Tehnologija glasovne umjetne inteligencije

Modeli govor-u-govor i kaskadni glasovni lanci: usporedba

Dva načina izgradnje telefonskog glasovnog agenta: modeli govor-u-govor i kaskadni lanci. Što svaki radi dobro, gdje je slab i kako odabrati testiranjem.

Urednički tim usluge Call · Objavljeno · Čitanje: 5 min

Kada čujete glasovnog agenta, iza njega obično stoji jedan od dva dizajna. U prvom softver pretvara pozivateljev govor u tekst, jezični model piše tekstni odgovor, a glasovni ga sustav čita naglas. U drugom jedan model sluša zvuk i odgovara zvukom. Dobavljači se spore o tome što je bolje. Iskren je odgovor da svaki ponešto žrtvuje.

Inženjeri na zaslonu prijenosnog računala uspoređuju zvučne valne oblike
Ilustrativna slika

Ovaj vodič uspoređuje ta dva pristupa jednostavnim jezikom kako biste pri odabiru platforme mogli postavljati bolja pitanja. Za širi uvod počnite s člankom Kako glasovni AI funkcionira u telefonskom pozivu.

Kaskadni lanac

Kaskadni lanac, koji se ponekad opisuje kao govor u tekst, zatim model, zatim tekst u govor, godinama je standardni pristup. Svaka je faza zasebna komponenta, a među njima putuje tekst.

Kaskadni lanac

  1. Prepoznavanje govoraPretvara pozivateljev zvuk u tekst.
  2. Jezični modelČita tekst, uz upute i izvore, i piše odgovor.
  3. Sinteza govoraPretvara tekst odgovora u izgovoreni zvuk.
  4. TelefonijaPrenosi zvuk do pozivatelja i od njega.

Budući da je sredina sustava običan tekst, možete ga čitati, pretraživati, pohranjivati, provjeravati prema pravilima i zamijeniti bilo koju fazu. Možete ugraditi prepoznavač koji bolje razumije naglaske vaših pozivatelja ili glas koji odgovara vašem brendu.

Pristup govor-u-govor

Model govor-u-govor, koji se opisuje i kao end-to-end ili izvorni zvučni model, izravno obrađuje zvuk. Sluša sam zvuk i kao izlaz stvara zvuk, iako mnogi takvi sustavi proizvode i tekst za bilježenje.

Govor-u-govor

  1. Zvuk na ulazuPozivateljev glas ide izravno u model.
  2. Jedan modelTumači značenje, ton i tajming te planira odgovor.
  3. Zvuk na izlazuIzravno stvara izgovoreni odgovor.
  4. TelefonijaZvuk putuje do pozivatelja i od njega.

Privlačnost je u tome što se između faza ništa ne gubi. Stanka, smijeh, oklijevanje ili uzdah mogu utjecati na odgovor, a model može ranije početi govoriti jer ne čeka tri zasebna koraka.

Usporedno

Kaskadni lanac i govor-u-govor

KaskadniGovor-u-govor
PrirodnostOvisi o svakoj fazi; može djelovati isprekidanoČesto glađe, uz očuvan tajming i ton
Vrijeme odzivaZbroj triju faza, koji se može podešavatiPotencijalno kraće, zbog manje predaja
KontrolaVisoka: pravila se mogu primijeniti na tekst u svakom korakuNiža: teže je pregledati što se događa unutra
Transkripti i zapisiPrirodan nusproizvodObično se stvaraju zasebno i mogu se razlikovati od izgovorenoga
Zamjena dijelovaLako: zasebno promijenite prepoznavač ili glasOgraničeno na ono što model nudi
Izbor glasaŠirok izbor glasovaČesto manji skup
ZrelostDuga povijest korištenjaNovije, brzo se mijenja

Svaku tvrdnju o apsolutnoj nadmoći uzmite s oprezom. Kvaliteta se razlikuje među proizvodima unutar svake kategorije, a rezultati na čistom demou možda neće vrijediti u bučnom mobilnom pozivu.

Što je važno za telefonske pozive

Telefonski zvuk je uzak i bučan

Telefonski zvuk je komprimiran i često bučan. Koji god dizajn odabrali, provjerite kako radi na stvarnom telefonskom zvuku, a ne samo na studijskim snimkama. Zašto je telefonski zvuk težak za prepoznavanje govora objašnjava taj učinak.

Kontrola i mogućnost revizije

Ako morate dokazati što je agent rekao i zašto, tekst u svakoj fazi pomaže. Kaskadni dizajn omogućuje provjeru između odgovora modela i glasa. S end-to-end modelom više se oslanjate na kontrole dobavljača i testiranje. Pregledajte Zaštitne mjere za glasovne AI agente i odlučite što trebate nametnuti.

Prekidanje i tajming

Izvorni zvučni modeli često tečnije obrađuju preklapanje i prekidanje jer pozivatelja čuju neprekidno. Kaskadni sustavi oslanjaju se na detekciju govora i tišine kako bi odlučili kada stati i kada početi; pogledajte Detekcija glasovne aktivnosti i Izmjenjivanje riječi kod glasovnih agenata. Bolje inženjerstvo može smanjiti razliku, a razlika se može nastaviti mijenjati.

Jezici i naglasci

Jezike i naglaske koji su vam važni provjerite testiranjem umjesto da prihvatite popis iz brošure. Model koji je jak u jednom jeziku može biti slabiji u drugom, a isto vrijedi i za pojedine faze u lancu.

Odabir za vašu situaciju

Nekoliko hipotetskih scenarija pokazuje kako prioriteti vuku u različitim smjerovima.

Pitanja za dobavljača

  • Koje faze sustav koristi i mogu li ih mijenjati?
  • Dobivam li transkript svakog poziva i je li to ono što je model čuo?
  • Kako se nameću pravila i ograničenja?
  • Kako se ponaša na mobilnim i bučnim linijama?
  • Koja su tipična vremena odziva u stvarnim telefonskim pozivima?
  • Kako se obrađuje prekidanje?
  • Što se poslije događa sa zvukom i tekstom?

Gdje se granica zamagljuje

Te dvije kategorije nisu tako oštro odijeljene kako marketing sugerira. Mnogi proizvodi govor-u-govor uz zvuk i dalje proizvode transkript, a mnogi kaskadni proizvodi prenose djelomične rezultate između faza kako bi govor počeo prije nego što model dovrši pisanje. Neki sustavi koriste izvorni zvučni model za razgovor i tekstni korak za dohvate ili provjere pravila. Kada dobavljač kaže da je njegov proizvod end-to-end, pitajte što je točno end-to-end i gdje se tekst i dalje pojavljuje.

To je važno jer se praktična pitanja ne mijenjaju. Gdje možete pročitati što je rečeno? Gdje se može nametnuti pravilo? Kako se hvata pogrešan odgovor? Hibrid koji vam daje pouzdan transkript i prirodan glas može biti razuman srednji put, pod uvjetom da možete provjeriti oba dijela.

Pošteno testiranje

Usporedbe je lako nehotice namjestiti. Za svakog kandidata koristite istu skriptu, istu vrstu telefonske linije i istu pozadinsku buku. Testirajte s mobitela u automobilu ili na ulici, a ne samo iz tihe sobe. Uključite nezgodne trenutke koje stvaraju stvarni pozivatelji: ispravak usred rečenice, sricano ime, pitanje izvan opsega i zahtjev za osobu.

Svaki poziv ocijenite prema nekoliko jednostavnih točaka: je li odgovor bio točan, je li agent čekao pozivatelja, koliki je bio razmak prije svakog odgovora i kako je poziv završio. Skroman skup dosljedno ocijenjenih poziva reći će vam više od uglađenog demoa.

Kako Call pristupa tome

Praktična je pouka da je arhitektura manje važna od ponašanja u vašim pozivima. U Callu AI agent počinje govoriti čim je spreman prvi dio njegova odgovora, kod odlaznih poziva unaprijed priprema pozdrave i odgovore drži kratkima. Vi postavljate glas i opcije transkriptora, testirate tako da nazovete vlastiti telefon i poslije čitate razgovor u povijesti poziva. Bez obzira na tehnologiju u pozadini, držite je istog standarda: odgovara li točno, predaje li pristojno i zvuči li prihvatljivo vašim pozivateljima? Mjere iz članka Kako procijeniti razgovore glasovnog agenta vrijede za oba pristupa.

Često postavljana pitanja

Što je model govor-u-govor?

To je model koji kao ulaz prima izgovoreni zvuk i kao izlaz proizvodi izgovoreni zvuk, bez zasebne tekstne faze između prepoznavanja i govora.

Što je kaskadni glasovni lanac?

To je niz od prepoznavanja govora, jezičnog modela i sinteze govora, u kojemu se između faza prenosi tekst.

Što je prirodnije?

Sustavi govor-u-govor često se opisuju kao glađi, ali kvaliteta se razlikuje među proizvodima. Procjenjujte slušajući pozive slične vašima.

Što je lakše revidirati?

Kaskadni lanci proizvode tekst u svakom koraku, pa su zapisi, provjere i pravila jednostavniji. Kod end-to-end modela saznajte što dobavljač bilježi i koliko je to pouzdano.

Mogu li kombinirati oba pristupa?

Neke ih platforme kombiniraju, primjerice koriste kaskadni dizajn za određene pozive. Pitajte kako sustav postupa s transkriptima i pravilima u kojem god načinu radi.

Utječe li izbor na trošak?

Može, ali cijene i modeli se mijenjaju, pa od dobavljača zatražite aktualne uvjete i usporedite ih s izmjerenim rezultatima, a ne s istaknutim tvrdnjama.

Testirajte AI agenta na vlastitoj telefonskoj liniji uz Call

U demo konzoli možete isprobati dolazne pozive u simulaciji.

Povezani vodiči