Puhe-tekoälyn teknologia

Puheaktiivisuuden tunnistus: milloin soittaja on lopettanut

Miten puheaktiivisuuden tunnistus erottaa puheen hiljaisuudesta, miksi ajoitus menee pieleen ja miten hiljaisuusraja säädetään, ettei agentti keskeytä tai viivy.

Call-toimitus · Julkaistu · Lukuaika 4 min

Kun kaksi ihmistä puhuu puhelimessa, he harvoin miettivät, kumpi puhuu seuraavaksi. Puheagentin on laskettava se. Ensimmäinen vaihe on yllättävän yksinkertainen kysymys, joka esitetään monta kertaa sekunnissa: puhuuko joku juuri nyt? Siihen vastaavaa osaa kutsutaan puheaktiivisuuden tunnistukseksi eli VAD:ksi (voice activity detection).

Henkilö puhuu kuulokemikrofoniin työpöydän ääressä
Havainnekuva

Tämä opas kertoo, mitä VAD tekee, miksi se on puhelinlinjalla vaikeampaa kuin hiljaisessa huoneessa, mitä asetukset tarkoittavat ja miten niitä säädetään. Laajemman kuvan puheagentin toiminnasta antaa Miten puhetekoäly toimii puhelussa.

Mitä puheaktiivisuuden tunnistus tekee

VAD tarkastelee äänivirtaa hyvin lyhyinä paloina ja merkitsee jokaisen puheeksi tai ei-puheeksi. Yksinkertaiset versiot mittaavat vain äänenvoimakkuutta. Paremmat ovat koulutettuja malleja, jotka tunnistavat ihmispuheen kuvion ja jättävät huomiotta näppäimistön naksutukset, ohi ajavan kuorma-auton tai taustalla pauhaavan television.

Merkinnät ohjaavat puheagentissa kolmea päätöstä:

Koska kaikki VAD:n jälkeinen riippuu siitä, huono VAD saa hyvänkin agentin näyttämään huonolta. Vastaus, joka tulee soittajan vielä puhuessa, on harvoin kieliongelma; se on yleensä ajoitusongelma.

Miksi puhelut tekevät siitä vaikeampaa

Puhelinlinja on kapea, pakattu kanava, jossa soittaja on usein kadulla, autossa tai kaupassa. Tämä yhdistelmä hämärtää puheen ja melun rajaa. Miksi puhelimen ääni on vaikea puheentunnistukselle käsittelee itse ääntä; tässä ovat VAD:lle ominaiset vaikutukset.

Mikä hämää tunnistinta

  • TaustameluLiikenne, tuuli ja kahvilan puheensorina voidaan tulkita puheeksi, jolloin vuoro pysyy auki.
  • Hiljaiset puhujatPehmeä ääni voidaan luokitella hiljaisuudeksi, jolloin agentti puhuu soittajan päälle.
  • Tauot kesken lauseenIhmiset pysähtyvät miettimään, tavaamaan nimeä tai etsimään numeroa laukustaan.
  • Kaiku ja sivuääniTakaisin vuotava agentin oma ääni voi näyttää siltä, että soittaja puhuu.
  • Hengitykset ja täytesanatÄännähdykset kuten hmm tai huokaus voivat lukeutua vuoroksi tai olla lukeutumatta.

Hiljaisuusrajan kompromissi

Tärkein asetus on se, kuinka pitkään hiljaisuuden on kestettävä ennen kuin järjestelmä päättelee soittajan lopettaneen. Kutsutaan sitä hiljaisuusrajaksi. Se on kompromissi, jolle ei ole täydellistä arvoa.

Lyhyt vai pitkä hiljaisuusraja

Lyhyt odotusPitkä odotus
Puhelun tuntumaNopea ja eloisaHitaampi, harkitumpi
RiskiKeskeyttää, kun soittaja miettii tai lukee numeroaKuollutta hiljaisuutta jokaisen vastauksen jälkeen; soittajat toistavat itseään
SopiiLyhyisiin kyllä/ei-vaihtoihinNimiin, osoitteisiin, asiakastietoihin, iäkkäille tai empiville soittajille

Miettikää puhelun sisältöä. Jos kysytte enimmäkseen kyllä/ei-kysymyksiä, lyhyt odotus toimii. Jos soittajien on annettava sähköpostiosoite tai viitenumero, pidempi odotus estää agenttia hyppäämästä väliin numeroiden välisessä tauossa.

Eri nopeudet eri kysymyksille

Joissakin järjestelmissä kärsivällisyyttä voi vaihdella kysymyksittäin. Olkaa nopeita, kun kysytte, haluaako soittaja takaisinsoiton; olkaa kärsivällisiä, kun kysytte postinumeroa. Jos alustanne ei tue tätä, valitkaa asetus, joka sopii vaikeimpaan kysymykseenne, sillä soittajan keskeyttäminen ärsyttää enemmän kuin lyhyt tauko.

VAD-asetusten säätäminen Callissa

Callissa jokaisella tekoälyagentilla on Litteroija-osio, jossa valitaan kieli, jota se kuuntelee, tai annetaan sen tunnistaa kieli automaattisesti. Kaksi liukusäädintä vaikuttaa siihen, miten se päättelee soittajan lopettaneen. Hiljaisuusraja on hiljaisuuden sekuntimäärä ennen kuin soittajan vuoro päättyy, ja sen voi säätää välille 0–1,5 sekuntia; pienempi arvo tarkoittaa nopeampaa vuorottelua ja suurempi sallii pidemmät tauot. Melunherkkyyden liukusäädin tekee agentista herkemmän tai vähemmän herkän taustaäänille. Sivun banneri kertoo, mitä näistä asetuksista live-puhelut tällä hetkellä käyttävät, joten tarkistakaa se ennen kuin käytätte aikaa säätämiseen.

Yksinkertainen säätökierros

  1. Aloittakaa oletusarvoistaSoittakaa perustason testipuhelut ennen kuin muutatte mitään.
  2. Testatkaa vaikeat tapauksetSoittakaa meluisasta paikasta, puhukaa hitaasti, pitäkää tauko kesken numeron, puhukaa hiljaa.
  3. Muuttakaa yhtä asetustaSäätäkää joko hiljaisuutta tai melunherkkyyttä, ei molempia kerralla.
  4. Testatkaa uudelleen ja vertailkaaKäyttäkää samaa käsikirjoitusta, jotta erot johtuvat asetuksesta.
  5. Käykää läpi todelliset puhelutEtsikää litteroinneista keskeytettyjä soittajia tai pitkiä taukoja ja säätäkää uudelleen.

Kuvitellaan soittaja, joka antaa varausviitettä. Hän sanoo neljä ensimmäistä merkkiä, vilkaisee vahvistussähköpostiaan ja jatkaa kahden sekunnin kuluttua. Lyhyellä odotuksella agentti on jo vastannut, soittaja aloittaa alusta ja molemmat puhuvat toistensa päälle. Pidemmällä odotuksella sama soittaja sanoo viitteen kerralla loppuun. Kuvitelkaa sitten soittaja, jonka tarvitsee sanoa vain kyllä. Pidempi odotus maksaa hänelle sekunnin hiljaisuutta jokaisella vuorolla. Oikea asetus riippuu siitä, kumpaa puhelutyyppiä odotatte useammin.

Mobiilisoittajat tuovat lisäkäänteen. Voimakasta melunvaimennusta käyttävät puhelimet leikkaavat joskus lauseen ensimmäisen tavun, jolloin puheen alku havaitaan myöhässä. Jos soittajat tuntuvat usein aloittavan puhumisen ja jäävän huomiotta, kokeilkaa herkempää meluasetusta ja testatkaa uudelleen puhelimella.

Oireiden tulkitseminen

Puheluita kuuntelemalla voi usein päätellä, mihin suuntaan asetus on pielessä.

Mitä kuuletteTodennäköinen syyMitä kokeilla
Agentti puhuu soittajan päälleHiljaisuusodotus liian lyhyt tai hiljainen puhe jäi huomaamattaNostakaa hiljaisuusrajaa, lisätkää melunherkkyyttä
Pitkät tauot ennen jokaista vastaustaHiljaisuusodotus liian pitkäLaskekaa rajaa hieman
Agentti ei reagoi mihinkäänMelu tulkitaan puheeksi, joten vuoro ei koskaan sulkeuduVähentäkää melunherkkyyttä
Agentti sivuuttaa hiljaa puhuvan soittajanPuhe tulkitaan meluksiLisätkää melunherkkyyttä
Vastaukset tuntuvat hitailta lyhyelläkin odotuksellaViive muualla ketjussaKatsokaa viiveopas

Viiveellä on VAD:n lisäksi useita lähteitä. Puhetekoälyn viive: miksi vastaukset tuntuvat hitailta erittelee ne, ja Päällepuhumisen ja keskeytysten käsittely kertoo, mitä tapahtuu, kun soittaja puhuu agentin puhuessa.

Hiljaisuutta pidemmälle: älykkäämmät vuoron lopun päätökset

Pelkkä hiljaisuus on karkea signaali. Uudemmat lähestymistavat huomioivat myös sen, mitä sanottiin: ja-sanaan päättyvä lause tai puoliksi sanottu numero tarkoittaa todennäköisesti, että lisää on tulossa, kun taas valmis kysymys ei todennäköisesti tarkoita. Näitä menetelmiä kuvataan tarkemmin artikkelissa Vuorottelu puheagenteissa. Tekniikasta riippumatta pitäkää toimittajien väitteitä hypoteeseina ja varmistakaa ne omilla puheluillanne.

Varmistakaa ennen käyttöönottoa, että

  • Agentti ei keskeytä, kun soittajat lukevat numeroita
  • Sekunnin tai kahden taukoa ei tulkita vuoron lopuksi
  • Meluisalla kadulla olevan soittajan puhe ymmärretään edelleen
  • Agentin oma ääni ei laukaise tunnistinta
  • Olette kuunnelleet puheluita matkapuhelimista, ette vain pöytäpuhelimista
  • Tiedätte, mistä asetuksia muutetaan, jos todelliset puhelut paljastavat ongelman

Mitä tehdä seuraavaksi Callissa

Avatkaa agentin ääniasetukset, käykää läpi litteroijaosio ja soittakaa testipuhelu, joka soi linjan kautta omaan puhelimeenne. Avatkaa sitten puhelu puheluhistoriassa, jossa esihenkilö näkee, kuinka kauan kukin puhevuoro kesti, ja verratkaa sitä siihen, miltä puhelu tuntui. Hiljaisuusrajan pieniä muutoksia on helpompi arvioida kuuntelemalla rinnakkain kuin muistinvaraisesti.

Usein kysytyt kysymykset

Mitä VAD tarkoittaa?

Voice activity detection eli puheaktiivisuuden tunnistus. Se on puhejärjestelmän osa, joka erottaa puheen hiljaisuudesta ja taustamelusta.

Onko VAD sama asia kuin puheentunnistus?

Ei. VAD päättää vain, puhuuko joku. Puheentunnistus muuttaa puheen tekstiksi. Ne toimivat yhdessä, ja VAD päättää myös, milloin lopettaa kuunteleminen ja aloittaa vastaaminen.

Miksi agentti joskus keskeyttää minut?

Hiljaisuusodotus on luultavasti liian lyhyt puhetapaanne nähden, tai tauko tulkittiin vuoronne lopuksi. Hiljaisuusrajan nostaminen auttaa yleensä.

Miksi ennen agentin vastausta on pitkä tauko?

Hiljaisuuden odotus voi olla pitkä, tai viive on muualla, kuten vastauksen tuottamisessa. Tarkistakaa ensin asetukset ja katsokaa sitten vasteaikoja puheluhistoriasta.

Vaikuttaako taustamelu tulokseen?

Kyllä. Melu voidaan tulkita puheeksi, jolloin vuoro pysyy auki, ja hiljainen puhe voidaan tulkita meluksi. Melunherkkyysasetukset ja testipuhelut realistisista paikoista auttavat löytämään tasapainon.

Voiko yksi asetus sopia jokaiselle soittajalle?

Harvoin. Valitkaa arvo, joka sopii vaativimpiin kysymyksiinne, ja käykää todellisia puheluita läpi, koska kärsivälliset ja nopeat soittajat käyttäytyvät eri tavoin.

Säätäkää Callissa, miten tekoälyagentti päättelee soittajan lopettaneen

Demokonsolissa voit kokeilla saapuvia puheluita simulaatiossa.

Aiheeseen liittyvät oppaat