Teknologi AI suara

Mengapa Audio Telepon Sulit bagi Pengenalan Ucapan

Mengapa audio telepon yang sempit, terkompresi, dan bising menyulitkan pengenalan ucapan, cara mengenali gejalanya, dan apa yang bisa diperbaiki di pengaturan.

Tim redaksi Call · Dipublikasikan · Baca 5 menit

Asisten suara yang berjalan sempurna saat demo bisa tersandung pada panggilan nyata. Penyebabnya jarang model bahasa. Biasanya audionya. Saluran telepon adalah tempat yang tidak bersahabat bagi pengenalan ucapan, dan memahami alasannya membantu Anda menetapkan harapan yang realistis serta memperbaiki masalah yang memang bisa diperbaiki.

Seorang penelepon berbicara lewat ponsel di jalan yang ramai
Gambar ilustrasi

Panduan ini menelusuri suara dari mulut penelepon hingga pengenal ucapan dan menunjukkan di mana kualitasnya hilang. Panduan ini melengkapi Pengenalan Ucapan dalam Panggilan Telepon dan Voice Activity Detection.

Perjalanan audio sebuah panggilan telepon

Di mana suara bisa rusak

  1. MikrofonPonsel atau headset menangkap suara, beserta suara ruangannya.
  2. Pemrosesan di perangkatPeredam bising dan pengatur volume otomatis mengubah bentuk suara.
  3. JaringanAudio dikompresi dan dikirim dalam paket-paket melalui jaringan seluler dan internet.
  4. Platform teleponPanggilan dijembatani, dikonversi, dan kadang dicampur.
  5. Pengenal ucapanAudio diubah menjadi teks, dengan kualitas apa pun yang tersisa.

Setiap tahap hanya bisa mempertahankan atau kehilangan kualitas; tidak ada yang bisa mengembalikan apa yang sudah hilang. Itulah sebabnya titik awal yang buruk, seperti pengeras suara di mobil, membatasi semua tahap sesudahnya.

Audio narrowband: batasan dasarnya

Audio telepon tradisional bersifat narrowband: membawa rentang frekuensi yang terbatas, jauh lebih sedikit daripada yang ditangkap mikrofon studio. Akibatnya, bunyi berfrekuensi tinggi yang membedakan huruf seperti s, f, dan th menjadi lemah. Antara s dan f, atau p dan t, telepon hanya menyisakan sedikit petunjuk. Manusia mengatasinya dengan konteks. Perangkat lunak, terutama pada kata tunggal seperti nama yang dieja, punya lebih sedikit konteks untuk diandalkan.

Sebagian panggilan memakai codec wideband yang membawa lebih banyak detail, dan itu membantu. Apakah suatu panggilan mendapat manfaatnya bergantung pada dukungan setiap mata rantai, dan panggilan antarjaringan yang berbeda sering turun ke format terendah yang didukung bersama.

Bunyi yang paling terdampak

  • Huruf dalam kata yang diejaB, D, P, T, S, dan F terdengar kabur satu sama lain, sehingga mengeja lewat suara tidak andal.
  • AngkaTujuh belas dan tujuh puluh, atau dua dan delapan, bisa tertukar tanpa audio yang baik.
  • Konsonan lembutBunyi pelan di akhir kata lenyap tertutup kebisingan.
  • Kata pendekKonteks yang sedikit berarti lebih banyak kesalahan, seperti ya dan tidak di lingkungan yang bising.

Penyebab lain audio yang buruk

Kompresi dan paket yang hilang

Untuk menghemat bandwidth, audio dikompresi. Jika paket jaringan tertunda atau hilang, muncul celah singkat atau semburan suara yang kacau. Manusia bisa mengisi suku kata yang hilang; pengenal ucapan bisa menghasilkan kata yang salah atau tidak sama sekali.

Kebisingan latar dan pemrosesan

Penelepon menelepon dari jalan, dapur, kendaraan, dan toko. Peredam bising di ponsel bisa menghilangkan kebisingan, tetapi juga memotong awal kata atau meratakan ucapan yang pelan. Hasilnya bisa berupa ucapan yang terdengar bersih bagi manusia tetapi lebih sulit bagi perangkat lunak.

Gema dan pengeras suara

Saat suara dari speaker penelepon masuk ke mikrofonnya, suara agen sendiri bisa kembali sebagai gema, yang dapat membingungkan pengenalan ucapan sekaligus deteksi siapa yang sedang berbicara. Menganjurkan penelepon memakai gagang telepon atau headset saat diperlukan akan membantu.

Ketidakcocokan data latih

Banyak pengenal ucapan dilatih terutama dengan rekaman yang lebih bersih atau berpita lebih lebar. Audio telepon terdengar berbeda, sehingga akurasinya turun. Sebagian penyedia menawarkan model yang disesuaikan untuk telepon; tanyakan, lalu uji.

Seperti apa wujudnya di transkrip

GejalaKemungkinan penyebab dari audio
Huruf yang salah pada nama yang diejaKekaburan narrowband di antara huruf yang bunyinya mirip
Angka tertukar atau hilangPaket hilang, kebisingan, atau ucapan yang cepat
Kata hilang di awalPeredam bising di ponsel memotong bagian awal
Kata aneh yang tidak diucapkanGema atau suara orang lain di latar
Akurasi bagus di telepon meja, buruk di ponselKebisingan dan kompresi jaringan seluler
Jeda panjang tanpa teksDeteksi hening gagal pada suara yang pelan

Dengarkan rekamannya, jangan hanya membaca transkripnya. Mendengarkan menunjukkan apakah masalahnya ada pada audio atau pada pengenalan. Jika Anda bisa mendengarnya dengan jelas tetapi pengenal ucapan tidak, pengenal ucapan adalah mata rantai yang lemah; jika Anda juga kesulitan, perbaiki audionya.

Mengukur masalah sebelum memperbaikinya

Godaannya adalah menyalahkan pengenal ucapan untuk setiap kesalahan. Kebiasaan yang lebih andal adalah memilah sampel panggilan bermasalah menurut penyebabnya. Ambil dua puluh panggilan saat agen salah memahami sesuatu. Untuk masing-masing, dengarkan rekamannya dan putuskan: apakah audionya buruk, apakah penelepon berbicara terlalu cepat atau pelan, apakah pengenal ucapan memang keliru pada ucapan yang jelas, atau apakah salah pahamnya terjadi di model bahasa setelah teksnya benar?

Pembagiannya sering mengejutkan. Bisnis dengan banyak penelepon dari ponsel mungkin mendapati sebagian besar kesalahan berasal dari audio; bisnis dengan kosakata khusus, seperti kode produk, mungkin mendapati pengenal ucapan sebagai titik lemahnya. Setiap penyebab punya solusi yang berbeda, dan memperbaiki penyebab yang salah membuang waktu berminggu-minggu.

Perhatikan juga pola menurut waktu dan rute. Jika kesalahan terkumpul pada jam tertentu, penyebabnya mungkin kepadatan jaringan di sisi Anda. Jika terkumpul pada panggilan dari satu wilayah atau operator, jalur audionya mungkin bermasalah. Catat polanya sebelum mengubah pengaturan apa pun agar setelahnya Anda bisa tahu apakah perubahan itu berhasil.

Jaga sampel tetap jujur dengan menyertakan panggilan yang berjalan baik. Jika Anda hanya meninjau kegagalan, Anda tidak bisa tahu apakah perubahan yang memperbaikinya diam-diam merusak panggilan yang sebelumnya berjalan baik. Perbandingan sebelum dan sesudah pada kumpulan campuran yang sama adalah pengaman paling sederhana.

Yang bisa Anda lakukan

Rancang percakapan untuk audio yang buruk

Teknik untuk nama dan angka dibahas di Menangkap Nama, Angka, dan Alamat dengan Benar lewat Suara.

Perbaiki yang bisa Anda kendalikan

Audio dan pengenalan ucapan di Call

Di Call, setiap agen AI memiliki pengaturan transcriber: bahasa yang didengarkannya, yang bisa berupa deteksi otomatis, ambang hening, dan slider sensitivitas kebisingan. Bagi staf yang memakai telepon di browser, transkrip langsung bisa mencatat kedua sisi panggilan saat berlangsung, diberi label Anda dan mereka, lalu menyimpannya bersama panggilan. Fitur ini memerlukan koneksi operator dan alamat publik, dan tanpa keduanya panel akan menjelaskan alasannya. Transkrip disimpan untuk waktu terbatas. Gunakan sebagai alat diagnosis: jika teks langsung buruk pada panggilan tertentu, putar rekamannya dan tentukan apakah audio atau pengenal ucapan yang bermasalah. Panggilan lewat browser sendiri dijelaskan di Cara Kerja Panggilan lewat Browser: Penjelasan WebRTC.

Pertanyaan yang sering diajukan

Mengapa audio telepon lebih buruk daripada pesan suara di smartphone saya?

Panggilan telepon memakai audio yang sempit dan terkompresi, dirancang agar mudah dipahami manusia, bukan perangkat lunak. Aplikasi pesan suara biasanya merekam audio yang lebih kaya langsung di perangkat.

Bisakah pengenalan ucapan sempurna di telepon?

Tidak. Manusia pun salah dengar di saluran yang buruk. Tujuannya adalah mengurangi kesalahan dan merancang percakapan agar kekeliruan tertangkap lewat konfirmasi.

Apakah mikrofon yang lebih baik membantu agen AI?

Ya untuk staf Anda sendiri dan penelepon yang memakai headset, tetapi Anda tidak bisa mengendalikan perangkat penelepon. Rancang untuk audio terburuk yang realistis.

Mengapa nama yang dieja begitu sulit?

Banyak huruf terdengar mirip di saluran yang sempit, dan satu huruf tidak punya konteks yang membantu. Menawarkan cara lain untuk mencatat detail itu, atau membacakan ulang hurufnya, mengurangi kesalahan.

Haruskah saya menyesuaikan pengenalan ucapan untuk telepon?

Jika platform Anda menawarkan model khusus telepon atau pengaturan kebisingan, uji pada panggilan nyata. Bandingkan hasilnya, karena pengaturan yang tepat bergantung pada penelepon Anda.

Bagaimana saya tahu kesalahan berasal dari audio atau pengenalan?

Dengarkan rekamannya. Jika manusia bisa mendengar kata-katanya dengan jelas tetapi transkripnya salah, curigai pengenalannya. Jika audionya juga buruk bagi manusia, perbaiki jalur audionya.

Periksa transkrip dan audio panggilan di Call

Di konsol demo, Anda bisa mencoba panggilan masuk dalam simulasi.

Panduan terkait