг. При по-дълго чакане същият човек казва номера наведнъж. Сега си представете обаждащ се, който трябва само да каже „да“. По-дългото чакане му струва секунда тишина при всяка реплика. Правилната настройка зависи от това кои обаждания очаквате най-често.

Обаждащите се от мобилни телефони добавят още една особеност. Телефоните с агресивно потискане на шума понякога отрязват първата сричка на изречението, така че началото на речта пристига късно. Ако хората често сякаш започват да говорят и биват пренебрегвани, опитайте по-чувствителната настройка за шум и тествайте отново от мобилен телефон.

Разчитане на симптомите

Често можете да разберете в каква посока е сбъркана настройката, като слушате обажданията.

Какво чуватеВероятна причинаКакво да опитате
Агентът говори върху обаждащия сеТвърде кратко чакане на тишина или пропусната тиха речПовишете прага на тишина, увеличете чувствителността към шум
Дълги паузи преди всеки отговорТвърде дълго чакане на тишинаНамалете леко прага
Агентът изобщо не реагираШумът се третира като реч и репликата никога не се затваряНамалете чувствителността към шум
Агентът пренебрегва тихо говорещ човекРечта се третира като шумУвеличете чувствителността към шум
Отговорите изглеждат бавни дори при кратко чаканеЗабавяне другаде във веригатаВижте ръководството за латентност

Забавянето има няколко източника освен VAD. Латентност на гласовия AI: защо отговорите изглеждат бавни ги разграничава, а Справяне с прекъсванията (barge-in) разглежда какво става, когато обаждащият се заговори, докато агентът говори.

Отвъд тишината: по-умни решения за края на репликата

Самата тишина е груб сигнал. По-новите подходи вземат предвид и казаното: изречение, завършващо с „и“, или наполовина изговорен номер вероятно означава, че следва още, докато завършен въпрос вероятно не. Тези методи са описани подробно в Редуване на репликите при гласовите агенти. Каквато и да е техниката, приемайте твърденията на доставчиците като хипотези и ги проверявайте със собствени обаждания.

Преди пускане на живо потвърдете, че

  • Агентът не прекъсва, когато хората диктуват номера
  • Пауза от секунда-две не се третира като край на репликата
  • Обаждащ се от шумна улица все пак може да бъде разбран
  • Собственият глас на агента не задейства детектора
  • Изслушали сте обаждания от мобилни телефони, а не само от настолни
  • Знаете къде да промените настройките, ако реалните обаждания разкрият проблем

Какво да направите след това в Call

Отворете гласовите настройки на агента, прегледайте раздела за транскрибиране и направете тестово обаждане, което звъни на собствения ви телефон през линията. След това отворете обаждането в историята на обажданията, където мениджърът може да види колко време е отнела всяка изговорена реплика, и сравнете с усещането от разговора. Малките промени в прага на тишина се преценяват по-лесно при пряко сравнително слушане, отколкото по памет.

Често задавани въпроси

Какво означава VAD?

Voice activity detection — откриване на гласова активност. Това е частта от гласовата система, която различава речта от тишината и фоновия шум.

Същото ли е VAD като разпознаването на реч?

Не. VAD само решава дали някой говори. Разпознаването на реч превръща речта в текст. Те работят заедно, а VAD решава и кога да спре слушането и да започне отговорът.

Защо агентът понякога ме прекъсва?

Чакането на тишина вероятно е твърде кратко за начина, по който говорите, или пауза е била приета за край на репликата ви. Повишаването на прага на тишина обикновено помага.

Защо има дълга пауза, преди агентът да отговори?

Чакането на тишина може да е дълго или забавянето е другаде, например в генерирането на отговора. Проверете първо настройките, след това вижте времето за отговор в историята на обажданията.

Влияе ли фоновият шум на резултата?

Да. Шумът може да бъде взет за реч и да държи репликата отворена, а тихата реч може да бъде взета за шум. Настройките за чувствителност към шум и тестовите обаждания от реалистични места ви помагат да намерите баланс.

Може ли една настройка да пасва на всички обаждащи се?

Рядко. Изберете стойност, която пасва на най-взискателните ви въпроси, и преглеждайте реални обаждания, защото търпеливите и бързите хора се държат различно.

Настройте как вашият AI агент решава, че обаждащият се е приключил, 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 ·