Wykrywanie aktywności głosowej: kiedy dzwoniący skończył mówić
Jak wykrywanie aktywności głosowej odróżnia mowę od ciszy, dlaczego wyczucie czasu zawodzi i jak ustawić czas ciszy, by agent nie przerywał ani nie zwlekał.
Gdy dwie osoby rozmawiają przez telefon, rzadko zastanawiają się, kto mówi następny. Agent głosowy musi to obliczyć. Pierwszym krokiem jest zaskakująco proste pytanie zadawane wiele razy na sekundę: czy ktoś teraz mówi? Komponent, który na nie odpowiada, nazywa się wykrywaniem aktywności głosowej, w skrócie VAD (voice activity detection).

Ten przewodnik wyjaśnia, co robi VAD, dlaczego na linii telefonicznej jest to trudniejsze niż w cichym pokoju, co oznaczają ustawienia i jak je dostroić. Szerszy obraz działania agenta głosowego znajdziesz w artykule Jak działa głosowa AI podczas rozmowy telefonicznej.
Co robi wykrywanie aktywności głosowej
VAD analizuje strumień dźwięku w bardzo krótkich wycinkach i oznacza każdy jako mowę lub brak mowy. Proste wersje mierzą tylko głośność. Lepsze to wytrenowane modele, które rozpoznają wzorzec ludzkiej mowy i ignorują stukanie w klawiaturę, przejeżdżającą ciężarówkę czy telewizor w tle.
Te oznaczenia zasilają trzy decyzje agenta głosowego:
- Początek mowy: dzwoniący zaczął mówić, więc agent powinien słuchać, a jeśli sam mówi, rozważyć przerwanie.
- Koniec mowy: dzwoniący milczy na tyle długo, że jego kolej prawdopodobnie się skończyła, więc agent może odpowiedzieć.
- Nic do transkrypcji: jeśli dźwięk to tylko szum, system rozpoznawania mowy nie jest proszony o zgadywanie słów.
Ponieważ wszystko, co następuje po VAD, od niego zależy, słaby VAD sprawia, że nawet dobry agent wypada źle. Odpowiedź, która pada, gdy dzwoniący wciąż mówi, rzadko jest problemem językowym; zwykle to problem wyczucia czasu.
Dlaczego połączenia telefoniczne to utrudniają
Linia telefoniczna to wąski, skompresowany kanał, często przenoszący głos dzwoniącego z ulicy, samochodu lub sklepu. Takie połączenie zaciera granicę między mową a szumem. Sam dźwięk omawia artykuł Dlaczego dźwięk telefoniczny utrudnia rozpoznawanie mowy; poniżej skutki specyficzne dla VAD.
Co myli detektor
- Hałas w tleRuch uliczny, wiatr i gwar w kawiarni mogą zostać wzięte za mowę i utrzymywać turę otwartą.
- Ciche osobyCichy głos może zostać uznany za ciszę, więc agent zaczyna mówić jednocześnie z dzwoniącym.
- Pauzy w środku zdaniaLudzie zatrzymują się, by pomyśleć, przeliterować nazwisko lub znaleźć numer w torbie.
- Echo i sygnał zwrotnyWłasny głos agenta wracający na linię może wyglądać jak mowa dzwoniącego.
- Oddechy i wypełniaczeDźwięki takie jak „hmm” czy westchnienie mogą, ale nie muszą, liczyć się jako tura.
Kompromis progu ciszy
Najważniejsze ustawienie to czas, przez jaki musi trwać cisza, zanim system uzna, że dzwoniący skończył. Nazwijmy go progiem ciszy. To kompromis, w którym nie ma idealnej wartości.
Krótki a długi próg ciszy
| Krótkie czekanie | Długie czekanie | |
|---|---|---|
| Charakter rozmowy | Szybki i żywy | Wolniejszy, bardziej rozważny |
| Ryzyko | Wchodzenie w słowo, gdy dzwoniący myśli lub dyktuje numer | Martwa cisza po każdej odpowiedzi; dzwoniący się powtarzają |
| Pasuje do | Krótkich wymian typu tak/nie | Imion i nazwisk, adresów, danych konta, starszych lub niepewnych dzwoniących |
Pomyśl o treści rozmów. Jeśli zadajesz głównie pytania typu tak/nie, krótkie czekanie się sprawdzi. Jeśli dzwoniący muszą podać adres e-mail lub numer referencyjny, dłuższe czekanie zapobiega temu, by agent wtrącał się w pauzie między cyframi.
Różne tempo dla różnych pytań
Niektóre systemy pozwalają zmieniać cierpliwość w zależności od pytania. Agent może reagować szybko, gdy pyta, czy dzwoniący chce oddzwonienia, i cierpliwie, gdy pyta o kod pocztowy. Jeśli Twoja platforma tego nie obsługuje, wybierz ustawienie pasujące do najtrudniejszego pytania, bo przerwanie dzwoniącemu irytuje bardziej niż krótka pauza.
Dostrajanie ustawień VAD w Call
W Call każdy agent AI ma sekcję Transcriber, w której wybierasz język, w jakim agent słucha, lub pozwalasz mu automatycznie wykryć język. Dwa suwaki określają, jak agent rozstrzyga, że dzwoniący skończył. Próg ciszy to liczba sekund ciszy, po której kończy się tura dzwoniącego, regulowana w zakresie od 0 do 1,5 sekundy; niższa wartość oznacza szybszą wymianę wypowiedzi, a wyższa pozwala na dłuższe pauzy. Suwak czułości na szum sprawia, że agent jest bardziej lub mniej wrażliwy na dźwięki w tle. Baner na tej stronie informuje, które z tych ustawień są obecnie używane w połączeniach na żywo, więc sprawdź go, zanim poświęcisz czas na dostrajanie.
Prosta pętla dostrajania
- Zacznij od ustawień domyślnychZanim cokolwiek zmienisz, wykonaj bazowy zestaw połączeń testowych.
- Przetestuj trudne przypadkiZadzwoń z hałaśliwego miejsca, mów powoli, zrób pauzę w środku numeru, mów cicho.
- Zmień jedno ustawienieDostosuj albo próg ciszy, albo czułość na szum, nie oba naraz.
- Przetestuj ponownie i porównajUżywaj tego samego scenariusza, by różnice wynikały z ustawienia.
- Przeglądaj prawdziwe rozmowySzukaj w transkrypcjach przerwanych wypowiedzi lub długich luk i ponownie dostosuj.
Wyobraź sobie hipotetycznego dzwoniącego, który podaje numer rezerwacji. Mówi pierwsze cztery znaki, zerka na e-mail z potwierdzeniem i po dwóch sekundach kontynuuje. Przy krótkim czekaniu agent już odpowiedział, dzwoniący zaczyna od nowa i obaj mówią jednocześnie. Przy dłuższym czekaniu ten sam dzwoniący podaje numer za jednym razem. A teraz wyobraź sobie dzwoniącego, który musi tylko powiedzieć „tak”. Dłuższe czekanie kosztuje go sekundę ciszy przy każdej turze. Właściwe ustawienie zależy od tego, których rozmów spodziewasz się częściej.
Dzwoniący z komórek dokładają kolejną komplikację. Telefony z agresywnym tłumieniem szumów czasem ucinają pierwszą sylabę zdania, więc początek mowy dociera z opóźnieniem. Jeśli dzwoniący często wydają się zaczynać mówić i być ignorowani, wypróbuj wyższą czułość na szum i przetestuj ponownie z telefonu komórkowego.
Odczytywanie objawów
Często słuchając rozmów, można stwierdzić, w którą stronę ustawienie jest błędne.
| Co słychać | Prawdopodobna przyczyna | Co wypróbować |
|---|---|---|
| Agent mówi jednocześnie z dzwoniącym | Za krótkie czekanie na ciszę lub niewychwycona cicha mowa | Podnieś próg ciszy, zwiększ czułość na szum |
| Długie pauzy przed każdą odpowiedzią | Za długie czekanie na ciszę | Nieco obniż próg |
| Agent reaguje na nic | Szum traktowany jako mowa, więc tura nigdy się nie zamyka | Zmniejsz czułość na szum |
| Agent ignoruje cicho mówiącego dzwoniącego | Mowa traktowana jako szum | Zwiększ czułość na szum |
| Odpowiedzi wydają się wolne mimo krótkiego czekania | Opóźnienie w innym miejscu procesu | Zobacz przewodnik o opóźnieniach |
Opóźnienie ma kilka źródeł poza VAD. Rozdziela je artykuł Opóźnienia głosowej AI: dlaczego odpowiedzi wydają się wolne, a artykuł Obsługa barge-in i przerywania opisuje, co się dzieje, gdy dzwoniący mówi w trakcie wypowiedzi agenta.
Więcej niż cisza: mądrzejsze rozstrzyganie końca tury
Sama cisza to toporny sygnał. Nowsze podejścia biorą pod uwagę także treść: zdanie kończące się na „i” albo „lub” czy niedokończony numer prawdopodobnie oznaczają, że nastąpi ciąg dalszy, a pełne pytanie raczej nie. Te metody opisujemy szerzej w artykule Zabieranie głosu przez agentów głosowych. Niezależnie od techniki traktuj deklaracje dostawców jako hipotezy i weryfikuj je na własnych połączeniach.
Przed uruchomieniem upewnij się, że
- Agent nie przerywa, gdy dzwoniący dyktują numery
- Pauza trwająca sekundę lub dwie nie jest traktowana jako koniec tury
- Dzwoniący na hałaśliwej ulicy nadal jest rozumiany
- Własny głos agenta nie uruchamia detektora
- Odsłuchano rozmowy z telefonów komórkowych, nie tylko biurkowych
- Wiesz, gdzie zmienić ustawienia, jeśli prawdziwe rozmowy ujawnią problem
Co dalej w Call
Otwórz ustawienia głosu agenta, przejrzyj sekcję transkrypcji i wykonaj połączenie testowe, które przez linię zadzwoni na Twój telefon. Następnie otwórz połączenie w historii połączeń, gdzie menedżer widzi, jak długo trwała każda wypowiedź, i porównaj to z tym, jak rozmowa była odczuwana. Drobne zmiany progu ciszy łatwiej ocenić, odsłuchując wersje jedna po drugiej, niż z pamięci.
Najczęstsze pytania
Co oznacza skrót VAD?
Voice activity detection, czyli wykrywanie aktywności głosowej. To część systemu głosowego, która odróżnia mowę od ciszy i szumu w tle.
Czy VAD to to samo co rozpoznawanie mowy?
Nie. VAD rozstrzyga tylko, czy ktoś mówi. Rozpoznawanie mowy zamienia mowę na tekst. Działają razem, a VAD decyduje też, kiedy przestać słuchać i zacząć odpowiadać.
Dlaczego agent czasem mi przerywa?
Czekanie na ciszę jest prawdopodobnie za krótkie jak na Twój sposób mówienia albo pauza została uznana za koniec Twojej wypowiedzi. Zwykle pomaga podniesienie progu ciszy.
Dlaczego przed odpowiedzią agenta jest długa pauza?
Czekanie na ciszę może być długie albo opóźnienie powstaje gdzie indziej, np. przy generowaniu odpowiedzi. Najpierw sprawdź ustawienia, potem przyjrzyj się czasom odpowiedzi w historii połączeń.
Czy hałas w tle wpływa na wynik?
Tak. Szum może zostać wzięty za mowę i utrzymywać turę otwartą, a cicha mowa może zostać wzięta za szum. Ustawienia czułości na szum i połączenia testowe z realistycznych miejsc pomagają znaleźć równowagę.
Czy jedno ustawienie pasuje do każdego dzwoniącego?
Rzadko. Wybierz wartość odpowiednią dla najbardziej wymagających pytań i przeglądaj prawdziwe rozmowy, bo cierpliwi i szybcy dzwoniący zachowują się inaczej.