Tehnologija glasovne umjetne inteligencije

Detekcija glasovne aktivnosti: kada je pozivatelj završio

Kako detekcija glasovne aktivnosti razlikuje govor od tišine u pozivu, zašto tajming zakaže i kako podesiti čekanje tišine da agent ne prekida i ne kasni.

Urednički tim usluge Call · Objavljeno · Čitanje: 5 min

Kada dvoje ljudi razgovara telefonom, rijetko razmišljaju o tome tko sljedeći govori. Glasovni agent to mora izračunati. Prvi je korak iznenađujuće jednostavno pitanje koje se postavlja mnogo puta u sekundi: govori li netko upravo sada? Komponenta koja na to odgovara zove se detekcija glasovne aktivnosti, odnosno VAD (engl. voice activity detection).

Osoba govori u telefonske slušalice s mikrofonom za radnim stolom
Ilustrativna slika

Ovaj vodič objašnjava što VAD radi, zašto je na telefonskoj liniji teže nego u tihoj sobi, što znače postavke i kako ih podesiti. Za širu sliku o tome kako glasovni agent funkcionira pročitajte Kako glasovni AI funkcionira u telefonskom pozivu.

Što radi detekcija glasovne aktivnosti

VAD promatra tok zvuka u vrlo kratkim isječcima i svaki označava kao govor ili ne-govor. Jednostavne verzije mjere samo glasnoću. Bolje su trenirani modeli koji prepoznaju obrazac ljudskog govora i zanemaruju klikove tipkovnice, kamion u prolazu ili televizor u pozadini.

Te oznake hrane tri odluke u glasovnom agentu:

Budući da sve nakon VAD-a ovisi o njoj, loša VAD čini da dobar agent izgleda loše. Odgovor koji stigne dok pozivatelj još govori rijetko je jezični problem; obično je problem tajminga.

Zašto je u telefonskim pozivima teže

Telefonska linija uzak je, komprimiran kanal koji često prenosi pozivatelja na ulici, u automobilu ili u trgovini. Ta kombinacija zamagljuje granicu između govora i buke. Zašto je telefonski zvuk težak za prepoznavanje govora bavi se samim zvukom; ovdje su učinci specifični za VAD.

Što zbunjuje detektor

  • Pozadinska bukaPromet, vjetar i žamor u kafiću mogu se zamijeniti za govor i držati red otvorenim.
  • Tihi govorniciBlag glas može se svrstati u tišinu, pa agent govori preko pozivatelja.
  • Stanke usred rečeniceLjudi zastaju da razmisle, sriču ime ili traže broj u torbi.
  • Jeka i povratni tonVlastiti glas agenta koji se vraća može izgledati kao da govori pozivatelj.
  • Udisaji i poštapaliceZvukovi poput „hmm” ili uzdaha mogu, ali i ne moraju, računati kao red.

Kompromis praga tišine

Najvažnija je postavka koliko dugo tišina mora trajati prije nego što sustav odluči da je pozivatelj završio. Nazovimo je pragom tišine. To je kompromis bez savršene vrijednosti.

Kratak ili dug prag tišine

Kratko čekanjeDugo čekanje
Dojam pozivaBrz i živahanSporiji, promišljeniji
RizikUpada dok pozivatelj razmišlja ili čita brojMrtva tišina nakon svakog odgovora; pozivatelji se ponavljaju
Prikladno zaKratke razmjene da ili neImena, adrese, podatke o računu, starije ili neodlučne pozivatelje

Razmislite o sadržaju poziva. Ako uglavnom postavljate pitanja da ili ne, kratko čekanje funkcionira. Ako pozivatelji moraju navesti adresu e-pošte ili referentni broj, dulje čekanje sprječava da agent uskoči u stanci između znamenki.

Različite brzine za različita pitanja

Neki sustavi omogućuju da se strpljivost mijenja ovisno o pitanju. Budite brzi kada pitate želi li pozivatelj povratni poziv, a strpljivi kada tražite poštanski broj. Ako vaša platforma to ne podržava, odaberite postavku koja odgovara najtežem pitanju jer je prekidanje pozivatelja iritantnije od kratke stanke.

Podešavanje VAD postavki u Callu

U Callu svaki AI agent ima odjeljak Transkriptor u kojemu birate jezik koji sluša ili ga pustite da jezik automatski prepozna. Dva klizača određuju kako odlučuje da je pozivatelj završio. Prag tišine broj je sekundi tišine prije nego što pozivateljev red završi, a može se podesiti između 0 i 1,5 sekunde; niža vrijednost znači bržu izmjenu, a viša dopušta dulje stanke. Klizač osjetljivosti na buku čini agenta više ili manje osjetljivim na pozadinski zvuk. Natpis na toj stranici pokazuje koje od tih postavki stvarni pozivi danas koriste, pa ga provjerite prije nego što potrošite vrijeme na podešavanje.

Jednostavan krug podešavanja

  1. Počnite od zadanih vrijednostiPrije bilo kakve promjene uputite osnovni skup probnih poziva.
  2. Testirajte teške slučajeveNazovite s bučnog mjesta, govorite polako, zastanite usred broja, govorite tiho.
  3. Promijenite jednu postavkuPrilagodite ili tišinu ili osjetljivost na buku, ne oboje odjednom.
  4. Ponovno testirajte i usporediteKoristite istu skriptu kako bi razlike bile uzrokovane postavkom.
  5. Pregledajte stvarne poziveU transkriptima tražite prekinute pozivatelje ili duge praznine i ponovno prilagodite.

Zamislite hipotetskog pozivatelja koji navodi broj rezervacije. Izgovori prva četiri znaka, pogleda e-poruku s potvrdom i nastavi nakon dvije sekunde. Uz kratko čekanje agent je već odgovorio, pozivatelj počinje ispočetka i njih dvoje govore jedno preko drugoga. Uz dulje čekanje isti pozivatelj dovrši broj u jednom dahu. Sada zamislite pozivatelja koji treba reći samo da. Dulje čekanje stoji ga sekundu tišine u svakoj izmjeni. Prava postavka ovisi o tome koje od tih poziva najčešće očekujete.

Pozivatelji s mobitela dodaju još jedan obrat. Telefoni s agresivnim suzbijanjem buke ponekad odrežu prvi slog rečenice, pa početak govora stiže kasno. Ako se često čini da pozivatelji počinju govoriti, a agent ih zanemaruje, isprobajte osjetljiviju postavku buke i ponovno testirajte s mobitela.

Čitanje simptoma

Često možete prepoznati u kojem je smjeru postavka pogrešna slušajući pozive.

Što čujeteVjerojatan uzrokŠto isprobati
Agent govori preko pozivateljaPrekratko čekanje tišine ili propušten tih govorPovisite prag tišine, povećajte osjetljivost na buku
Duge stanke prije svakog odgovoraPredugo čekanje tišineMalo snizite prag
Agent reagira ni na štoBuka se tretira kao govor, pa se red nikad ne zatvaraSmanjite osjetljivost na buku
Agent zanemaruje pozivatelja koji tiho govoriGovor se tretira kao bukaPovećajte osjetljivost na buku
Odgovori djeluju sporo i uz kratko čekanjeKašnjenje negdje drugdje u lancu obradePogledajte vodič o latenciji

Kašnjenje osim VAD-a ima još nekoliko izvora. Članak Latencija glasovnog AI-ja: zašto odgovori djeluju sporo ih razdvaja, a Upadanje u govor i prekidanje opisuje što se događa kada pozivatelj govori dok agent priča.

Više od tišine: pametnije odluke o kraju reda

Sama tišina grub je signal. Noviji pristupi uzimaju u obzir i ono što je rečeno: rečenica koja završava s „i” ili napola izgovoren broj vjerojatno znače da slijedi još, dok cijelo pitanje vjerojatno ne. Te metode detaljnije opisuje članak Izmjenjivanje riječi kod glasovnih agenata. Bez obzira na tehniku, tvrdnje dobavljača smatrajte hipotezama i provjerite ih vlastitim pozivima.

Prije puštanja u rad potvrdite da

  • Agent ne prekida kada pozivatelji čitaju brojeve
  • Stanka od sekunde ili dvije ne tretira se kao kraj reda
  • Pozivatelja na bučnoj ulici i dalje se može razumjeti
  • Vlastiti glas agenta ne aktivira detektor
  • Slušali ste pozive s mobitela, a ne samo sa stolnih telefona
  • Znate gdje promijeniti postavke ako stvarni pozivi otkriju problem

Što dalje u Callu

Otvorite glasovne postavke agenta, pregledajte odjeljak transkriptora i uputite probni poziv koji preko linije nazove vaš telefon. Zatim otvorite poziv u povijesti poziva, gdje voditelj može vidjeti koliko je trajala svaka izgovorena izmjena, i usporedite to s dojmom koji je poziv ostavio. Male promjene praga tišine lakše je procijeniti usporednim slušanjem nego po sjećanju.

Često postavljana pitanja

Što znači VAD?

Detekcija glasovne aktivnosti (engl. voice activity detection). To je dio glasovnog sustava koji razlikuje govor od tišine i pozadinske buke.

Je li VAD isto što i prepoznavanje govora?

Nije. VAD samo odlučuje govori li netko. Prepoznavanje govora pretvara govor u tekst. Rade zajedno, a VAD odlučuje i kada prestati slušati i početi odgovarati.

Zašto me agent ponekad prekida?

Čekanje tišine vjerojatno je prekratko za način na koji govorite ili je stanka protumačena kao kraj vašeg reda. Povišenje praga tišine obično pomaže.

Zašto postoji duga stanka prije nego što agent odgovori?

Čekanje tišine možda je dugo ili je kašnjenje negdje drugdje, primjerice u generiranju odgovora. Najprije provjerite postavke, a zatim pogledajte vrijeme odgovora u povijesti poziva.

Utječe li pozadinska buka na rezultat?

Da. Buka se može zamijeniti za govor i držati red otvorenim, a tih govor za buku. Postavke osjetljivosti na buku i probni pozivi s realističnih mjesta pomažu pronaći ravnotežu.

Može li jedna postavka odgovarati svakom pozivatelju?

Rijetko. Odaberite vrijednost koja odgovara vašim najzahtjevnijim pitanjima i pregledavajte stvarne pozive jer se strpljivi i brzi pozivatelji ponašaju različito.

Podesite kako vaš AI agent u Callu odlučuje da je pozivatelj završio

U demo konzoli možete isprobati dolazne pozive u simulaciji.

Povezani vodiči