Technologia głosowej AI

Lepsze rozpoznawanie mowy w rozmowach telefonicznych: poprawki

Dlaczego rozpoznawanie mowy zawodzi na liniach telefonicznych i co pomaga: czystszy dźwięk, ustawienia języka i słownictwa, staranne pytania, powtarzanie i testy.

Redakcja Call · Opublikowano · Czas czytania: 5 min

Agent głosowy jest tak dobry, jak to, co słyszy. Jeśli rozpoznawanie mowy zamieni „wtorek o dziesiątej” na „dwa dni o tej”, wszystko, co potem następuje, idzie źle, choćby model językowy był świetny. To samo dotyczy transkrypcji i podsumowań rozmów: pomyłka na etapie rozpoznawania rozchodzi się na każdy kolejny krok.

Technik słucha dźwięku rozmowy w słuchawkach, sprawdzając transkrypcję na ekranie
Obraz poglądowy

Ten poradnik wyjaśnia, dlaczego mowa w telefonie jest trudna, które błędy są najczęstsze i które poprawki warte są Twojego czasu. Tło dotyczące całego potoku znajdziesz w artykule Jak działa głosowa AI: STT, LLM i TTS, a o stronie dźwiękowej w artykule Dlaczego dźwięk telefoniczny utrudnia rozpoznawanie mowy.

Dlaczego mowa w telefonie jest trudna

Rozmowa telefoniczna ściska ludzki głos przez wąski kanał. Wysokie i niskie częstotliwości są obcinane, sygnał jest kompresowany, a pakiety mogą ginąć po drodze. Do tego dochodzi otoczenie dzwoniącego: ruch uliczny, telewizor, wiatr, głośnomówiący w kuchni. Systemy rozpoznawania są trenowane na dużej ilości mowy, ale takie warunki nadal podnoszą liczbę błędów.

Co pogarsza rozpoznawanie

  • Wąskie pasmoDźwięk telefoniczny niesie mniej szczegółów niż zwykłe nagranie, więc podobne dźwięki się zlewają.
  • Hałas w tleSamochody, tłumy i maszyny konkurują z głosem.
  • Słabe mikrofonyZestawy głośnomówiące, tanie słuchawki i odległe mikrofony dodają echo.
  • Styl mówieniaSzybka mowa, mamrotanie i nieznane akcenty są trudniejsze.
  • Rzadkie słowaNazwiska, marki, nazwy ulic i żargon, które system rzadko widział.
  • Nakładająca się mowaPrzerwania, rozmowy poboczne i dwie osoby mówiące naraz.

Typowe błędy

Spodziewaj się kłopotów z homofonami, cyframi czytanymi w grupach, przeliterowanymi nazwiskami, datami i godzinami oraz krótkimi słowami na początku zdania. Wiedza o tym, jakie błędy masz, ułatwia ich naprawę. Zobacz Poprawne rozpoznawanie nazwisk, numerów i adresów głosem.

Zacznij od podstaw

Zanim zmienisz coś zaawansowanego, sprawdź proste rzeczy.

Podstawowa lista kontrolna po kolei

  1. Sprawdź dźwiękPosłuchaj nagrań prawdziwych rozmów. Jeśli nie rozumiesz fragmentu, system też nie.
  2. Ustaw językWybierz język, którego używają dzwoniący, albo włącz automatyczne wykrywanie, jeśli dzwoniący są zróżnicowani.
  3. Dostrój pauzyDostosuj, jak długo trwa cisza, zanim system uzna, że dzwoniący skończył.
  4. Dostrój obsługę szumuZwiększ lub zmniejsz czułość systemu na dźwięki tła.
  5. Testuj prawdziwymi głosamiWypróbuj różnych mówców, urządzenia i miejsca.

Język i wykrywanie

Jeśli większość dzwoniących mówi jednym językiem, ustaw go wprost. Automatyczne wykrywanie jest przydatne, gdy dzwoniący są zróżnicowani, ale może potrzebować kilku słów, by się ustalić, a krótkie wypowiedzi, takie jak „tak”, mogą być źle ocenione. O linii wielojęzycznej przeczytasz w artykule Wielojęzyczna obsługa telefoniczna z AI. Znaczenie mają też akcenty i dialekty; zobacz Akcenty i dialekty w głosowej AI.

Pauzy i zmiana mówców

Jeśli system przerywa ludziom w pół zdania, podnieś próg ciszy, by czekał dłużej. Jeśli wydaje się wolny w odpowiedzi, obniż go. Starsi dzwoniący i osoby odczytujące numery robią dłuższe pauzy; testuj z nimi. Próg odpowiedni dla żwawej wymiany może frustrować tych, którzy myślą na głos. Zobacz Wykrywanie aktywności głosowej oraz Zmiana mówców w agentach głosowych.

Czułość na hałas

Hałaśliwa ulica może oszukać system, by słyszał mowę tam, gdzie jej nie ma, albo ukryć cichą mowę. Testuj w hałaśliwym otoczeniu, a nie tylko w biurze, i dostosowuj czułość krok po kroku.

Projektuj pytania łatwe do rozpoznania

Często najtańsza poprawa nie leży w rozpoznawaniu, ale w tym, o co pyta agent.

Potwierdzaj to, co ważne

Przy nazwiskach, numerach telefonów, datach, adresach i wszystkim, co ma konsekwencje, powtórz, co usłyszano, i poproś dzwoniącego o potwierdzenie. „Mam wtorek czwartego o dziesiątej rano. Czy to się zgadza?” jest znacznie bardziej niezawodne niż zakładanie. Zaproponuj inny sposób podania trudnych informacji, na przykład wiadomość wysłaną później do osoby, aby je uzupełniła, tam gdzie to dozwolone.

Pomóż systemowi swoimi słowami

Błędy rozpoznawania często koncentrują się na słowach specyficznych dla Twojej firmy: nazwach produktów, nazwiskach pracowników, nazwach miejsc, terminach medycznych lub technicznych. Do sposobów pomocy należą:

Zwróć uwagę na różnicę między słuchaniem a mówieniem. Słownik wymowy zmienia sposób odczytania słowa, a nie sposób jego usłyszenia.

Obsługuj porażkę z klasą

Nawet dobrze dostrojony system czasem źle słyszy. Zaprojektuj rozwiązanie awaryjne: po jednej nieudanej próbie przeformułuj pytanie; po drugiej zaproponuj inny sposób, taki jak człowiek, oddzwonienie lub wiadomość. Nigdy nie zapętlaj dzwoniącego trzy razy przez ten sam komunikat. Elegancka reakcja chroni relację, gdy technologia zawodzi.

Mierz i testuj

Bez pomiaru nie wiesz, czy zmiana pomogła. Zbuduj mały zestaw testowy z prawdziwych rozmów, za zgodą i z odnotowanym pozwoleniem: może pięćdziesiąt krótkich fragmentów obejmujących typowe głosy, urządzenia i hałas. Dla każdego porównaj, co powiedziano, z tym, co rozpoznano, i licz błędy, które miały znaczenie, takie jak błędna cyfra, a nie każde drobne słowo.

Miesięczny przegląd rozpoznawania

  • Posłuchaj próbki prawdziwych rozmów, w tym nieudanych.
  • Wypisz pięć najczęściej źle słyszanych słów lub fraz.
  • Sprawdź, czy sformułowanie, ustawienia lub słownictwo mogą je rozwiązać.
  • Przetestuj ponownie te same fragmenty po każdej zmianie.
  • Uwzględnij próbki zaszumione i z akcentem, nie tylko czyste.
  • Zapisuj zmiany i wyniki, aby nie powtarzać eksperymentu.

Zobacz Jak przetestować agenta głosowego AI przed startem oraz Jak oceniać rozmowy agenta głosowego.

Jak to zrobić w Call

Call pozwala dostroić słuchanie dla każdego agenta AI w jego ustawieniach głosu. W sekcji transkrypcji wybierasz język albo wykrywasz go automatycznie oraz przesuwasz próg ciszy i regulator czułości na hałas. Baner na stronie mówi, których ustawień dziś używają połączenia na żywo. Podnieś próg ciszy, jeśli agent przerywa dzwoniącym w pół zdania.

Rozpoznawanie w Call zależy od rozmowy i linii telefonicznej, więc testuj na prawdziwych liniach. Zobacz Historia połączeń i podsumowania w Call oraz Przeszukiwanie transkrypcji rozmów w Call.

Najczęstsze pytania

Dlaczego rozpoznawanie mowy w telefonie jest mniej dokładne niż na moim smartfonie?

Linie telefoniczne niosą węższy, bardziej skompresowany dźwięk niż nowoczesny mikrofon, a dzwoniący są często w hałaśliwych miejscach lub na głośniku. Oprogramowanie ma mniej do pracy, więc występuje więcej błędów.

Ustawić jeden język czy użyć automatycznego wykrywania?

Jeśli prawie wszyscy dzwoniący używają jednego języka, ustaw go. Używaj automatycznego wykrywania, gdy dzwoniący są zróżnicowani, i testuj krótkie odpowiedzi, takie jak tak i nie, które mogą być źle wykryte.

Jak poprawić rozpoznawanie nazwisk i numerów?

Pytaj o jedną rzecz naraz, mów dzwoniącym, jak podawać cyfry, potwierdzaj przez powtórzenie i dodaj ważne terminy do słownictwa, jeśli system na to pozwala.

Czy słownik wymowy poprawia to, co agent słyszy?

Nie. Poprawia to, jak agent wymawia słowa na głos. Może pomóc dzwoniącym zrozumieć agenta, ale rozpoznawanie to osobne ustawienie.

Skąd wiem, czy zmiana pomogła?

Utrzymuj stały zestaw fragmentów prawdziwych rozmów, licz błędy, które mają znaczenie, przed zmianą i po niej, i uruchamiaj ten sam zestaw po każdej zmianie. Jedna szczęśliwa rozmowa niczego nie dowodzi.

Dostrój ustawienia transkrypcji i przeglądaj transkrypcje rozmów w Call

W konsoli demo możesz wypróbować połączenia przychodzące w symulacji.

Powiązane poradniki