Puhe-tekoälyn teknologia

Puheesta puheeksi -mallit vs. ketjutetut puheputket

Kaksi tapaa rakentaa puhelinagentti: puheesta puheeksi -mallit ja ketjutetut putket. Missä kumpikin on hyvä, missä heikko ja miten valitaan testaamalla.

Call-toimitus · Julkaistu · Lukuaika 4 min

Kun kuulette puheagentin puhuvan, taustalla on yleensä toinen kahdesta rakenteesta. Ensimmäisessä ohjelmisto muuttaa soittajan puheen tekstiksi, kielimalli kirjoittaa tekstivastauksen ja puhemoottori lukee sen ääneen. Toisessa yksi malli kuuntelee ääntä ja vastaa äänellä. Toimittajat kiistelevät siitä, kumpi on parempi. Rehellinen vastaus on, että kumpikin tinkii jostakin.

Insinöörit vertailevat ääniaaltomuotoja kannettavan tietokoneen näytöllä
Havainnekuva

Tämä opas vertailee näitä kahta selkokielellä, jotta voitte esittää parempia kysymyksiä alustaa valitessanne. Laajemman johdannon saatte aloittamalla artikkelista Miten puhetekoäly toimii puhelussa.

Ketjutettu putki

Ketjutettu putki, jota kutsutaan joskus nimellä puhe tekstiksi, sitten malli, sitten teksti puheeksi, on ollut vakiintunut lähestymistapa vuosia. Jokainen vaihe on erillinen komponentti, ja niiden välillä kulkee tekstiä.

Ketjutettu putki

  1. PuheentunnistusMuuntaa soittajan äänen tekstiksi.
  2. KielimalliLukee tekstin ohjeineen ja lähteineen ja kirjoittaa vastauksen.
  3. PuhesynteesiMuuttaa vastaustekstin puhutuksi ääneksi.
  4. PuhelinliikenneVälittää äänen soittajalle ja soittajalta.

Koska järjestelmän keskellä on pelkkää tekstiä, sitä voi lukea, hakea, tallentaa, tarkistaa sääntöjä vasten ja minkä tahansa vaiheen voi vaihtaa. Voitte ottaa käyttöön tunnistimen, joka ymmärtää soittajienne aksentteja paremmin, tai brändiinne sopivan äänen.

Puheesta puheeksi -lähestymistapa

Puheesta puheeksi -malli, jota kuvataan myös päästä päähän -malliksi tai natiiviksi äänimalliksi, käsittelee ääntä suoraan. Se kuuntelee itse ääntä ja tuottaa ääntä, vaikka monet tällaiset järjestelmät tuottavat myös tekstiä lokitusta varten.

Puheesta puheeksi

  1. Ääni sisäänSoittajan ääni menee suoraan mallille.
  2. Yksi malliSe tulkitsee merkityksen, sävyn ja ajoituksen ja suunnittelee vastauksen.
  3. Ääni ulosSe tuottaa puhutun vastauksen suoraan.
  4. PuhelinliikenneÄäni kulkee soittajalle ja soittajalta.

Houkuttelevuus on siinä, ettei vaiheiden välillä katoa mitään. Tauko, nauru, epäröinti tai huokaus voi vaikuttaa vastaukseen, ja malli voi aloittaa puhumisen aiemmin, koska se ei odota kolmea erillistä vaihetta.

Rinnakkain

Ketjutettu vai puheesta puheeksi

KetjutettuPuheesta puheeksi
LuontevuusRiippuu kustakin vaiheesta; voi tuntua vaiheittaiseltaUsein sujuvampi, ajoitus ja sävy säilyvät
VasteaikaKolmen vaiheen summa, jota voi hienosäätääMahdollisesti lyhyempi, koska siirtoja on vähemmän
HallintaSuuri: tekstiin voi soveltaa sääntöjä joka vaiheessaPienempi: sisäistä toimintaa on vaikeampi tarkastella
Litteroinnit ja lokitLuonnollinen sivutuoteTuotetaan yleensä erikseen ja voivat poiketa sanotusta
Osien vaihtaminenHelppoa: tunnistimen tai äänen voi vaihtaa erikseenRajoittuu siihen, mitä malli tarjoaa
ÄänivalikoimaLaaja valikoima ääniäUsein suppeampi
KypsyysPitkä historiaUudempi, muuttuu nopeasti

Suhtautukaa varauksella väitteisiin ehdottomasta paremmuudesta. Laatu vaihtelee tuotteittain kummankin luokan sisällä, eivätkä siistin demon tulokset välttämättä päde meluisassa mobiilipuhelussa.

Mikä on tärkeää puheluissa

Puhelinääni on kapeakaistaista ja meluisaa

Puhelinääni on pakattua ja usein meluisaa. Valitsittepa kumman rakenteen tahansa, tarkistakaa, miten se toimii todellisella puhelinäänellä eikä vain studiotallenteilla. Miksi puhelimen ääni on vaikea puheentunnistukselle selittää vaikutuksen.

Hallinta ja auditoitavuus

Jos teidän on osoitettava, mitä agentti sanoi ja miksi, teksti jokaisessa vaiheessa auttaa. Ketjutetussa rakenteessa voitte lisätä tarkistuksen mallin vastauksen ja äänen väliin. Päästä päähän -mallissa luotatte enemmän toimittajan hallintakeinoihin ja testaukseen. Käykää läpi Puhetekoälyn suojakaiteet ja päättäkää, mitä teidän on valvottava.

Keskeytykset ja ajoitus

Natiivit äänimallit käsittelevät päällekkäistä puhetta ja keskeytyksiä usein sujuvammin, koska ne kuulevat soittajaa jatkuvasti. Ketjutetut järjestelmät luottavat puheen ja hiljaisuuden tunnistukseen päättäessään, milloin lopettaa ja aloittaa; katsokaa Puheaktiivisuuden tunnistus ja Vuorottelu puheagenteissa. Parempi tekniikka voi kaventaa eroa, ja ero voi muuttua edelleen.

Kielet ja aksentit

Tarkistakaa teille tärkeät kielet ja aksentit testaamalla sen sijaan, että hyväksyisitte esitteen listan. Yhdessä kielessä vahva malli voi olla toisessa heikompi, ja sama pätee putken yksittäisiin vaiheisiin.

Valinta omaan tilanteeseen

Muutama kuviteltu esimerkki näyttää, miten prioriteetit vetävät eri suuntiin.

Kysymyksiä toimittajalle

  • Mitä vaiheita järjestelmä käyttää, ja voinko vaihtaa niitä?
  • Saanko litteroinnin jokaisesta puhelusta, ja onko se sitä, mitä malli kuuli?
  • Miten sääntöjä ja rajoja valvotaan?
  • Miten se toimii mobiili- ja meluisilla linjoilla?
  • Mitkä ovat tyypilliset vasteajat todellisissa puheluissa?
  • Miten keskeytykset käsitellään?
  • Mitä äänelle ja tekstille tapahtuu jälkikäteen?

Missä raja hämärtyy

Luokat eivät ole niin jyrkkiä kuin markkinointi antaa ymmärtää. Monet puheesta puheeksi -tuotteet tuottavat edelleen litteroinnin äänen rinnalla, ja monet ketjutetut tuotteet suoratoistavat osittaisia tuloksia vaiheiden välillä, jotta puhe alkaa ennen kuin malli on kirjoittanut vastauksensa loppuun. Jotkin järjestelmät käyttävät natiivia äänimallia keskusteluun ja tekstivaihetta hakuihin tai sääntötarkistuksiin. Kun toimittaja sanoo tuotteensa olevan päästä päähän, kysykää, mikä tarkalleen on päästä päähän ja missä tekstiä yhä esiintyy.

Tällä on merkitystä, koska käytännön kysymykset eivät muutu. Mistä voitte lukea, mitä sanottiin? Missä sääntöä voi valvoa? Miten väärä vastaus havaitaan? Hybridi, joka antaa luotettavan litteroinnin ja luontevan äänen, voi olla järkevä keskitie, kunhan voitte varmistaa molemmat osat.

Reilu testaus

Vertailuja on helppo vääristää vahingossa. Käyttäkää jokaiselle ehdokkaalle samaa käsikirjoitusta, samaa linjatyyppiä ja samaa taustamelua. Testatkaa matkapuhelimella autosta tai kadulta, ei vain hiljaisesta huoneesta. Ottakaa mukaan todellisten soittajien hankalat hetket: korjaus kesken lauseen, tavattu nimi, aihepiirin ulkopuolinen kysymys ja pyyntö saada puhua ihmisen kanssa.

Pisteyttäkää jokainen puhelu muutamalla yksinkertaisella kriteerillä: oliko vastaus oikea, odottiko agentti soittajaa, kuinka pitkä tauko oli ennen kutakin vastausta ja miten puhelu päättyi. Maltillinen joukko johdonmukaisesti pisteytettyjä puheluita kertoo enemmän kuin hiottu demo.

Miten Call lähestyy tätä

Käytännön opetus on, että arkkitehtuuri on vähemmän tärkeä kuin käytös omissa puheluissanne. Callissa tekoälyagentti alkaa puhua heti, kun sen vastauksen ensimmäinen osa on valmis, valmistelee tervehdykset etukäteen lähtevissä puheluissa ja pitää vastaukset lyhyinä. Määritätte äänen ja litteroijan asetukset, testaatte soittamalla omaan puhelimeenne ja luette keskustelun jälkikäteen puheluhistoriasta. Taustatekniikasta riippumatta pitäkää sitä saman mittapuun alla: vastaako se tarkasti, siirtääkö se kohteliaasti ja kuulostaako se soittajienne mielestä hyväksyttävältä? Artikkelin Puheagentin keskustelujen arviointi mittarit pätevät molempiin.

Usein kysytyt kysymykset

Mikä on puheesta puheeksi -malli?

Se on malli, joka ottaa syötteeksi puhuttua ääntä ja tuottaa puhuttua ääntä ilman erillistä tekstivaihetta tunnistuksen ja puheen välillä.

Mikä on ketjutettu puheputki?

Se on puheentunnistuksen, kielimallin ja puhesynteesin ketju, jossa vaiheiden välillä kulkee tekstiä.

Kumpi on luontevampi?

Puheesta puheeksi -järjestelmiä kuvataan usein sujuvammiksi, mutta laatu vaihtelee tuotteittain. Arvioikaa kuuntelemalla omienne kaltaisia puheluita.

Kumpaa on helpompi auditoida?

Ketjutetut putket tuottavat tekstiä joka vaiheessa, joten lokit, tarkistukset ja säännöt ovat yksinkertaisempia. Päästä päähän -malleissa selvittäkää, mitä toimittaja tallentaa ja kuinka luotettavaa se on.

Voinko yhdistää molempia lähestymistapoja?

Jotkin alustat yhdistävät niitä, esimerkiksi käyttämällä ketjutettua rakennetta tietyissä puheluissa. Kysykää, miten järjestelmä käsittelee litterointeja ja sääntöjä kummassakin tilassa.

Vaikuttaako valinta kustannuksiin?

Voi vaikuttaa, mutta hinnat ja mallit muuttuvat, joten kysykää toimittajalta ajantasaiset ehdot ja verratkaa niitä mitattuihin tuloksiin otsikkoväitteiden sijaan.

Testatkaa tekoälyagenttia omalla puhelinlinjallanne Callin avulla

Demokonsolissa voit kokeilla saapuvia puheluita simulaatiossa.

Aiheeseen liittyvät oppaat