फ़ोन ऑडियो स्पीच रिकग्निशन के लिए कठिन क्यों है (और क्या मदद करता है)
नैरोबैंड, संपीड़ित और शोर भरा फ़ोन ऑडियो स्पीच रिकग्निशन को क्यों उलझाता है, लक्षण कैसे पहचानें और सेटअप व स्क्रिप्ट में आप क्या ठीक कर सकते हैं।
जो वॉइस असिस्टेंट डेमो में बिल्कुल सही काम करता है, वह असली कॉल पर लड़खड़ा सकता है। इसका कारण शायद ही कभी लैंग्वेज मॉडल होता है। आमतौर पर यह ऑडियो होता है। टेलीफ़ोन लाइन स्पीच रिकग्निशन के लिए एक प्रतिकूल जगह है, और इसका कारण जानने से आप यथार्थवादी उम्मीदें रख पाते हैं और वे समस्याएँ ठीक कर पाते हैं जो ठीक की जा सकती हैं।

यह गाइड कॉलर के मुँह से रिकग्नाइज़र तक आवाज़ का सफ़र देखती है और दिखाती है कि गुणवत्ता कहाँ खोती है। यह फ़ोन कॉल पर स्पीच रिकग्निशन और वॉइस एक्टिविटी डिटेक्शन की साथी गाइड है।
फ़ोन कॉल के ऑडियो का सफ़र
आवाज़ कहाँ ख़राब हो सकती है
- माइक्रोफ़ोनफ़ोन या हेडसेट आवाज़ के साथ कमरे की आवाज़ भी पकड़ता है।
- हैंडसेट प्रोसेसिंगनॉइज़ सप्रेशन और गेन कंट्रोल आवाज़ को नया आकार देते हैं।
- नेटवर्कऑडियो संपीड़ित होकर मोबाइल और इंटरनेट लिंक पर पैकेट में भेजा जाता है।
- टेलीफ़ोनी प्लेटफ़ॉर्मकॉल जोड़ी, बदली और कभी-कभी मिक्स की जाती है।
- रिकग्नाइज़रजो भी गुणवत्ता बची है, उसके साथ ऑडियो टेक्स्ट में बदला जाता है।
हर चरण सिर्फ़ गुणवत्ता बचा सकता है या खो सकता है; कोई भी पहले से खोई चीज़ वापस नहीं जोड़ सकता। इसीलिए ख़राब पहला कदम, जैसे कार में स्पीकरफ़ोन, उसके बाद की हर चीज़ को सीमित कर देता है।
नैरोबैंड ऑडियो: बुनियादी सीमा
पारंपरिक टेलीफ़ोन ऑडियो नैरोबैंड होता है: यह आवृत्तियों की एक सीमित रेंज ले जाता है, जो स्टूडियो माइक्रोफ़ोन की पकड़ से बहुत कम है। नतीजा यह है कि ऊँची आवृत्ति वाली ध्वनियाँ, जो s, f और th जैसे अक्षरों को अलग करती हैं, कमज़ोर पड़ जाती हैं। s और f, या p और t के बीच टेलीफ़ोन पहचान के लिए बहुत कम छोड़ता है। लोग संदर्भ का इस्तेमाल करके काम चला लेते हैं। सॉफ़्टवेयर के पास, ख़ास तौर पर हिज्जे करके बताए गए नाम जैसे अकेले शब्दों पर, टिकने के लिए कम संदर्भ होता है।
कुछ कॉल वाइडबैंड कोडेक इस्तेमाल करती हैं जो ज़्यादा बारीकी ले जाते हैं, जिससे मदद मिलती है। किसी कॉल को इसका फ़ायदा मिलता है या नहीं, यह इस पर निर्भर करता है कि कड़ी की हर कड़ी इसे सपोर्ट करे, और अलग-अलग नेटवर्क के बीच की कॉल अक्सर सबसे निचले साझा फ़ॉर्मैट पर आ जाती हैं।
सबसे ज़्यादा प्रभावित ध्वनियाँ
- हिज्जे किए गए शब्दों के अक्षरB, D, P, T, S और F आपस में घुल-मिल जाते हैं, जिससे बोलकर हिज्जे बताना भरोसेमंद नहीं रहता।
- अंकअच्छे ऑडियो के बिना सत्रह और सत्तर, या उनसठ और उनहत्तर जैसे अंकों में भ्रम हो सकता है।
- नरम व्यंजनशब्दों के अंत की धीमी ध्वनियाँ शोर में ग़ायब हो जाती हैं।
- छोटे शब्दकम संदर्भ का मतलब ज़्यादा ग़लतियाँ, जैसे शोर भरे माहौल में हाँ और ना।
ख़राब ऑडियो के दूसरे कारण
कम्प्रेशन और पैकेट लॉस
बैंडविड्थ बचाने के लिए ऑडियो संपीड़ित किया जाता है। अगर नेटवर्क पैकेट देर से पहुँचें या खो जाएँ, तो छोटे अंतराल या गड़बड़ आवाज़ के झोंके आते हैं। इंसान छूटा हुआ अक्षर भर लेता है; रिकग्नाइज़र ग़लत शब्द बना सकता है या कोई शब्द नहीं।
पृष्ठभूमि का शोर और प्रोसेसिंग
कॉलर सड़कों, रसोई, गाड़ियों और दुकानों से फ़ोन करते हैं। हैंडसेट का नॉइज़ सप्रेशन शोर हटा सकता है लेकिन किसी शब्द की शुरुआत भी काट सकता है या धीमी बोली को सपाट कर सकता है। नतीजा ऐसी बोली हो सकती है जो इंसान को साफ़ लगे पर सॉफ़्टवेयर के लिए कठिन हो।
इको और स्पीकरफ़ोन
जब कॉलर का स्पीकर उसके माइक्रोफ़ोन में जाता है, तो एजेंट की अपनी आवाज़ इको बनकर लौट सकती है, जो रिकग्निशन और कौन बोल रहा है इसकी पहचान, दोनों को उलझा सकती है। जहाँ ज़रूरी हो, कॉलरों को हैंडसेट या हेडसेट इस्तेमाल करने को प्रोत्साहित करना मदद करता है।
प्रशिक्षण में अंतर
कई रिकग्नाइज़र ज़्यादातर साफ़ या वाइडबैंड रिकॉर्डिंग पर प्रशिक्षित होते हैं। फ़ोन ऑडियो अलग सुनाई देता है, इसलिए सटीकता गिरती है। कुछ प्रदाता टेलीफ़ोनी के लिए ट्यून किए गए मॉडल देते हैं; उनके बारे में पूछें, और परखें।
ट्रांसक्रिप्ट में यह कैसा दिखता है
| लक्षण | संभावित ऑडियो कारण |
|---|---|
| हिज्जे किए गए नामों में ग़लत अक्षर | मिलते-जुलते अक्षरों के बीच नैरोबैंड धुँधलापन |
| अंक बदल गए या छूट गए | पैकेट लॉस, शोर या तेज़ बोली |
| शुरुआत के शब्द ग़ायब | हैंडसेट के नॉइज़ सप्रेशन का शुरुआत काट देना |
| अजीब शब्द जो कहे ही नहीं गए | इको या पृष्ठभूमि की बातचीत |
| डेस्क फ़ोन पर अच्छी सटीकता, मोबाइल पर ख़राब | मोबाइल का शोर और कम्प्रेशन |
| बिना टेक्स्ट के लंबे अंतराल | धीमी आवाज़ पर चुप्पी की पहचान विफल |
सिर्फ़ ट्रांसक्रिप्ट नहीं, रिकॉर्डिंग भी देखें। सुनने से पता चलता है कि समस्या ऑडियो में है या रिकग्निशन में। अगर आप साफ़ सुन सकते हैं और रिकग्नाइज़र नहीं समझ पाया, तो रिकग्नाइज़र कमज़ोर कड़ी है; अगर आपको भी कठिनाई होती है, तो ऑडियो ठीक करें।
ठीक करने से पहले समस्या को मापना
हर ग़लती के लिए रिकग्नाइज़र को दोष देना लुभावना है। ज़्यादा भरोसेमंद आदत है समस्या वाली कॉल के एक नमूने को कारण के अनुसार बाँटना। बीस ऐसी कॉल लें जहाँ एजेंट ने कुछ ग़लत समझा। हर एक के लिए रिकॉर्डिंग सुनें और तय करें: क्या ऑडियो ख़राब था, क्या कॉलर असामान्य रूप से तेज़ या धीमे बोला, क्या साफ़ बोली पर रिकग्नाइज़र बस ग़लत था, या ग़लतफ़हमी सही टेक्स्ट के बाद लैंग्वेज मॉडल में हुई?
अक्सर यह बँटवारा हैरान करता है। बहुत से मोबाइल कॉलर वाले बिज़नेस को लग सकता है कि ज़्यादातर ग़लतियाँ ऑडियो की हैं; प्रोडक्ट कोड जैसी विशेष शब्दावली वाले बिज़नेस को लग सकता है कि रिकग्नाइज़र कमज़ोर कड़ी है। हर कारण का इलाज अलग है, और ग़लत कारण ठीक करने में हफ़्ते बर्बाद होते हैं।
समय और रूट के अनुसार पैटर्न भी देखें। अगर ग़लतियाँ किसी ख़ास घंटे में ज़्यादा होती हैं, तो कारण आपकी ओर नेटवर्क की भीड़ हो सकती है। अगर वे किसी एक क्षेत्र या कैरियर की कॉल में ज़्यादा होती हैं, तो ऑडियो का रास्ता दोषी हो सकता है। कोई भी सेटिंग बदलने से पहले पैटर्न नोट करें ताकि बाद में बता सकें कि बदलाव काम किया या नहीं।
अच्छी चली कॉल को शामिल करके नमूने को ईमानदार रखें। अगर आप सिर्फ़ विफलताओं की समीक्षा करेंगे, तो पता नहीं चलेगा कि उन्हें ठीक करने वाले बदलाव ने चुपचाप उन कॉल को तो नहीं बिगाड़ दिया जो पहले ठीक चलती थीं। उसी मिश्रित सेट पर पहले और बाद की तुलना सबसे आसान सुरक्षा है।
आप इसके बारे में क्या कर सकते हैं
ख़राब ऑडियो को ध्यान में रखकर बातचीत डिज़ाइन करें
- मुख्य जानकारी की पुष्टि करें। नंबर और नाम छोटे टुकड़ों में दोहराकर सुनाएँ और कॉलर को उन्हें सुधारने दें।
- जहाँ हो सके, बोलकर हिज्जे कराने से बचें। संदर्भ नंबर जैसे विकल्प दें, या जानकारी संदेश या बुकिंग पेज से लें।
- छोटे, सीधे सवाल इस्तेमाल करें। कम शब्दों का मतलब है ग़लत सुनने के कम मौक़े।
- किसी व्यक्ति की पेशकश करें। अगर एजेंट दो बार समझने में विफल हो, तो चक्कर लगाने के बजाय हैंडओवर करें।
नामों और नंबरों की तकनीकें आवाज़ से नाम, नंबर और पते सही दर्ज करना में बताई गई हैं।
जो आपके नियंत्रण में है उसे ठीक करें
- अपने स्टाफ़ के लिए अच्छी गुणवत्ता के हेडसेट इस्तेमाल करें, क्योंकि ट्रांसक्रिप्ट के लिए कॉल का उनका हिस्सा भी मायने रखता है।
- अपने नेटवर्क में जिटर और पैकेट लॉस जाँचें, ख़ास तौर पर साझा ऑफ़िस इंटरनेट पर।
- फ़ोन ऑडियो के अनुकूल रिकग्निशन सेटिंग चुनें, और अगर आपका प्लेटफ़ॉर्म दे तो नॉइज़ सेंसिटिविटी बदलें।
- मोबाइल फ़ोन और शोर भरी जगहों से परखें।
Call में ऑडियो और रिकग्निशन
Call में हर AI एजेंट की ट्रांसक्राइबर सेटिंग होती हैं: वह भाषा जिसे वह सुनता है, जो अपने आप पहचानी भी जा सकती है, एक साइलेंस थ्रेशोल्ड और एक नॉइज़ सेंसिटिविटी स्लाइडर। ब्राउज़र फ़ोन इस्तेमाल करने वाले स्टाफ़ के लिए, लाइव ट्रांसक्रिप्ट कॉल के दौरान ही दोनों पक्षों की बात आप और वे के लेबल के साथ लिख सकता है और उसे कॉल के साथ सहेज सकता है। इसके लिए कैरियर कनेक्शन और सार्वजनिक पता चाहिए, और इनके बिना पैनल कारण बताता है। ट्रांसक्रिप्ट सीमित समय तक रखे जाते हैं। इन्हें जाँच के साधन की तरह इस्तेमाल करें: अगर किसी कॉल पर लाइव टेक्स्ट ख़राब है, तो रिकॉर्डिंग चलाएँ और तय करें कि दोष ऑडियो का है या रिकग्नाइज़र का। ब्राउज़र कॉलिंग ख़ुद ब्राउज़र कॉलिंग कैसे काम करती है: WebRTC की व्याख्या में समझाई गई है।
अक्सर पूछे जाने वाले प्रश्न
फ़ोन ऑडियो मेरे स्मार्टफ़ोन के वॉइस मैसेज से ख़राब क्यों होता है?
फ़ोन कॉल संकरा, संपीड़ित ऑडियो इस्तेमाल करती हैं जो सॉफ़्टवेयर के लिए नहीं, लोगों के समझने के लिए बना है। वॉइस मैसेज ऐप आमतौर पर डिवाइस पर ही ज़्यादा समृद्ध ऑडियो रिकॉर्ड करता है।
क्या फ़ोन पर स्पीच रिकग्निशन कभी पूरी तरह सही हो सकता है?
नहीं। ख़राब लाइन पर लोग भी ग़लत सुनते हैं। लक्ष्य ग़लतियाँ घटाना और बातचीत को ऐसे डिज़ाइन करना है कि पुष्टि से ग़लतियाँ पकड़ी जाएँ।
क्या बेहतर माइक्रोफ़ोन AI एजेंट की मदद करता है?
आपके अपने स्टाफ़ और हेडसेट इस्तेमाल करने वाले कॉलरों के लिए हाँ, लेकिन आप कॉलरों के उपकरण नियंत्रित नहीं कर सकते। सबसे ख़राब यथार्थवादी ऑडियो को ध्यान में रखकर डिज़ाइन करें।
हिज्जे किए गए नाम इतने कठिन क्यों हैं?
संकरी लाइन पर कई अक्षर एक जैसे सुनाई देते हैं, और अकेले अक्षर के पास मदद के लिए कोई संदर्भ नहीं होता। जानकारी लेने का कोई दूसरा तरीका देना, या अक्षर दोहराकर सुनाना, ग़लतियाँ घटाता है।
क्या मुझे रिकग्निशन को टेलीफ़ोनी के लिए ट्यून करना चाहिए?
अगर आपका प्लेटफ़ॉर्म फ़ोन के लिए ट्यून किए गए मॉडल या नॉइज़ सेटिंग देता है, तो उन्हें असली कॉल पर परखें। नतीजों की तुलना करें, क्योंकि सही सेटिंग आपके कॉलरों पर निर्भर करती है।
मैं कैसे बताऊँ कि ग़लती ऑडियो की है या रिकग्निशन की?
रिकॉर्डिंग सुनें। अगर किसी व्यक्ति को शब्द साफ़ सुनाई दें और ट्रांसक्रिप्ट ग़लत हो, तो रिकग्निशन पर शक करें। अगर ऑडियो व्यक्ति को भी ख़राब लगे, तो ऑडियो का रास्ता ठीक करें।