Teknolohiya ng voice AI

Turn-Taking sa mga Voice Agent: Sino ang Magsasalita, at Kailan

Paano nagpapasya ang voice agent kung kailan magsasalita, maghihintay o titigil, bakit mahirap ang overlap at paghinto, at paano gawing natural ang tawag.

Editorial team ng Call · Nailathala · 6 min na pagbabasa

Kahanga-hangang makinis na pasahan ang usapan ng tao. Nagsisimula tayong magsalita sa mismong pagtatapos ng kausap, madalas bago pa sila matapos, at nababasa natin ang mga palatandaan nang hindi napapansin. Walang ganoong instinct ang voice agent. Kailangan itong bigyan ng patakaran kung kailan makikinig, kailan magsasalita at kailan titigil. Kapag mali ang mga patakarang iyon, nakakailang pa rin ang pakiramdam kahit tumpak ang mga sagot.

Dalawang taong nag-uusap sa telepono sa magkabilang panig ng mesa
Larawang pang-ilustrasyon

Saklaw ng artikulong ito ang mga ideya sa likod ng turn-taking sa mga voice agent at ang mga desisyon sa disenyo na nagpaparamdam na natural ang tawag. Nakabatay ito sa Voice Activity Detection, na nagpapaliwanag kung paano natutukoy ang katahimikan, at sa Paghawak ng Barge-In at Pagsabat.

Ang itsura ng natural na turn-taking

Sa pang-araw-araw na usapan, kadalasang napakaikli ng puwang sa pagitan ng isang nagsasalita at ng susunod, at hindi komportable ang mahahabang katahimikan. Bahagya ring nagsasabay ang mga tao, tumatango nang naririnig at nagsasabi ng maliliit na salita para ipakitang sumusunod sila. Hindi ito kabastusan; ganito napapanatiling buhay ang usapan.

Sa telepono, walang mukhang mababasa, kaya dala ng boses ang bawat senyales. Tanong ang ibig sabihin ng pataas na tono, hindi pa tapos ang iniisip kapag pahina ang salita, at madalas na may magsasalita na kapag may mabilis na paghinga. Kailangang tantiyahin ng software ang mga palatandaang ito mula sa tunog at teksto lang.

Mga galaw na dapat hawakan ng voice agent

  • Pagkuha ng turnPagsisimula ng sagot pagkatapos ng caller, nang walang mahabang puwang.
  • Pagpapanatili ng turnPagpapatuloy sa pagsasalita kapag may maikling ingay o ubo na sumingit.
  • Pagbibigay ng turnPaghinto kapag nagsimulang magsalita ang caller habang nagsasalita ang agent.
  • Mga backchannelMaiikling tunog tulad ng oo o sige na hindi bagong turn.
  • Pag-aayosPagbawi kapag sabay na nagsalita ang dalawa, o kapag mali ang dinig ng agent.

Bakit mahirap ito para sa software

Tatlong problema ang paulit-ulit na lumilitaw.

Pagpapasya na tapos na ang turn

Simple pero magaspang ang paghihintay sa nakapirming katahimikan. Humihinto ang mga tao sa gitna ng pangungusap habang nag-iisip. Natatapos din nila ang isang ideya at walang sinasabi, umaasang may sasagot. Tinitingnan ng mas advanced na system ang mga salita sa ngayon: tanong batay sa kahulugan, kumpletong address, o pangungusap na nagtatapos sa pang-ugnay. May trade-off ang nakapirming paraan, ang mas matalinong paraan at ang halo ng dalawa, kaya may mga setting para sa pasensya.

Paghawak ng overlap at pagsabat

Kung patuloy na nagsasalita ang agent habang may sinasabi ang caller, uulitin ito ng caller nang mas malakas. Mabilis na humihinto ang mahusay na agent kapag nakarinig ito ng totoong pananalita, pero hindi para sa ubo o busina ng kotse. Kapag humihinto ito sa bawat ingay, nagmumukha itong magugulatin; kapag binabalewala nito ang totoong pagsabat, nagmumukha itong bingi.

Pag-iiba ng backchannel sa totoong turn

Kapag nagbabasa ang agent ng mahabang address at sinabi ng caller ang mm-hm, paghimok iyon, hindi pagsabat. Kapag itinuring itong bagong turn, nasisira ang paghahatid. Maraming system ang hindi maaasahang makapag-iba sa dalawa, kaya ang praktikal na solusyon ay panatilihing sapat na maikli ang mga pahayag para hindi na lumitaw ang tanong.

Pagdidisenyo ng usapang bagay sa teknolohiya

Hindi ninyo mabubuong muli ang teknolohiya, pero makakasulat kayo ng mga usapang gumagana kasama nito. Karamihan sa pagpapabuti ay nanggagaling sa script at prompt at hindi sa matalinong engineering.

Isang palitang maayos ang takbo

  1. Maikling greetingSabihin kung sino ang sumasagot at mag-alok ng tulong sa isang pangungusap.
  2. Bukas na tanongHayaang magpaliwanag ang caller sa sarili nilang salita.
  3. Maikling pagkilalaIpakita ang request sa ilang salita para malaman ng caller na narinig ito.
  4. Isang follow-upItanong ang iisang detalyeng kulang pa.
  5. Isara ang loopSabihin ang susunod na mangyayari at mag-alok ng tao kung kailangan.

Kasinghalaga ng timing ang bilis

Mali pa rin ang pakiramdam ng tamang desisyon sa turn-taking kung huli ang dating ng sagot. Maaaring maantala ang mga sagot dahil sa transcription, sa language model at sa speech synthesis. May mga system na nagsisimulang magsalita sa sandaling handa na ang unang bahagi ng sagot sa halip na hintayin ang buong sagot, na nagpapaikli sa puwang. Tingnan ang Voice AI Latency para malaman kung saan napupunta ang oras.

May panig ding may kinalaman sa tao. Maaaring makapanatag sa caller ang maliit na pagkilala tulad ng maikling tono o mabilis na pambungad na salita habang may mas mahabang paghahanap, pero nakakainis ang filler na inuulit sa bawat turn. Gamitin ang mga ito nang matipid, at i-test sa totoong mga nakikinig.

Mga sitwasyong sumusubok sa turn-taking

May mga uri ng tawag na nangangailangan ng dagdag na pag-iingat dahil nasisira ang natural na ritmo.

Sa bawat kaso, pareho ang lunas: obserbahan ang totoong mga tawag, hanapin kung saan nasira ang ritmo at ayusin ang script o ang mga setting. Hindi kailanman natatapos ang turn-taking, dahil hindi kailanman pare-pareho ang mga caller.

Pag-test ng turn-taking

Hindi mahuhusgahan ang turn-taking mula sa transcript lang; kailangan ninyong makinig. Mag-test call kasama ang kasamahang gumaganap ng iba't ibang caller at itala ang pakiramdam ng palitan.

TestAno ang pakikinggan
Mabilis magsalitaNakakasabay ba ang agent nang hindi sumasabat?
Mabagal at nag-aalinlangang magsalitaNaghihintay ba ang agent sa mga paghinto sa pagitan ng mga salita?
Caller na sumasabatAgad bang tumitigil ang agent at tumutugon sa bagong input?
Pagbabasa ng mga digitMatiyaga ba ang agent sa pagitan ng mga grupo ng digit?
Mm-hm habang nagsasalita ang agentNagpapatuloy ba ang agent sa halip na tumigil?
Katahimikan mula sa callerMarahan bang nagpapaalala ang agent, saka nag-aalok ng daan palabas?

Mga setting ng turn-taking sa Call

Sa Call, may transcriber settings ang bawat AI agent kung saan pipiliin ninyo ang wikang pinakikinggan at itatakda kung paano nito pinagpapasyahang tapos na ang caller: silence threshold na hanggang isa't kalahating segundo, at noise sensitivity slider. Mabubuksan ng mga manager ang tawag sa call history para makita kung gaano katagal ang bawat binigkas na turn, na tumutulong matukoy kung ang pagkaantala ay galing sa paghihintay sa katahimikan o sa mismong sagot. Naka-set up din ang agent na panatilihing maikli at natural ang mga sagot. Gamitin ang test call para tawagan ang sarili ninyong telepono, saka mag-adjust at tumawag ulit. Para sa sunud-sunod na setup, tingnan ang Pag-set Up ng AI Agent sa Call.

Isang huling punto sa disenyo: laging bigyan ang mga caller ng daan palabas sa usapan. Dapat makahingi ng tao ang caller na nahihirapan sa ritmo ng automated na boses, gaya ng inilarawan sa IVR kumpara sa AI Voice Agent.

Mga madalas itanong

Ano ang turn-taking sa voice agent?

Ito ang paraan ng pagpapasya ng agent kung kailan tapos na ang caller, kailan sasagot at kailan titigil sa pagsasalita dahil nagsimula na ang caller. Pinararamdam nitong usapan ang tawag at hindi serye ng mga utos.

Bakit nagsasalita ang voice agent ko habang nagsasalita ang caller?

Karaniwang sanhi ang masyadong maikling silence wait, ingay na itinuring na dulo ng pananalita, o caller na madalas huminto. I-adjust ang silence settings at mag-test gamit ang makatotohanang pananalita.

Ano ang backchannel?

Ang backchannel ay maliit na tunog tulad ng mm-hm o sige na nagpapakitang sumusunod ang nakikinig. Hindi ito bagong turn, pero maaari itong mapagkamalan ng software na isa.

Puwede ba akong sadyang sabatan ng agent?

Iniiwasan ito ng maayos na dinisenyong agent. Kung sumasabat ang agent, halos laging isyu ito sa timing, hindi pagpili. Kadalasang nababawasan ito ng mas mahabang silence wait.

Laging mas maganda ba ang tunog ng mas mabilis na sagot?

Hindi. Maaaring parang pagsabat ang sagot na masyadong maaga, lalo na kapag nagbabasa ng numero ang caller. Natural na puwang ang layunin, hindi ang pinakamaikli.

Paano ko ite-test ang turn-taking?

Tumawag gamit ang iba't ibang istilo ng pagsasalita, kasama ang nag-aalinlangang nagsasalita, pagsabat at pagbabasa ng digit, saka pakinggan ulit ang mga recording. I-adjust ang isang setting bawat pagkakataon at ulitin ang parehong script.

I-tune kung paano nagpapalitan ng turn ang AI agent ninyo sa mga tawag sa Call

Sa demo console, masusubukan mo ang mga papasok na tawag sa isang simulation.

Mga kaugnay na gabay