Stemmeaktivitetsdetektering: hvornår er kunden færdig?
Hvordan VAD skelner tale fra stilhed i et opkald, hvorfor timingen går galt, og hvordan du justerer pausen, så agenten hverken afbryder eller svarer for sent.
Når to mennesker taler i telefon, tænker de sjældent over, hvem der taler næste gang. En stemmeagent skal regne det ud. Første skridt er et overraskende enkelt spørgsmål, der stilles mange gange i sekundet: Taler nogen lige nu? Den komponent, der svarer, hedder stemmeaktivitetsdetektering, eller VAD (voice activity detection).

Denne guide forklarer, hvad VAD gør, hvorfor det er sværere på en telefonlinje end i et stille rum, hvad indstillingerne betyder, og hvordan du justerer dem. Det større billede af, hvordan en stemmeagent fungerer, finder du i Sådan fungerer stemme-AI i et telefonopkald.
Hvad stemmeaktivitetsdetektering gør
VAD ser på en lydstrøm i meget korte bidder og markerer hver bid som tale eller ikke-tale. Enkle versioner måler kun lydstyrken. Bedre versioner er trænede modeller, der genkender mønstret i menneskelig tale og ignorerer tastaturklik, en forbikørende lastbil eller et fjernsyn i baggrunden.
Markeringerne indgår i tre beslutninger i en stemmeagent:
- Start på tale: kunden er begyndt at tale, så agenten skal lytte og, hvis den selv taler, overveje at stoppe.
- Slut på tale: kunden har været stille længe nok til, at turen sandsynligvis er slut, så agenten kan svare.
- Intet at transskribere: er lyden kun støj, bliver talegenkendelsen ikke bedt om at gætte ord.
Fordi alt efter VAD afhænger af den, får en dårlig VAD en god agent til at se dårlig ud. Et svar, der kommer, mens kunden stadig taler, er sjældent et sprogproblem; det er som regel et timingproblem.
Hvorfor telefonopkald gør det sværere
En telefonlinje er en smal, komprimeret kanal, der ofte bærer en kunde på gaden, i en bil eller i en butik. Den kombination udvisker grænsen mellem tale og støj. Hvorfor telefonlyd er svær for talegenkendelse ser på selve lyden; her er virkningerne specifikt for VAD.
Hvad der forvirrer en detektor
- BaggrundsstøjTrafik, vind og caféstemmer kan forveksles med tale og holde turen åben.
- Stille talereEn blød stemme kan blive klassificeret som stilhed, så agenten taler hen over kunden.
- Pauser midt i sætningenFolk stopper for at tænke, stave et navn eller finde et nummer i tasken.
- Ekko og sidetoneAgentens egen stemme, der lækker tilbage, kan ligne kunden, der taler.
- Vejrtrækning og fyldordLyde som øh eller et suk tæller måske som en tur, måske ikke.
Afvejningen ved stilhedsgrænsen
Den indstilling, der betyder mest, er, hvor længe en stilhed skal vare, før systemet afgør, at kunden er færdig. Kald den stilhedsgrænsen. Det er en afvejning uden en perfekt værdi.
Kort kontra lang stilhedsgrænse
| Kort ventetid | Lang ventetid | |
|---|---|---|
| Fornemmelsen af opkaldet | Hurtigt og livligt | Langsommere, mere overlagt |
| Risiko | Bryder ind, mens kunden tænker eller læser et nummer op | Død luft efter hvert svar; kunderne gentager sig selv |
| Passer til | Korte ja/nej-udvekslinger | Navne, adresser, kontooplysninger, ældre eller tøvende kunder |
Tænk på opkaldets indhold. Stiller du mest ja/nej-spørgsmål, virker en kort ventetid. Skal kunderne oplyse en e-mailadresse eller et referencenummer, forhindrer en længere ventetid agenten i at springe ind i en pause mellem cifrene.
Forskellige hastigheder til forskellige spørgsmål
Nogle systemer lader dig variere tålmodigheden efter spørgsmål. Vær hurtig, når du spørger, om kunden vil ringes op; vær tålmodig, når du beder om et postnummer. Understøtter din platform ikke det, så vælg den indstilling, der passer til dit sværeste spørgsmål, for det er mere irriterende at blive afbrudt end at opleve en kort pause.
Justering af VAD-indstillinger i Call
I Call har hver AI-agent en Transskribering-sektion, hvor du vælger det sprog, den lytter efter, eller lader den registrere sproget automatisk. To skydeknapper former, hvordan den afgør, at kunden er færdig. Stilhedsgrænsen er antallet af sekunders stilhed, før kundens tur slutter, og kan justeres mellem 0 og 1,5 sekunder; lavere betyder hurtigere turtagning, og højere tillader længere pauser. Skydeknappen for støjfølsomhed gør agenten mere eller mindre følsom over for baggrundslyd. Et banner på siden fortæller dig, hvilke af disse indstillinger live-opkald bruger i dag, så tjek det, før du bruger tid på at justere.
En enkel justeringsløkke
- Start med standardværdierneLav en række testopkald som udgangspunkt, før du ændrer noget.
- Test de svære tilfældeRing fra et støjende sted, tal langsomt, hold pause midt i et nummer, tal stille.
- Ændr én indstillingJustér enten stilhed eller støjfølsomhed, ikke begge på én gang.
- Test igen, og sammenlignBrug det samme manuskript, så forskellene skyldes indstillingen.
- Gennemgå rigtige opkaldLæs udskrifter for afbrudte kunder eller lange huller, og justér igen.
Forestil dig en tænkt kunde, der oplyser en bookingreference. De siger de første fire tegn, kigger på deres bekræftelsesmail og fortsætter efter to sekunder. Med en kort ventetid har agenten allerede svaret, kunden starter forfra, og de taler i munden på hinanden. Med en længere ventetid får samme kunde hele referencen sagt i ét stræk. Forestil dig nu en kunde, der kun skal sige ja. Den længere ventetid koster dem et sekunds stilhed ved hver tur. Den rette indstilling afhænger af, hvilke af disse opkald du forventer oftest.
Mobilopkald tilføjer endnu et twist. Telefoner med aggressiv støjdæmpning klipper nogle gange den første stavelse af en sætning af, så starten på talen kommer for sent. Virker det ofte, som om kunderne begynder at tale og bliver ignoreret, så prøv den mere følsomme støjindstilling, og test igen fra en mobiltelefon.
Aflæs symptomerne
Du kan ofte høre, hvilken vej en indstilling er forkert, ved at lytte til opkald.
| Hvad du hører | Sandsynlig årsag | Hvad du kan prøve |
|---|---|---|
| Agenten taler hen over kunden | For kort stilhedsventetid, eller stille tale bliver overhørt | Hæv stilhedsgrænsen, øg støjfølsomheden |
| Lange pauser før hvert svar | For lang stilhedsventetid | Sænk grænsen en smule |
| Agenten reagerer slet ikke | Støj behandles som tale, så turen aldrig lukkes | Sænk støjfølsomheden |
| Agenten ignorerer en kunde, der taler sagte | Tale behandles som støj | Øg støjfølsomheden |
| Svarene føles langsomme selv med kort ventetid | Forsinkelse et andet sted i kæden | Se guiden om latens |
Forsinkelse har flere kilder end VAD. Latens i stemme-AI: hvorfor svarene føles langsomme skiller dem ad, og Håndtering af barge-in og afbrydelser handler om, hvad der sker, når kunden taler, mens agenten taler.
Ud over stilhed: klogere beslutninger om turens afslutning
Stilhed alene er et groft signal. Nyere tilgange tager også højde for, hvad der blev sagt: En sætning, der ender med og, eller et halvt udtalt nummer betyder sandsynligvis, at der kommer mere, mens et fuldstændigt spørgsmål sandsynligvis ikke gør. Disse metoder beskrives nærmere i Turtagning i stemmeagenter. Uanset teknikken skal du behandle leverandørers påstande som hypoteser og efterprøve dem med dine egne opkald.
Før du går live, så bekræft, at
- Agenten ikke afbryder, når kunderne læser numre op
- En pause på et sekund eller to ikke behandles som turens afslutning
- En kunde på en støjende gade stadig kan forstås
- Agentens egen stemme ikke udløser detektoren
- Du har lyttet til opkald fra mobiltelefoner, ikke kun fastnettelefoner
- Du ved, hvor du ændrer indstillingerne, hvis rigtige opkald afslører et problem
Hvad du gør nu i Call
Åbn agentens stemmeindstillinger, gennemgå transskriberingssektionen, og kør et testopkald, der ringer til din egen telefon via linjen. Åbn derefter opkaldet i opkaldshistorikken, hvor en leder kan se, hvor lang tid hver talt tur tog, og sammenlign med, hvordan opkaldet føltes. Små ændringer i stilhedsgrænsen er lettere at bedømme ved at lytte side om side end ud fra hukommelsen.
Ofte stillede spørgsmål
Hvad står VAD for?
Voice activity detection, på dansk stemmeaktivitetsdetektering. Det er den del af et stemmesystem, der skelner tale fra stilhed og baggrundsstøj.
Er VAD det samme som talegenkendelse?
Nej. VAD afgør kun, om nogen taler. Talegenkendelse omsætter talen til tekst. De arbejder sammen, og VAD afgør også, hvornår der skal stoppes med at lytte og begyndes at svare.
Hvorfor afbryder agenten mig nogle gange?
Stilhedsventetiden er sandsynligvis for kort til den måde, du taler på, eller en pause blev behandlet som afslutningen på din tur. Det hjælper som regel at hæve stilhedsgrænsen.
Hvorfor er der en lang pause, før agenten svarer?
Ventetiden på stilhed kan være lang, eller forsinkelsen ligger et andet sted, for eksempel i genereringen af svaret. Tjek indstillingerne først, og se så på svartiderne i opkaldshistorikken.
Påvirker baggrundsstøj resultatet?
Ja. Støj kan forveksles med tale og holde turen åben, og stille tale kan forveksles med støj. Indstillinger for støjfølsomhed og testopkald fra realistiske steder hjælper dig med at finde en balance.
Kan én indstilling passe til alle kunder?
Sjældent. Vælg en værdi, der passer til dine mest krævende spørgsmål, og gennemgå rigtige opkald, for tålmodige og hurtige kunder opfører sig forskelligt.