Detekce hlasové aktivity: jak poznat, že volající domluvil
Jak detekce hlasové aktivity rozlišuje v hovoru řeč a ticho, proč se načasování pokazí a jak nastavit čekání na ticho, aby agent neskákal do řeči ani nezaostával.
Když spolu dva lidé telefonují, málokdy přemýšlejí o tom, kdo bude mluvit dál. Hlasový agent to musí spočítat. Prvním krokem je překvapivě jednoduchá otázka, kterou si klade mnohokrát za sekundu: mluví teď někdo? Součást, která na ni odpovídá, se nazývá detekce hlasové aktivity neboli VAD.

Tento průvodce vysvětluje, co VAD dělá, proč je to na telefonní lince těžší než v tiché místnosti, co znamenají nastavení a jak je vyladit. Širší pohled na to, jak hlasový agent funguje, nabízí článek Jak funguje hlasová AI v telefonním hovoru.
Co detekce hlasové aktivity dělá
VAD prochází proud zvuku po velmi krátkých úsecích a každý označí jako řeč, nebo neřeč. Jednoduché verze měří jen hlasitost. Lepší jsou natrénované modely, které rozpoznají vzorec lidské řeči a ignorují cvakání klávesnice, projíždějící náklaďák nebo televizi v pozadí.
Tato označení slouží hlasovému agentovi ke třem rozhodnutím:
- Začátek řeči: volající začal mluvit, takže agent by měl poslouchat, a pokud sám mluví, zvážit, zda nepřestat.
- Konec řeči: volající mlčí dost dlouho na to, že jeho promluva pravděpodobně skončila, takže agent může odpovědět.
- Není co přepisovat: pokud zvuk obsahuje jen hluk, rozpoznávač řeči nemusí hádat slova.
Protože vše, co následuje po VAD, na ní závisí, špatná VAD udělá z dobrého agenta špatného. Odpověď, která přijde, zatímco volající ještě mluví, je málokdy jazykový problém; obvykle jde o problém načasování.
Proč je to u telefonních hovorů těžší
Telefonní linka je úzký, komprimovaný kanál, který často přenáší volajícího z ulice, z auta nebo z obchodu. Tato kombinace stírá hranici mezi řečí a hlukem. Proč je telefonní zvuk pro rozpoznávání řeči obtížný – tento článek se věnuje samotnému zvuku; zde jsou účinky specifické pro VAD.
Co detektor mate
- Hluk v pozadíProvoz, vítr a hovor v kavárně lze zaměnit za řeč a promluva zůstane otevřená.
- Tiší mluvčíTichý hlas může být vyhodnocen jako ticho, takže agent volajícího přemluví.
- Pauzy uprostřed větyLidé se zastaví, aby přemýšleli, hláskovali jméno nebo našli číslo v tašce.
- Ozvěna a příposlechVlastní hlas agenta, který se vrací zpět, může vypadat jako řeč volajícího.
- Nádechy a vycpávková slovaZvuky jako hmm nebo povzdech se mohou, ale nemusí počítat jako promluva.
Kompromis prahu ticha
Nejdůležitějším nastavením je, jak dlouho musí ticho trvat, než systém usoudí, že volající domluvil. Říkejme mu práh ticha. Jde o kompromis bez dokonalé hodnoty.
Krátký versus dlouhý práh ticha
| Krátké čekání | Dlouhé čekání | |
|---|---|---|
| Dojem z hovoru | Rychlý a živý | Pomalejší, rozvážnější |
| Riziko | Skočí do řeči, když volající přemýšlí nebo diktuje číslo | Hluché ticho po každé odpovědi; volající se opakují |
| Hodí se pro | Krátké výměny typu ano/ne | Jména, adresy, údaje o účtu, starší nebo váhaví volající |
Myslete na obsah hovoru. Pokud se ptáte hlavně na ano/ne, krátké čekání funguje. Pokud musí volající uvést e-mailovou adresu nebo referenční číslo, delší čekání zabrání tomu, aby agent skočil do pauzy mezi číslicemi.
Různé rychlosti pro různé otázky
Některé systémy umožňují měnit trpělivost podle otázky. Buďte rychlí, když se ptáte, zda volající chce zpětné zavolání; buďte trpěliví, když se ptáte na PSČ. Pokud to vaše platforma nepodporuje, zvolte nastavení, které vyhovuje vaší nejtěžší otázce, protože přerušení volajícího je otravnější než krátká pauza.
Ladění nastavení VAD v Call
V Call má každý AI agent sekci Přepis řeči, kde zvolíte jazyk, kterému naslouchá, nebo necháte jazyk rozpoznat automaticky. Dva posuvníky určují, jak agent pozná, že volající domluvil. Práh ticha je počet sekund ticha, po kterém promluva volajícího končí, nastavitelný v rozsahu 0 až 1,5 sekundy; nižší hodnota znamená rychlejší střídání a vyšší umožňuje delší pauzy. Posuvník Citlivost na hluk zvyšuje nebo snižuje citlivost agenta na zvuky v pozadí. Pruh na této stránce vám řekne, která z těchto nastavení dnes používají ostré hovory, proto ho zkontrolujte, než začnete ladit.
Jednoduchá smyčka ladění
- Začněte výchozími hodnotamiNež cokoli změníte, proveďte výchozí sadu testovacích hovorů.
- Otestujte těžké případyVolejte z hlučného místa, mluvte pomalu, udělejte pauzu uprostřed čísla, mluvte potichu.
- Změňte jedno nastaveníUpravte buď ticho, nebo citlivost na hluk, ne obojí najednou.
- Znovu otestujte a porovnejtePoužijte stejný scénář, aby rozdíly způsobilo nastavení.
- Kontrolujte skutečné hovoryV přepisech hledejte přerušené volající nebo dlouhé mezery a nastavení znovu upravte.
Vezměme fiktivního volajícího, který uvádí číslo rezervace. Řekne první čtyři znaky, podívá se do potvrzovacího e-mailu a po dvou sekundách pokračuje. Při krátkém čekání agent už odpověděl, volající začne znovu a oba mluví přes sebe. Při delším čekání tentýž volající dokončí číslo najednou. Teď si představte volajícího, který má říct jen ano. Delší čekání ho při každé výměně stojí sekundu ticha. Správné nastavení závisí na tom, který z těchto hovorů čekáte častěji.
Volající z mobilu přidávají další komplikaci. Telefony s agresivním potlačením hluku někdy useknou první slabiku věty, takže začátek řeči dorazí pozdě. Pokud se často zdá, že volající začnou mluvit a agent je ignoruje, zkuste citlivější nastavení hluku a znovu otestujte z mobilu.
Jak číst příznaky
Často poznáte, kterým směrem je nastavení špatně, už z poslechu hovorů.
| Co slyšíte | Pravděpodobná příčina | Co zkusit |
|---|---|---|
| Agent přemlouvá volajícího | Příliš krátké čekání na ticho nebo přehlédnutá tichá řeč | Zvýšit práh ticha, zvýšit citlivost na hluk |
| Dlouhé pauzy před každou odpovědí | Příliš dlouhé čekání na ticho | Mírně snížit práh |
| Agent reaguje na nic | Hluk vyhodnocený jako řeč, takže promluva se nikdy neuzavře | Snížit citlivost na hluk |
| Agent ignoruje tiše mluvícího volajícího | Řeč vyhodnocená jako hluk | Zvýšit citlivost na hluk |
| Odpovědi působí pomalu i při krátkém čekání | Zpoždění jinde v řetězci | Viz průvodce latencí |
Zpoždění má kromě VAD několik dalších zdrojů. Latence hlasové AI: proč odpovědi působí pomalu je od sebe odlišuje a Zvládání skákání do řeči a přerušení popisuje, co se děje, když volající mluví ve chvíli, kdy mluví agent.
Víc než ticho: chytřejší rozhodování o konci promluvy
Samotné ticho je hrubý signál. Novější přístupy berou v úvahu i to, co zaznělo: věta, která končí slovem a nebo napůl vysloveným číslem, pravděpodobně znamená, že bude následovat víc, zatímco úplná otázka spíš ne. Tyto metody podrobněji popisuje článek Střídání řeči u hlasových agentů. Ať jde o jakoukoli techniku, berte tvrzení dodavatelů jako hypotézy a ověřte je na vlastních hovorech.
Před spuštěním ověřte, že
- agent nepřerušuje, když volající diktují čísla
- pauza o délce sekundy či dvou se nebere jako konec promluvy
- volajícímu na hlučné ulici je stále rozumět
- vlastní hlas agenta nespouští detektor
- jste poslouchali hovory z mobilních telefonů, nejen ze stolních
- víte, kde nastavení změnit, pokud skutečné hovory odhalí problém
Co dělat dál v Call
Otevřete nastavení hlasu agenta, projděte sekci Přepis řeči a spusťte testovací hovor, který přes linku prozvoní váš vlastní telefon. Pak hovor otevřete v historii hovorů, kde vedoucí vidí, jak dlouho trvala každá promluva, a porovnejte to s tím, jak hovor působil. Malé změny prahu ticha se snáz posuzují poslechem vedle sebe než po paměti.
Často kladené otázky
Co znamená zkratka VAD?
Voice activity detection, tedy detekce hlasové aktivity. Je to část hlasového systému, která odlišuje řeč od ticha a hluku v pozadí.
Je VAD totéž co rozpoznávání řeči?
Ne. VAD jen rozhoduje, zda někdo mluví. Rozpoznávání řeči převádí řeč na text. Pracují společně a VAD navíc rozhoduje, kdy přestat poslouchat a začít odpovídat.
Proč mi agent občas skočí do řeči?
Čekání na ticho je pro váš způsob mluvy pravděpodobně příliš krátké nebo byla pauza vyhodnocena jako konec vaší promluvy. Obvykle pomůže zvýšit práh ticha.
Proč je před odpovědí agenta dlouhá pauza?
Čekání na ticho může být dlouhé, nebo je zpoždění jinde, například při generování odpovědi. Nejprve zkontrolujte nastavení a pak se podívejte na časování odpovědí v historii hovorů.
Ovlivňuje výsledek hluk v pozadí?
Ano. Hluk lze zaměnit za řeč a promluva zůstane otevřená, a tichou řeč lze zaměnit za hluk. Najít rovnováhu pomohou nastavení citlivosti na hluk a testovací hovory z realistických míst.
Může jedno nastavení vyhovovat každému volajícímu?
Málokdy. Zvolte hodnotu, která vyhovuje vašim nejnáročnějším otázkám, a kontrolujte skutečné hovory, protože trpěliví a rychlí volající se chovají odlišně.