वॉइस एक्टिविटी डिटेक्शन: कैसे पता चले कि कॉलर की बात पूरी हुई
वॉइस एक्टिविटी डिटेक्शन कॉल पर बोली और चुप्पी में फ़र्क़ कैसे करता है, टाइमिंग क्यों बिगड़ती है, और चुप्पी का इंतज़ार कैसे ट्यून करें ताकि एजेंट न टोके, न पिछड़े।
जब दो लोग फ़ोन पर बात करते हैं, तो वे शायद ही सोचते हैं कि अगला कौन बोलेगा। वॉइस एजेंट को इसका हिसाब लगाना पड़ता है। पहला कदम एक हैरान करने वाला आसान सवाल है जो एक सेकंड में कई बार पूछा जाता है: क्या अभी कोई बोल रहा है? इसका जवाब देने वाले हिस्से को वॉइस एक्टिविटी डिटेक्शन, या VAD कहते हैं।

यह गाइड बताती है कि VAD क्या करता है, फ़ोन लाइन पर यह शांत कमरे से कठिन क्यों है, सेटिंग का क्या मतलब है और उन्हें कैसे ट्यून करें। वॉइस एजेंट कैसे काम करता है, इसकी बड़ी तस्वीर के लिए फ़ोन कॉल पर वॉइस AI कैसे काम करता है पढ़ें।
वॉइस एक्टिविटी डिटेक्शन क्या करता है
VAD ऑडियो की धारा को बहुत छोटे टुकड़ों में देखता है और हर टुकड़े को बोली या बिना-बोली के रूप में चिह्नित करता है। आसान रूप सिर्फ़ आवाज़ की तेज़ी मापते हैं। बेहतर रूप प्रशिक्षित मॉडल होते हैं जो इंसानी बोली के पैटर्न पहचानते हैं और कीबोर्ड की खटखट, गुज़रते ट्रक या पीछे चलते टेलीविज़न को अनदेखा करते हैं।
ये निशान वॉइस एजेंट के तीन फ़ैसलों में काम आते हैं:
- बोली की शुरुआत: कॉलर ने बोलना शुरू कर दिया है, इसलिए एजेंट को सुनना चाहिए और अगर वह बोल रहा है तो रुकने पर विचार करना चाहिए।
- बोली का अंत: कॉलर इतनी देर से चुप है कि उसकी बारी शायद पूरी हो गई, इसलिए एजेंट जवाब दे सकता है।
- ट्रांसक्राइब करने को कुछ नहीं: अगर ऑडियो में सिर्फ़ शोर है, तो स्पीच रिकग्नाइज़र से शब्दों का अंदाज़ा लगाने को नहीं कहा जाता।
क्योंकि VAD के बाद की हर चीज़ इस पर निर्भर करती है, ख़राब VAD अच्छे एजेंट को भी बुरा दिखाता है। कॉलर के बोलते-बोलते आया जवाब शायद ही भाषा की समस्या होता है; यह आमतौर पर टाइमिंग की समस्या होती है।
फ़ोन कॉल इसे कठिन क्यों बनाती हैं
फ़ोन लाइन एक संकरा, संपीड़ित चैनल है, जिस पर अक्सर कोई कॉलर सड़क पर, कार में या दुकान में होता है। यह मेल बोली और शोर के बीच की सीमा को धुँधला कर देता है। फ़ोन ऑडियो स्पीच रिकग्निशन के लिए कठिन क्यों है ख़ुद ऑडियो को देखता है; यहाँ VAD से जुड़े असर दिए गए हैं।
डिटेक्टर को क्या उलझाता है
- पृष्ठभूमि का शोरट्रैफ़िक, हवा और कैफ़े की बातचीत को बोली समझा जा सकता है और बारी खुली रह जाती है।
- धीमी आवाज़ में बोलने वालेनरम आवाज़ को चुप्पी माना जा सकता है, जिससे एजेंट कॉलर के ऊपर बोल पड़ता है।
- वाक्य के बीच ठहरावलोग सोचने, कोई नाम हिज्जे करके बताने या बैग में नंबर ढूँढ़ने के लिए रुकते हैं।
- इको और साइड टोनएजेंट की अपनी आवाज़ वापस लीक होकर कॉलर के बोलने जैसी लग सकती है।
- साँसें और भराव वाली आवाज़ेंहम्म या आह जैसी आवाज़ें बारी मानी भी जा सकती हैं और नहीं भी।
साइलेंस थ्रेशोल्ड का समझौता
सबसे अहम सेटिंग यह है कि सिस्टम के यह तय करने से पहले कि कॉलर ने बात पूरी कर ली, चुप्पी कितनी देर चलनी चाहिए। इसे साइलेंस थ्रेशोल्ड कहते हैं। यह एक ऐसा समझौता है जिसका कोई आदर्श मान नहीं है।
छोटा बनाम लंबा साइलेंस थ्रेशोल्ड
| छोटा इंतज़ार | लंबा इंतज़ार | |
|---|---|---|
| कॉल का अहसास | तेज़ और जीवंत | धीमा, ज़्यादा सोच-समझकर |
| जोखिम | कॉलर के सोचते समय या नंबर पढ़ते समय बीच में बोल पड़ना | हर जवाब के बाद ख़ाली चुप्पी; कॉलर अपनी बात दोहराते हैं |
| किसके लिए ठीक | छोटे हाँ या ना वाले आदान-प्रदान | नाम, पते, खाते की जानकारी, बुज़ुर्ग या हिचकिचाते कॉलर |
कॉल की सामग्री के बारे में सोचें। अगर आप ज़्यादातर हाँ या ना वाले सवाल पूछते हैं, तो छोटा इंतज़ार काम करता है। अगर कॉलरों को ईमेल पता या संदर्भ नंबर देना है, तो लंबा इंतज़ार एजेंट को अंकों के बीच के ठहराव में कूद पड़ने से रोकता है।
अलग-अलग सवालों के लिए अलग रफ़्तार
कुछ सिस्टम आपको हर सवाल के अनुसार धैर्य बदलने देते हैं। जब आप पूछें कि कॉलर को कॉलबैक चाहिए या नहीं, तो तेज़ रहें; जब पिन कोड पूछें, तो धैर्य रखें। अगर आपका प्लेटफ़ॉर्म यह सपोर्ट नहीं करता, तो वह सेटिंग चुनें जो आपके सबसे कठिन सवाल के लिए ठीक हो, क्योंकि कॉलर को बीच में काटना छोटे ठहराव से ज़्यादा झुंझलाने वाला है।
Call में VAD सेटिंग ट्यून करना
Call में हर AI एजेंट का एक Transcriber सेक्शन होता है जहाँ आप वह भाषा चुनते हैं जिसे वह सुनता है, या उसे भाषा अपने आप पहचानने देते हैं। दो स्लाइडर तय करते हैं कि वह कैसे फ़ैसला करे कि कॉलर ने बात पूरी कर ली। साइलेंस थ्रेशोल्ड कॉलर की बारी ख़त्म होने से पहले की चुप्पी के सेकंड हैं, जिन्हें 0 से 1.5 सेकंड के बीच बदला जा सकता है; कम मान का मतलब है तेज़ बारी-बदल और ज़्यादा मान लंबे ठहराव की अनुमति देता है। नॉइज़ सेंसिटिविटी स्लाइडर एजेंट को पृष्ठभूमि की आवाज़ के प्रति ज़्यादा या कम संवेदनशील बनाता है। उस पेज पर एक बैनर बताता है कि आज लाइव कॉल इनमें से कौन-सी सेटिंग इस्तेमाल करती हैं, इसलिए बदलाव में समय लगाने से पहले उसे देख लें।
ट्यूनिंग का एक आसान चक्र
- डिफ़ॉल्ट से शुरू करेंकुछ भी बदलने से पहले टेस्ट कॉल का एक आधार सेट बनाएँ।
- कठिन मामलों को परखेंशोर वाली जगह से कॉल करें, धीरे बोलें, नंबर के बीच रुकें, धीमी आवाज़ में बोलें।
- एक सेटिंग बदलेंया तो चुप्पी या नॉइज़ सेंसिटिविटी बदलें, दोनों एक साथ नहीं।
- फिर परखें और तुलना करेंवही स्क्रिप्ट इस्तेमाल करें ताकि अंतर सिर्फ़ सेटिंग की वजह से हो।
- असली कॉल की समीक्षा करेंबीच में कटे कॉलरों या लंबे अंतरालों के लिए ट्रांसक्रिप्ट पढ़ें और फिर बदलें।
बुकिंग संदर्भ बताते एक काल्पनिक कॉलर की कल्पना करें। वे पहले चार अक्षर बोलते हैं, अपने कन्फ़र्मेशन ईमेल पर नज़र डालते हैं और दो सेकंड बाद आगे बोलते हैं। छोटे इंतज़ार में एजेंट पहले ही जवाब दे चुका होता है, कॉलर फिर से शुरू करता है और दोनों एक-दूसरे के ऊपर बोलते हैं। लंबे इंतज़ार में वही कॉलर एक बार में संदर्भ पूरा कर लेता है। अब ऐसे कॉलर की कल्पना करें जिसे सिर्फ़ हाँ कहना है। लंबा इंतज़ार उसे हर बारी पर एक सेकंड की चुप्पी देता है। सही सेटिंग इस पर निर्भर करती है कि आपको इनमें से कौन-सी कॉल ज़्यादा मिलने की उम्मीद है।
मोबाइल कॉलर एक और पेच जोड़ते हैं। तेज़ नॉइज़ सप्रेशन वाले फ़ोन कभी-कभी वाक्य का पहला अक्षर काट देते हैं, जिससे बोली की शुरुआत देर से पहुँचती है। अगर अक्सर ऐसा लगे कि कॉलर बोलना शुरू करते हैं और अनसुने रह जाते हैं, तो ज़्यादा संवेदनशील नॉइज़ सेटिंग आज़माएँ और किसी हैंडसेट से फिर परखें।
लक्षणों को पढ़ना
कॉल सुनकर आप अक्सर बता सकते हैं कि कोई सेटिंग किस दिशा में ग़लत है।
| आप क्या सुनते हैं | संभावित कारण | क्या आज़माएँ |
|---|---|---|
| एजेंट कॉलर के ऊपर बोलता है | चुप्पी का इंतज़ार बहुत छोटा, या धीमी बोली छूट गई | साइलेंस थ्रेशोल्ड बढ़ाएँ, नॉइज़ सेंसिटिविटी बढ़ाएँ |
| हर जवाब से पहले लंबे ठहराव | चुप्पी का इंतज़ार बहुत लंबा | थ्रेशोल्ड थोड़ा घटाएँ |
| एजेंट कुछ भी जवाब नहीं देता | शोर को बोली माना गया, इसलिए बारी कभी बंद नहीं होती | नॉइज़ सेंसिटिविटी घटाएँ |
| एजेंट धीमी आवाज़ वाले कॉलर को अनदेखा करता है | बोली को शोर माना गया | नॉइज़ सेंसिटिविटी बढ़ाएँ |
| छोटे इंतज़ार के बावजूद जवाब धीमे लगते हैं | पाइपलाइन में कहीं और देरी | लेटेंसी गाइड देखें |
VAD के अलावा देरी के कई स्रोत हैं। वॉइस AI लेटेंसी: जवाब धीमे क्यों लगते हैं उन्हें अलग-अलग करके बताता है, और बार्ज-इन और बीच में टोकना संभालना बताता है कि जब एजेंट के बोलते समय कॉलर बोलता है तो क्या होता है।
चुप्पी से आगे: बारी के अंत के समझदार फ़ैसले
सिर्फ़ चुप्पी एक मोटा संकेत है। नए तरीके यह भी देखते हैं कि क्या कहा गया: "और" पर ख़त्म होने वाला वाक्य, या आधा बोला गया नंबर, शायद बताता है कि अभी और बात आनी है, जबकि पूरा सवाल शायद नहीं। इन तरीकों का ज़्यादा वर्णन वॉइस एजेंटों में बारी-बारी से बोलना में है। तकनीक कोई भी हो, वेंडर के दावों को परिकल्पना मानें और अपनी कॉल से उन्हें जाँचें।
लाइव होने से पहले पुष्टि करें कि
- कॉलर नंबर पढ़ते समय एजेंट बीच में नहीं टोकता
- एक-दो सेकंड का ठहराव बारी का अंत नहीं माना जाता
- शोर भरी सड़क पर मौजूद कॉलर की बात भी समझी जा सकती है
- एजेंट की अपनी आवाज़ डिटेक्टर को सक्रिय नहीं कर रही
- आपने सिर्फ़ डेस्क फ़ोन नहीं, मोबाइल फ़ोन की कॉल भी सुनी हैं
- आपको पता है कि अगर असली कॉल कोई समस्या दिखाएँ तो सेटिंग कहाँ बदलनी है
Call में आगे क्या करें
एजेंट की वॉइस सेटिंग खोलें, ट्रांसक्राइबर सेक्शन देखें और एक टेस्ट कॉल चलाएँ जो लाइन के ज़रिए आपके अपने फ़ोन पर रिंग करे। फिर कॉल इतिहास में वह कॉल खोलें, जहाँ मैनेजर देख सकता है कि हर बोली गई बारी में कितना समय लगा, और उसकी तुलना इससे करें कि कॉल कैसी लगी। साइलेंस थ्रेशोल्ड में छोटे बदलाव याददाश्त के बजाय आमने-सामने सुनकर ज़्यादा आसानी से परखे जाते हैं।
अक्सर पूछे जाने वाले प्रश्न
VAD का पूरा नाम क्या है?
वॉइस एक्टिविटी डिटेक्शन। यह वॉइस सिस्टम का वह हिस्सा है जो बोली को चुप्पी और पृष्ठभूमि के शोर से अलग पहचानता है।
क्या VAD और स्पीच रिकग्निशन एक ही हैं?
नहीं। VAD सिर्फ़ यह तय करता है कि कोई बोल रहा है या नहीं। स्पीच रिकग्निशन बोली को टेक्स्ट में बदलता है। दोनों साथ काम करते हैं, और VAD यह भी तय करता है कि कब सुनना बंद करके जवाब देना शुरू करना है।
एजेंट कभी-कभी मुझे बीच में क्यों टोकता है?
शायद चुप्पी का इंतज़ार आपके बोलने के तरीके के लिए बहुत छोटा है, या किसी ठहराव को आपकी बारी का अंत मान लिया गया। साइलेंस थ्रेशोल्ड बढ़ाने से आमतौर पर मदद मिलती है।
एजेंट के जवाब देने से पहले लंबा ठहराव क्यों होता है?
चुप्पी का इंतज़ार लंबा हो सकता है, या देरी कहीं और है, जैसे जवाब बनाने में। पहले सेटिंग जाँचें, फिर कॉल इतिहास में जवाब का समय देखें।
क्या पृष्ठभूमि का शोर नतीजे को प्रभावित करता है?
हाँ। शोर को बोली समझकर बारी खुली रखी जा सकती है, और धीमी बोली को शोर समझा जा सकता है। नॉइज़ सेंसिटिविटी सेटिंग और असली जगहों से टेस्ट कॉल संतुलन ढूँढ़ने में मदद करती हैं।
क्या एक ही सेटिंग हर कॉलर के लिए ठीक हो सकती है?
शायद ही कभी। ऐसा मान चुनें जो आपके सबसे कठिन सवालों के लिए ठीक हो और असली कॉल की समीक्षा करें, क्योंकि धैर्यवान और तेज़ कॉलर अलग-अलग व्यवहार करते हैं।