Τεχνολογία φωνητικής AI

Ανίχνευση φωνητικής δραστηριότητας: πότε τελείωσε ο καλών

Πώς η ανίχνευση φωνητικής δραστηριότητας ξεχωρίζει ομιλία από σιωπή, γιατί ο χρονισμός αστοχεί και πώς ρυθμίζετε την αναμονή σιωπής για να μη διακόπτει ο πράκτορας.

Συντακτική ομάδα του Call · Δημοσιεύτηκε · Ανάγνωση 6 λεπτών

Όταν δύο άνθρωποι μιλούν στο τηλέφωνο, σπάνια σκέφτονται ποιος θα μιλήσει μετά. Ένας φωνητικός πράκτορας πρέπει να το υπολογίσει. Το πρώτο βήμα είναι μια εκπληκτικά απλή ερώτηση που τίθεται πολλές φορές το δευτερόλεπτο: μιλά κάποιος αυτή τη στιγμή; Το στοιχείο που απαντά λέγεται ανίχνευση φωνητικής δραστηριότητας ή VAD (voice activity detection).

Ένα άτομο μιλά σε ακουστικά τηλεφώνου σε ένα γραφείο
Ενδεικτική εικόνα

Αυτός ο οδηγός εξηγεί τι κάνει η VAD, γιατί είναι δυσκολότερη σε τηλεφωνική γραμμή απ' ό,τι σε ένα ήσυχο δωμάτιο, τι σημαίνουν οι ρυθμίσεις και πώς να τις προσαρμόσετε. Για τη συνολική εικόνα του τρόπου λειτουργίας ενός φωνητικού πράκτορα, διαβάστε Πώς λειτουργεί η φωνητική AI σε μια τηλεφωνική κλήση.

Τι κάνει η ανίχνευση φωνητικής δραστηριότητας

Η VAD εξετάζει μια ροή ήχου σε πολύ μικρά τμήματα και χαρακτηρίζει το καθένα ως ομιλία ή μη ομιλία. Οι απλές εκδοχές μετρούν μόνο την ένταση. Οι καλύτερες είναι εκπαιδευμένα μοντέλα που αναγνωρίζουν το μοτίβο της ανθρώπινης ομιλίας και αγνοούν κλικ πληκτρολογίου, ένα φορτηγό που περνά ή μια τηλεόραση στο βάθος.

Οι χαρακτηρισμοί τροφοδοτούν τρεις αποφάσεις σε έναν φωνητικό πράκτορα:

Επειδή ό,τι ακολουθεί τη VAD εξαρτάται από αυτήν, μια κακή VAD κάνει έναν καλό πράκτορα να φαίνεται κακός. Μια απάντηση που φτάνει ενώ ο καλών ακόμη μιλά σπάνια είναι γλωσσικό πρόβλημα· συνήθως είναι πρόβλημα χρονισμού.

Γιατί οι τηλεφωνικές κλήσεις το κάνουν δυσκολότερο

Μια τηλεφωνική γραμμή είναι ένα στενό, συμπιεσμένο κανάλι που συχνά μεταφέρει έναν καλούντα στον δρόμο, σε αυτοκίνητο ή σε κατάστημα. Αυτός ο συνδυασμός θολώνει το όριο ανάμεσα στην ομιλία και στον θόρυβο. Το άρθρο Γιατί ο τηλεφωνικός ήχος δυσκολεύει την αναγνώριση ομιλίας εξετάζει τον ίδιο τον ήχο· εδώ είναι οι επιδράσεις που αφορούν ειδικά τη VAD.

Τι μπερδεύει έναν ανιχνευτή

  • Θόρυβος περιβάλλοντοςΗ κίνηση, ο αέρας και η φασαρία ενός καφέ μπορεί να εκληφθούν ως ομιλία και να κρατούν τη σειρά ανοιχτή.
  • Χαμηλόφωνοι ομιλητέςΜια σιγανή φωνή μπορεί να χαρακτηριστεί σιωπή, οπότε ο πράκτορας μιλά πάνω από τον καλούντα.
  • Παύσεις στη μέση της πρότασηςΟι άνθρωποι σταματούν για να σκεφτούν, να συλλαβίσουν ένα όνομα ή να βρουν έναν αριθμό στην τσάντα τους.
  • Ηχώ και επιστροφή φωνήςΗ ίδια η φωνή του πράκτορα που επιστρέφει μπορεί να μοιάζει με ομιλία του καλούντος.
  • Ανάσες και επιφωνήματαΉχοι όπως ένα «χμ» ή ένας αναστεναγμός μπορεί να μετρηθούν ή να μη μετρηθούν ως σειρά ομιλίας.

Ο συμβιβασμός του ορίου σιωπής

Η ρύθμιση που μετράει περισσότερο είναι πόσο πρέπει να διαρκέσει μια σιωπή πριν το σύστημα αποφασίσει ότι ο καλών τελείωσε. Ας την πούμε όριο σιωπής. Είναι ένας συμβιβασμός χωρίς τέλεια τιμή.

Σύντομο και μεγάλο όριο σιωπής

Σύντομη αναμονήΜεγάλη αναμονή
Αίσθηση της κλήσηςΓρήγορη και ζωντανήΠιο αργή, πιο μετρημένη
ΚίνδυνοςΔιακόπτει ενώ ο καλών σκέφτεται ή εκφωνεί έναν αριθμόΝεκρός χρόνος μετά από κάθε απάντηση· οι καλούντες επαναλαμβάνονται
Κατάλληλη γιαΣύντομες ανταλλαγές ναι ή όχιΟνόματα, διευθύνσεις, στοιχεία λογαριασμού, ηλικιωμένους ή διστακτικούς καλούντες

Σκεφτείτε το περιεχόμενο της κλήσης. Αν κάνετε κυρίως ερωτήσεις ναι ή όχι, μια σύντομη αναμονή λειτουργεί. Αν οι καλούντες πρέπει να δώσουν διεύθυνση email ή αριθμό αναφοράς, μια μεγαλύτερη αναμονή εμποδίζει τον πράκτορα να πεταχτεί σε μια παύση ανάμεσα στα ψηφία.

Διαφορετικές ταχύτητες για διαφορετικές ερωτήσεις

Ορισμένα συστήματα σάς επιτρέπουν να μεταβάλλετε την υπομονή ανά ερώτηση. Γρήγορα όταν ρωτάτε αν ο καλών θέλει επανάκληση· υπομονετικά όταν ζητάτε ταχυδρομικό κώδικα. Αν η πλατφόρμα σας δεν το υποστηρίζει, επιλέξτε τη ρύθμιση που ταιριάζει στην πιο δύσκολη ερώτησή σας, αφού η διακοπή ενός καλούντος ενοχλεί περισσότερο από μια σύντομη παύση.

Ρύθμιση της VAD στο Call

Στο Call, κάθε πράκτορας AI έχει μια ενότητα Transcriber όπου επιλέγετε τη γλώσσα που ακούει ή τον αφήνετε να την ανιχνεύει αυτόματα. Δύο ρυθμιστικά διαμορφώνουν τον τρόπο που αποφασίζει ότι ο καλών τελείωσε. Το όριο σιωπής είναι τα δευτερόλεπτα ησυχίας πριν λήξει η σειρά του καλούντος, ρυθμιζόμενο μεταξύ 0 και 1,5 δευτερολέπτων· χαμηλότερη τιμή σημαίνει ταχύτερη εναλλαγή σειράς και υψηλότερη επιτρέπει μεγαλύτερες παύσεις. Το ρυθμιστικό ευαισθησίας θορύβου κάνει τον πράκτορα περισσότερο ή λιγότερο ευαίσθητο στον ήχο περιβάλλοντος. Ένα banner σε εκείνη τη σελίδα σάς λέει ποιες από αυτές τις ρυθμίσεις χρησιμοποιούν σήμερα οι ζωντανές κλήσεις, οπότε ελέγξτε το πριν αφιερώσετε χρόνο σε προσαρμογές.

Ένας απλός κύκλος ρύθμισης

  1. Ξεκινήστε με τις προεπιλογέςΚάντε ένα βασικό σύνολο δοκιμαστικών κλήσεων πριν αλλάξετε οτιδήποτε.
  2. Δοκιμάστε τις δύσκολες περιπτώσειςΚαλέστε από θορυβώδες μέρος, μιλήστε αργά, σταματήστε στη μέση ενός αριθμού, μιλήστε σιγά.
  3. Αλλάξτε μία ρύθμισηΠροσαρμόστε είτε τη σιωπή είτε την ευαισθησία θορύβου, όχι και τα δύο ταυτόχρονα.
  4. Δοκιμάστε ξανά και συγκρίνετεΧρησιμοποιήστε το ίδιο σενάριο, ώστε οι διαφορές να οφείλονται στη ρύθμιση.
  5. Ελέγξτε πραγματικές κλήσειςΔιαβάστε απομαγνητοφωνήσεις για καλούντες που διακόπηκαν ή για μεγάλα κενά και προσαρμόστε ξανά.

Σκεφτείτε έναν υποθετικό καλούντα που δίνει έναν κωδικό κράτησης. Λέει τους πρώτους τέσσερις χαρακτήρες, ρίχνει μια ματιά στο email επιβεβαίωσης και συνεχίζει μετά από δύο δευτερόλεπτα. Με σύντομη αναμονή, ο πράκτορας έχει ήδη απαντήσει, ο καλών ξεκινά από την αρχή και οι δύο μιλούν ο ένας πάνω στον άλλον. Με μεγαλύτερη αναμονή, ο ίδιος καλών ολοκληρώνει τον κωδικό μονομιάς. Τώρα φανταστείτε έναν καλούντα που πρέπει μόνο να πει ναι. Η μεγαλύτερη αναμονή του κοστίζει ένα δευτερόλεπτο σιωπής σε κάθε σειρά. Η σωστή ρύθμιση εξαρτάται από το ποιες από αυτές τις κλήσεις περιμένετε συχνότερα.

Οι καλούντες από κινητό προσθέτουν μια ακόμη δυσκολία. Τα τηλέφωνα με επιθετική καταστολή θορύβου μερικές φορές κόβουν την πρώτη συλλαβή μιας πρότασης, οπότε η αρχή της ομιλίας φτάνει αργά. Αν οι καλούντες συχνά φαίνεται να αρχίζουν να μιλούν και να αγνοούνται, δοκιμάστε την πιο ευαίσθητη ρύθμιση θορύβου και δοκιμάστε ξανά από συσκευή κινητού.

Ανάγνωση των συμπτωμάτων

Συχνά μπορείτε να καταλάβετε προς ποια κατεύθυνση είναι λάθος μια ρύθμιση ακούγοντας κλήσεις.

Τι ακούτεΠιθανή αιτίαΤι να δοκιμάσετε
Ο πράκτορας μιλά πάνω από τον καλούνταΠολύ σύντομη αναμονή σιωπής ή χαμένη σιγανή ομιλίαΑυξήστε το όριο σιωπής, αυξήστε την ευαισθησία θορύβου
Μεγάλες παύσεις πριν από κάθε απάντησηΠολύ μεγάλη αναμονή σιωπήςΜειώστε λίγο το όριο
Ο πράκτορας αντιδρά σε απολύτως τίποταΟ θόρυβος αντιμετωπίζεται ως ομιλία, οπότε η σειρά δεν κλείνει ποτέΜειώστε την ευαισθησία θορύβου
Ο πράκτορας αγνοεί έναν χαμηλόφωνο καλούνταΗ ομιλία αντιμετωπίζεται ως θόρυβοςΑυξήστε την ευαισθησία θορύβου
Οι απαντήσεις μοιάζουν αργές ακόμη και με σύντομη αναμονήΚαθυστέρηση σε άλλο σημείο της αλυσίδαςΔείτε τον οδηγό για την καθυστέρηση

Η καθυστέρηση έχει αρκετές πηγές πέρα από τη VAD. Το άρθρο Καθυστέρηση στη φωνητική AI: γιατί οι απαντήσεις μοιάζουν αργές τις ξεχωρίζει, και το Χειρισμός του barge-in και των διακοπών εξετάζει τι συμβαίνει όταν ο καλών μιλά ενώ μιλά ο πράκτορας.

Πέρα από τη σιωπή: εξυπνότερες αποφάσεις για το τέλος της σειράς

Η σιωπή από μόνη της είναι χονδροειδές σήμα. Οι νεότερες προσεγγίσεις εξετάζουν και τι ειπώθηκε: μια πρόταση που τελειώνει σε «και» ή ένας μισοειπωμένος αριθμός πιθανότατα σημαίνει ότι ακολουθούν κι άλλα, ενώ μια ολοκληρωμένη ερώτηση πιθανότατα όχι. Αυτές οι μέθοδοι περιγράφονται αναλυτικότερα στο Εναλλαγή σειράς στους φωνητικούς πράκτορες. Όποια κι αν είναι η τεχνική, αντιμετωπίστε τους ισχυρισμούς των παρόχων ως υποθέσεις και επαληθεύστε τους με τις δικές σας κλήσεις.

Πριν από τη ζωντανή λειτουργία, επιβεβαιώστε ότι

  • Ο πράκτορας δεν διακόπτει όταν οι καλούντες εκφωνούν αριθμούς
  • Μια παύση ενός ή δύο δευτερολέπτων δεν θεωρείται τέλος της σειράς
  • Ένας καλών σε θορυβώδη δρόμο εξακολουθεί να γίνεται κατανοητός
  • Η ίδια η φωνή του πράκτορα δεν ενεργοποιεί τον ανιχνευτή
  • Έχετε ακούσει κλήσεις από κινητά τηλέφωνα, όχι μόνο από επιτραπέζια
  • Ξέρετε πού αλλάζουν οι ρυθμίσεις αν οι πραγματικές κλήσεις αποκαλύψουν πρόβλημα

Τι να κάνετε στη συνέχεια στο Call

Ανοίξτε τις ρυθμίσεις φωνής του πράκτορα, εξετάστε την ενότητα transcriber και κάντε μια δοκιμαστική κλήση που καλεί το δικό σας τηλέφωνο μέσω της γραμμής. Έπειτα ανοίξτε την κλήση στο ιστορικό κλήσεων, όπου ένας διευθυντής μπορεί να δει πόσο διήρκεσε κάθε προφορική σειρά, και συγκρίνετέ το με την αίσθηση που άφησε η κλήση. Οι μικρές αλλαγές στο όριο σιωπής κρίνονται ευκολότερα με παράλληλη ακρόαση παρά από μνήμης.

Συχνές ερωτήσεις

Τι σημαίνει VAD;

Voice activity detection, δηλαδή ανίχνευση φωνητικής δραστηριότητας. Είναι το τμήμα ενός φωνητικού συστήματος που ξεχωρίζει την ομιλία από τη σιωπή και τον θόρυβο περιβάλλοντος.

Είναι η VAD το ίδιο με την αναγνώριση ομιλίας;

Όχι. Η VAD αποφασίζει μόνο αν κάποιος μιλά. Η αναγνώριση ομιλίας μετατρέπει την ομιλία σε κείμενο. Λειτουργούν μαζί, και η VAD αποφασίζει επίσης πότε σταματά η ακρόαση και ξεκινά η απάντηση.

Γιατί ο πράκτορας με διακόπτει μερικές φορές;

Η αναμονή σιωπής είναι μάλλον πολύ σύντομη για τον τρόπο που μιλάτε, ή μια παύση θεωρήθηκε τέλος της σειράς σας. Η αύξηση του ορίου σιωπής συνήθως βοηθά.

Γιατί υπάρχει μεγάλη παύση πριν απαντήσει ο πράκτορας;

Η αναμονή σιωπής μπορεί να είναι μεγάλη ή η καθυστέρηση να βρίσκεται αλλού, για παράδειγμα στη δημιουργία της απάντησης. Ελέγξτε πρώτα τις ρυθμίσεις και μετά τον χρονισμό των απαντήσεων στο ιστορικό κλήσεων.

Επηρεάζει ο θόρυβος περιβάλλοντος το αποτέλεσμα;

Ναι. Ο θόρυβος μπορεί να εκληφθεί ως ομιλία και να κρατά τη σειρά ανοιχτή, και η σιγανή ομιλία μπορεί να εκληφθεί ως θόρυβος. Οι ρυθμίσεις ευαισθησίας θορύβου και οι δοκιμαστικές κλήσεις από ρεαλιστικά περιβάλλοντα σάς βοηθούν να βρείτε μια ισορροπία.

Μπορεί μία ρύθμιση να ταιριάζει σε κάθε καλούντα;

Σπάνια. Επιλέξτε μια τιμή που ταιριάζει στις πιο απαιτητικές ερωτήσεις σας και ελέγχετε πραγματικές κλήσεις, γιατί οι υπομονετικοί και οι γρήγοροι καλούντες συμπεριφέρονται διαφορετικά.

Ρυθμίστε στο Call πώς αποφασίζει ο πράκτορας AI ότι ο καλών τελείωσε

Στην κονσόλα demo μπορείτε να δοκιμάσετε εισερχόμενες κλήσεις σε προσομοίωση.

Σχετικοί οδηγοί

Τεχνολογία φωνητικής AI

Prompt για καλύτερες περιλήψεις κλήσεων: πρότυπα και δοκιμές

Πώς γράφετε ένα prompt που μετατρέπει μια απομαγνητοφώνηση σε σύντομη, ακριβή σημείωση: για ποιον είναι, τι περιέχει, κανόνες κατά των επινοήσεων και δοκιμές.

Συντακτική ομάδα του Call ·
Τεχνολογία φωνητικής AI

Ανάλυση συναισθήματος στις κλήσεις: χρήσεις, όρια, υπεύθυνη χρήση

Τι μετρά η ανάλυση συναισθήματος στις κλήσεις, πού βοηθά στη διαλογή και στις τάσεις, πού παραπλανά και πώς τη χρησιμοποιείτε χωρίς άδικες ή αυτόματες αποφάσεις.

Συντακτική ομάδα του Call ·
Τεχνολογία φωνητικής AI

SIP trunking: πώς ταξιδεύουν οι επαγγελματικές κλήσεις μέσω διαδικτύου

Τι είναι ένα SIP trunk, πώς διαφέρει από τις παραδοσιακές γραμμές, τι να ελέγξετε σε codecs, κανάλια και εφεδρεία και πώς να επιλέξετε πάροχο.

Συντακτική ομάδα του Call ·
Τεχνολογία φωνητικής AI

Μοντέλα speech-to-speech και διαδοχικές φωνητικές αλυσίδες: σύγκριση

Δύο τρόποι να φτιάξετε τηλεφωνικό φωνητικό πράκτορα: μοντέλα speech-to-speech και διαδοχικές αλυσίδες. Δυνατά και αδύναμα σημεία και επιλογή μέσω δοκιμών.

Συντακτική ομάδα του Call ·