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.
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).

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:
- Puheen alku: soittaja on alkanut puhua, joten agentin pitää kuunnella ja, jos se puhuu itse, harkita lopettamista.
- Puheen loppu: soittaja on ollut hiljaa niin kauan, että hänen vuoronsa on todennäköisesti ohi, joten agentti voi vastata.
- Ei litteroitavaa: jos ääni on pelkkää melua, puheentunnistinta ei pyydetä arvaamaan sanoja.
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 odotus | Pitkä odotus | |
|---|---|---|
| Puhelun tuntuma | Nopea ja eloisa | Hitaampi, harkitumpi |
| Riski | Keskeyttää, kun soittaja miettii tai lukee numeroa | Kuollutta hiljaisuutta jokaisen vastauksen jälkeen; soittajat toistavat itseään |
| Sopii | Lyhyisiin kyllä/ei-vaihtoihin | Nimiin, 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
- Aloittakaa oletusarvoistaSoittakaa perustason testipuhelut ennen kuin muutatte mitään.
- Testatkaa vaikeat tapauksetSoittakaa meluisasta paikasta, puhukaa hitaasti, pitäkää tauko kesken numeron, puhukaa hiljaa.
- Muuttakaa yhtä asetustaSäätäkää joko hiljaisuutta tai melunherkkyyttä, ei molempia kerralla.
- Testatkaa uudelleen ja vertailkaaKäyttäkää samaa käsikirjoitusta, jotta erot johtuvat asetuksesta.
- 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 kuulette | Todennäköinen syy | Mitä kokeilla |
|---|---|---|
| Agentti puhuu soittajan päälle | Hiljaisuusodotus liian lyhyt tai hiljainen puhe jäi huomaamatta | Nostakaa hiljaisuusrajaa, lisätkää melunherkkyyttä |
| Pitkät tauot ennen jokaista vastausta | Hiljaisuusodotus liian pitkä | Laskekaa rajaa hieman |
| Agentti ei reagoi mihinkään | Melu tulkitaan puheeksi, joten vuoro ei koskaan sulkeudu | Vähentäkää melunherkkyyttä |
| Agentti sivuuttaa hiljaa puhuvan soittajan | Puhe tulkitaan meluksi | Lisätkää melunherkkyyttä |
| Vastaukset tuntuvat hitailta lyhyelläkin odotuksella | Viive muualla ketjussa | Katsokaa 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.