Voice Activity Detection: Paano Malaman Kung Tapos na ang Caller
Paano pinag-iiba ng voice activity detection ang pananalita at katahimikan sa tawag, bakit nagkakamali ang timing, at paano i-tune ang paghihintay sa katahimikan.
Kapag nag-uusap ang dalawang tao sa telepono, bihira nilang isipin kung sino ang susunod na magsasalita. Kailangan itong kalkulahin ng voice agent. Ang unang hakbang ay isang nakakagulat na simpleng tanong na itinatanong nang maraming beses bawat segundo: may nagsasalita ba ngayon? Ang component na sumasagot dito ay tinatawag na voice activity detection, o VAD.

Ipinapaliwanag ng gabay na ito kung ano ang ginagawa ng VAD, bakit mas mahirap ito sa phone line kaysa sa tahimik na kuwarto, ano ang ibig sabihin ng mga setting at paano i-tune ang mga ito. Para sa mas malawak na larawan ng paggana ng voice agent, basahin ang Paano Gumagana ang Voice AI sa Tawag sa Telepono.
Ano ang ginagawa ng voice activity detection
Tinitingnan ng VAD ang daloy ng audio sa napakaiikling hiwa at nilalagyan ng label ang bawat isa bilang pananalita o hindi pananalita. Lakas ng tunog lang ang sinusukat ng mga simpleng bersyon. Ang mas mahuhusay ay mga trained model na nakikilala ang pattern ng pananalita ng tao at binabalewala ang click ng keyboard, dumaraang trak o telebisyon sa background.
Pinapakain ng mga label ang tatlong desisyon sa voice agent:
- Simula ng pananalita: nagsimula nang magsalita ang caller, kaya dapat makinig ang agent at, kung nagsasalita ito, isaalang-alang ang paghinto.
- Dulo ng pananalita: sapat na katagal nang tahimik ang caller kaya malamang tapos na ang turn nila, kaya makakasagot na ang agent.
- Walang ita-transcribe: kung ingay lang ang audio, hindi pinahuhulaan ng mga salita ang speech recognizer.
Dahil nakadepende sa VAD ang lahat ng kasunod nito, pinapapangit ng mahinang VAD ang magandang agent. Bihirang problema sa wika ang sagot na dumarating habang nagsasalita pa ang caller; kadalasan, problema ito sa timing.
Bakit mas mahirap ito sa tawag sa telepono
Makitid at compressed na channel ang phone line, na madalas may dalang caller na nasa kalye, nasa kotse o nasa tindahan. Pinalalabo ng kombinasyong iyon ang hangganan ng pananalita at ingay. Tinitingnan ng Bakit Mahirap ang Phone Audio para sa Speech Recognition ang mismong audio; narito ang mga epektong espesipiko sa VAD.
Ang nakakalito sa detector
- Ingay sa backgroundMaaaring mapagkamalang pananalita ang trapiko, hangin at daldalan sa café at mapanatiling bukas ang turn.
- Mahinang magsalitaMaaaring ituring na katahimikan ang mahinang boses, kaya nagsasalita ang agent habang nagsasalita ang caller.
- Paghinto sa gitna ng pangungusapHumihinto ang mga tao para mag-isip, magbaybay ng pangalan o maghanap ng numero sa bag nila.
- Echo at side toneMaaaring magmukhang nagsasalita ang caller kapag bumabalik ang sariling boses ng agent.
- Hininga at fillerMaaaring ituring o hindi ituring na turn ang mga tunog tulad ng hmm o buntong-hininga.
Ang trade-off ng silence threshold
Ang pinakamahalagang setting ay kung gaano katagal dapat ang katahimikan bago magpasya ang system na tapos na ang caller. Tawagin itong silence threshold. Trade-off ito na walang perpektong value.
Maikli kumpara sa mahabang silence threshold
| Maikling hintay | Mahabang hintay | |
|---|---|---|
| Pakiramdam ng tawag | Mabilis at masigla | Mas mabagal, mas maingat |
| Panganib | Sumasabat habang nag-iisip o nagbabasa ng numero ang caller | Dead air pagkatapos ng bawat sagot; inuulit ng mga caller ang sarili |
| Bagay para sa | Maiikling palitan ng oo o hindi | Pangalan, address, account details, matanda o nag-aalinlangang caller |
Isipin ang nilalaman ng tawag. Kung kadalasang oo o hindi ang mga tanong ninyo, gumagana ang maikling hintay. Kung kailangang magbigay ang mga caller ng email address o reference number, pinipigilan ng mas mahabang hintay ang agent na sumingit sa paghinto sa pagitan ng mga digit.
Paggamit ng magkakaibang bilis para sa magkakaibang tanong
May mga system na nagpapahintulot na baguhin ang pasensya bawat tanong. Maging mabilis kapag itinatanong kung gusto ng caller ng callback; maging matiyaga kapag hinihingi ang postcode. Kung hindi ito sinusuportahan ng platform ninyo, piliin ang setting na angkop sa pinakamahirap ninyong tanong, dahil mas nakakainis ang pagputol sa caller kaysa sa maikling paghinto.
Pag-tune ng VAD settings sa Call
Sa Call, may Transcriber section ang bawat AI agent kung saan pipiliin ninyo ang wikang pinakikinggan nito, o hahayaan itong awtomatikong tukuyin ang wika. Dalawang slider ang humuhubog sa pagpapasya nito na tapos na ang caller. Ang silence threshold ay ang bilang ng segundo ng katahimikan bago matapos ang turn ng caller, na naaayos mula 0 hanggang 1.5 segundo; mas mabilis na turn-taking ang mas mababa at pinapayagan ng mas mataas ang mas mahahabang paghinto. Ginagawa ng noise sensitivity slider na mas sensitibo o hindi gaanong sensitibo ang agent sa tunog sa background. May banner sa page na iyon na nagsasabi kung alin sa mga setting na ito ang ginagamit ngayon ng mga live na tawag, kaya tingnan ito bago gumugol ng oras sa pag-adjust.
Isang simpleng tuning loop
- Magsimula sa mga defaultGumawa ng baseline na hanay ng test call bago baguhin ang anuman.
- I-test ang mahihirap na kasoTumawag mula sa maingay na lugar, magsalita nang mabagal, huminto sa gitna ng numero, magsalita nang mahina.
- Baguhin ang isang settingI-adjust ang silence o ang noise sensitivity, hindi sabay ang dalawa.
- Mag-test ulit at paghambinginGamitin ang parehong script para ang setting ang sanhi ng pagkakaiba.
- Suriin ang totoong mga tawagBasahin ang mga transcript para sa mga naputol na caller o mahahabang puwang at mag-adjust ulit.
Isipin ang isang hypothetical na caller na nagbibigay ng booking reference. Sinasabi nila ang unang apat na character, sumulyap sa confirmation email nila at nagpatuloy pagkalipas ng dalawang segundo. Sa maikling hintay, nakasagot na ang agent, nagsimula ulit ang caller at nagsasabay ang dalawa. Sa mas mahabang hintay, natatapos ng parehong caller ang reference nang tuloy-tuloy. Ngayon, isipin ang caller na oo lang ang kailangang sabihin. Isang segundong katahimikan sa bawat turn ang kapalit ng mas mahabang hintay para sa kanila. Nakadepende ang tamang setting kung alin sa mga tawag na ito ang pinakamadalas ninyong inaasahan.
May dagdag na komplikasyon ang mga mobile caller. Minsang naputol ng mga teleponong may agresibong noise suppression ang unang pantig ng pangungusap, kaya huli nang dumarating ang simula ng pananalita. Kung madalas na parang nagsisimulang magsalita ang mga caller at hindi napapansin, subukan ang mas sensitibong noise setting at mag-test ulit mula sa handset.
Pagbasa sa mga sintomas
Madalas ninyong malalaman kung saang direksyon mali ang setting sa pamamagitan ng pakikinig sa mga tawag.
| Ang naririnig ninyo | Malamang na sanhi | Ang susubukan |
|---|---|---|
| Nagsasalita ang agent habang nagsasalita ang caller | Masyadong maikli ang silence wait, o hindi napansin ang mahinang pananalita | Taasan ang silence threshold, dagdagan ang noise sensitivity |
| Mahahabang paghinto bago ang bawat sagot | Masyadong mahaba ang silence wait | Bahagyang ibaba ang threshold |
| Hindi tumutugon ang agent kahit kanino | Itinuring na pananalita ang ingay, kaya hindi nagsasara ang turn | Bawasan ang noise sensitivity |
| Binabalewala ng agent ang mahinang magsalitang caller | Itinuring na ingay ang pananalita | Dagdagan ang noise sensitivity |
| Mabagal ang pakiramdam ng sagot kahit maikli ang hintay | Pagkaantala sa ibang bahagi ng pipeline | Tingnan ang gabay sa latency |
May ilang pinagmumulan ng pagkaantala bukod sa VAD. Pinaghihiwalay ang mga ito ng Voice AI Latency: Bakit Mabagal ang Pakiramdam ng mga Sagot, at tinatalakay ng Paghawak ng Barge-In at Pagsabat ang nangyayari kapag nagsasalita ang caller habang nagsasalita ang agent.
Higit pa sa katahimikan: mas matalinong desisyon sa dulo ng turn
Mapurol na senyales ang katahimikan lang. Isinasaalang-alang din ng mas bagong mga paraan ang sinabi: ang pangungusap na nagtatapos sa at, o kalahating nabigkas na numero, ay malamang na may kasunod pa, habang ang buong tanong ay malamang na wala na. Mas inilalarawan ang mga paraang ito sa Turn-Taking sa mga Voice Agent. Anuman ang teknik, ituring na hypothesis ang mga pahayag ng vendor at i-verify ang mga ito gamit ang sarili ninyong mga tawag.
Bago mag-live, tiyaking
- Hindi sumasabat ang agent kapag nagbabasa ng numero ang mga caller
- Hindi itinuturing na dulo ng turn ang paghinto nang isa o dalawang segundo
- Naiintindihan pa rin ang caller na nasa maingay na kalye
- Hindi nati-trigger ng sariling boses ng agent ang detector
- Napakinggan ninyo ang mga tawag mula sa mobile phone, hindi lang sa desk phone
- Alam ninyo kung saan babaguhin ang mga setting kung may lumabas na problema sa totoong mga tawag
Ano ang susunod na gagawin sa Call
Buksan ang voice settings ng agent, suriin ang transcriber section at magpatakbo ng test call na tumatawag sa sarili ninyong telepono sa pamamagitan ng linya. Saka buksan ang tawag sa call history, kung saan makikita ng manager kung gaano katagal ang bawat binigkas na turn, at ihambing ito sa pakiramdam ng tawag. Mas madaling husgahan ang maliliit na pagbabago sa silence threshold sa magkatabing pakikinig kaysa sa alaala.
Mga madalas itanong
Ano ang ibig sabihin ng VAD?
Voice activity detection. Ito ang bahagi ng voice system na nag-iiba sa pananalita mula sa katahimikan at ingay sa background.
Pareho ba ang VAD at speech recognition?
Hindi. Nagpapasya lang ang VAD kung may nagsasalita. Ginagawang teksto ng speech recognition ang pananalita. Nagtutulungan ang dalawa, at ang VAD din ang nagpapasya kung kailan titigil sa pakikinig at magsisimulang sumagot.
Bakit minsan sumasabat sa akin ang agent?
Malamang na masyadong maikli ang silence wait para sa paraan ng pagsasalita ninyo, o itinuring na dulo ng turn ninyo ang paghinto. Kadalasang nakakatulong ang pagtaas ng silence threshold.
Bakit may mahabang paghinto bago sumagot ang agent?
Maaaring mahaba ang hintay sa katahimikan, o nasa ibang bahagi ang pagkaantala, tulad ng pagbuo ng sagot. Tingnan muna ang mga setting, saka tingnan ang timing ng tugon sa call history.
Nakakaapekto ba sa resulta ang ingay sa background?
Oo. Maaaring mapagkamalang pananalita ang ingay at mapanatiling bukas ang turn, at maaaring mapagkamalang ingay ang mahinang pananalita. Tinutulungan kayo ng noise sensitivity settings at test call mula sa makatotohanang lugar na makahanap ng balanse.
Kaya bang bumagay ng iisang setting sa bawat caller?
Bihira. Pumili ng value na angkop sa pinakamahirap ninyong tanong at suriin ang totoong mga tawag, dahil magkaiba ang kilos ng matiyaga at mabilis na caller.