Technologie hlasové AI

Proč je telefonní zvuk pro rozpoznávání řeči obtížný a co pomáhá

Proč úzkopásmový, komprimovaný a hlučný telefonní zvuk mate rozpoznávání řeči, jak poznat příznaky a co lze napravit v nastavení a ve scénáři.

Redakce Call · Zveřejněno · Čtení na 5 min

Hlasový asistent, který v ukázce funguje dokonale, může ve skutečném hovoru klopýtat. Příčinou je málokdy jazykový model. Obvykle je to zvuk. Telefonní linka je pro rozpoznávání řeči nepřátelské prostředí, a když víte proč, můžete nastavit realistická očekávání a opravit problémy, které opravit lze.

Volající mluví do mobilního telefonu na rušné ulici
Ilustrační obrázek

Tento průvodce sleduje zvuk od úst volajícího až k rozpoznávači a ukazuje, kde se kvalita ztrácí. Doplňuje články Rozpoznávání řeči v telefonních hovorech a Detekce hlasové aktivity.

Cesta zvuku telefonního hovoru

Kde se zvuk může poškodit

  1. MikrofonTelefon nebo náhlavní souprava zachytí hlas i s okolím.
  2. Zpracování v telefonuPotlačení hluku a řízení zesílení zvuk přetvářejí.
  3. SíťZvuk se komprimuje a posílá v paketech přes mobilní a internetová spojení.
  4. Telefonní platformaHovor se propojuje, převádí a někdy mixuje.
  5. RozpoznávačZvuk se převádí na text s kvalitou, která zbyla.

Každá fáze může kvalitu jen zachovat, nebo ztratit; žádná nedokáže vrátit, co už je pryč. Proto špatný první úsek, například hlasitý odposlech v autě, omezuje vše, co následuje.

Úzkopásmový zvuk: základní limit

Tradiční telefonní zvuk je úzkopásmový: přenáší omezený rozsah frekvencí, mnohem menší, než zachytí studiový mikrofon. Důsledkem je, že vysokofrekvenční zvuky, které odlišují hlásky jako s, f nebo š, jsou oslabené. Mezi s a f nebo p a t toho telefon nechává málo k rozlišení. Lidé si pomáhají kontextem. Software, zejména u izolovaných slov, jako je hláskované jméno, má kontextu méně.

Některé hovory používají širokopásmové kodeky, které přenášejí víc detailů, a to pomáhá. Zda z toho konkrétní hovor těží, závisí na tom, zda to podporuje každý článek řetězce, a hovory mezi různými sítěmi často spadnou na nejnižší společný formát.

Zvuky, které trpí nejvíc

  • Písmena v hláskovaných slovechB, D, P, T, S a F splývají, což dělá hláskování hlasem nespolehlivým.
  • ČíslicePět a devět nebo šest a šedesát se bez dobrého zvuku dají zaměnit.
  • Měkké souhláskyTiché hlásky na konci slov zaniknou v hluku.
  • Krátká slovaMálo kontextu znamená víc chyb, jako u ano a ne v hlučném prostředí.

Další příčiny špatného zvuku

Komprese a ztráta paketů

Kvůli úspoře přenosového pásma se zvuk komprimuje. Pokud se síťové pakety zpozdí nebo ztratí, objeví se krátké mezery nebo zkreslené úseky. Člověk si chybějící slabiku doplní; rozpoznávač může vytvořit chybné slovo nebo žádné.

Hluk v pozadí a zpracování

Volající telefonují z ulic, kuchyní, aut a obchodů. Potlačení hluku v telefonu může hluk odstranit, ale také useknout začátek slova nebo zploštit tichou řeč. Výsledkem může být řeč, která člověku zní čistě, a přesto je pro software obtížnější.

Ozvěna a hlasitý odposlech

Když reproduktor volajícího proniká do jeho mikrofonu, může se vlastní hlas agenta vracet jako ozvěna, což mate rozpoznávání i detekci toho, kdo mluví. Pomáhá vést volající k tomu, aby v důležitých chvílích použili sluchátko nebo náhlavní soupravu.

Nesoulad s trénovacími daty

Mnoho rozpoznávačů je trénováno převážně na čistších nebo širokopásmových nahrávkách. Telefonní zvuk zní jinak, takže přesnost klesá. Někteří poskytovatelé nabízejí modely vyladěné pro telefonii; zeptejte se na ně a otestujte je.

Jak to vypadá v přepisu

PříznakMožná příčina ve zvuku
Chybná písmena v hláskovaných jménechÚzkopásmové splývání podobně znějících písmen
Prohozené nebo vynechané čísliceZtráta paketů, hluk nebo rychlá řeč
Chybějící slova na začátkuPotlačení hluku v telefonu usekává začátek
Podivná slova, která nezaznělaOzvěna nebo řeč v pozadí
Dobrá přesnost na stolních telefonech, špatná na mobilechHluk a komprese v mobilní síti
Dlouhé mezery bez textuDetekce ticha selhává u tichého hlasu

Podívejte se na nahrávku, nejen na přepis. Poslech ukáže, zda je problém ve zvuku, nebo v rozpoznávání. Pokud to slyšíte zřetelně a rozpoznávač ne, slabým článkem je rozpoznávač; pokud se namáháte i vy, opravte zvuk.

Změřte problém, než ho začnete opravovat

Je lákavé vinit z každé chyby rozpoznávač. Spolehlivějším zvykem je roztřídit vzorek problémových hovorů podle příčiny. Vezměte dvacet hovorů, ve kterých agent něco špatně pochopil. U každého si poslechněte nahrávku a rozhodněte: byl zvuk špatný, mluvil volající neobvykle rychle nebo potichu, spletl se rozpoznávač u zřetelné řeči, nebo vzniklo nedorozumění v jazykovém modelu po správném textu?

Rozložení bývá často překvapivé. Firma s mnoha volajícími z mobilů může zjistit, že většina chyb je ve zvuku; firma se specializovanou slovní zásobou, například kódy produktů, může zjistit, že slabým místem je rozpoznávač. Každá příčina má jiný lék a oprava té špatné stojí týdny.

Sledujte také vzorce podle času a cesty. Pokud se chyby hromadí v určitou hodinu, příčinou může být přetížení sítě na vaší straně. Pokud se hromadí u hovorů z jednoho regionu nebo od jednoho operátora, může být chyba v cestě zvuku. Vzorec si zapište dřív, než změníte jakékoli nastavení, abyste poté poznali, zda změna zabrala.

Udržte vzorek poctivý tím, že zahrnete i hovory, které proběhly dobře. Pokud kontrolujete jen selhání, nepoznáte, zda změna, která je opravuje, potichu nerozbila hovory, které dřív fungovaly. Srovnání před a po na stejné smíšené sadě je nejjednodušší pojistkou.

Co s tím můžete dělat

Navrhněte rozhovor pro špatný zvuk

Techniky pro jména a čísla rozebírá článek Správná jména, čísla a adresy po telefonu.

Opravte, co máte pod kontrolou

Zvuk a rozpoznávání v Call

V Call má každý AI agent nastavení přepisu řeči: jazyk, kterému naslouchá (může jít o automatické rozpoznání), práh ticha a posuvník citlivosti na hluk. Pro zaměstnance používající telefon v prohlížeči může živý přepis zapisovat obě strany hovoru v reálném čase, označené jako vy a oni, a uložit ho s hovorem. Vyžaduje připojení k operátorovi a veřejnou adresu, a bez nich panel uvede proč. Přepisy se uchovávají po omezenou dobu. Používejte je k diagnostice: pokud je živý text u určitého hovoru špatný, přehrajte si nahrávku a rozhodněte, zda je chyba ve zvuku, nebo v rozpoznávači. Samotné volání v prohlížeči vysvětluje článek Jak funguje volání v prohlížeči: WebRTC srozumitelně.

Často kladené otázky

Proč je telefonní zvuk horší než hlasová zpráva v mém smartphonu?

Telefonní hovory používají úzký, komprimovaný zvuk navržený pro srozumitelnost pro lidi, ne pro software. Aplikace pro hlasové zprávy obvykle nahrává bohatší zvuk přímo v zařízení.

Může být rozpoznávání řeči po telefonu někdy dokonalé?

Ne. I lidé na špatných linkách přeslechnou. Cílem je omezit chyby a navrhnout rozhovor tak, aby se chyby zachytily potvrzením.

Pomůže AI agentovi lepší mikrofon?

Ano u vašich vlastních zaměstnanců a u volajících, kteří používají náhlavní soupravy, ale vybavení volajících ovlivnit nemůžete. Navrhujte pro nejhorší realistický zvuk.

Proč jsou hláskovaná jména tak obtížná?

Mnoho písmen zní na úzké lince podobně a jediné písmeno nemá kontext, který by pomohl. Chyby omezí nabídka jiného způsobu, jak údaj zachytit, nebo zopakování písmen.

Mám rozpoznávání vyladit pro telefonii?

Pokud vaše platforma nabízí modely vyladěné pro telefon nebo nastavení hluku, otestujte je na skutečných hovorech. Porovnejte výsledky, protože správné nastavení závisí na vašich volajících.

Jak poznám, zda je chyba ve zvuku, nebo v rozpoznávání?

Poslechněte si nahrávku. Pokud člověk slyší slova zřetelně a přepis je chybný, podezírejte rozpoznávání. Pokud je zvuk špatný i pro člověka, opravte cestu zvuku.

Kontrolujte v Call přepisy a zvuk hovorů

V demo konzoli si můžete příchozí hovory vyzkoušet v simulaci.

Související průvodci