Tehnologia AI vocală

Detectarea activității vocale: când a terminat apelantul

Cum deosebește detectarea activității vocale vorbirea de tăcere, de ce greșește sincronizarea și cum reglați pauza ca agentul să nu întrerupă și să nu întârzie.

Echipa editorială Call · Publicat · 6 min de citit

Când doi oameni vorbesc la telefon, rareori se gândesc cine vorbește următorul. Un agent vocal trebuie să calculeze acest lucru. Primul pas este o întrebare surprinzător de simplă, pusă de multe ori pe secundă: vorbește cineva chiar acum? Componenta care răspunde se numește detectarea activității vocale, sau VAD (voice activity detection).

O persoană care vorbește în microfonul unei căști telefonice, la birou
Imagine ilustrativă

Acest ghid explică ce face VAD, de ce este mai dificilă pe o linie telefonică decât într-o cameră liniștită, ce înseamnă setările și cum le reglați. Pentru imaginea de ansamblu a modului în care funcționează un agent vocal, citiți Cum funcționează AI-ul vocal într-un apel telefonic.

Ce face detectarea activității vocale

VAD analizează fluxul audio în fragmente foarte scurte și îl etichetează pe fiecare drept vorbire sau non-vorbire. Versiunile simple măsoară doar intensitatea sunetului. Cele mai bune sunt modele antrenate care recunosc tiparul vorbirii umane și ignoră clicurile de tastatură, un camion care trece sau un televizor în fundal.

Etichetele alimentează trei decizii ale unui agent vocal:

Pentru că tot ce urmează după VAD depinde de ea, o VAD slabă face ca un agent bun să pară prost. Un răspuns care sosește în timp ce apelantul încă vorbește este rareori o problemă de limbaj; de obicei este o problemă de sincronizare.

De ce apelurile telefonice o fac mai dificilă

O linie telefonică este un canal îngust și comprimat, care transmite adesea vocea unui apelant aflat pe stradă, în mașină sau într-un magazin. Această combinație estompează granița dintre vorbire și zgomot. De ce sunetul telefonic este dificil pentru recunoașterea vocală analizează sunetul în sine; iată efectele specifice asupra VAD.

Ce derutează un detector

  • Zgomotul de fondTraficul, vântul și vorbăria dintr-o cafenea pot fi confundate cu vorbirea și mențin rândul deschis.
  • Vorbitorii cu voce scăzutăO voce încetă poate fi clasificată drept tăcere, iar agentul vorbește peste apelant.
  • Pauzele în mijlocul propozițieiOamenii se opresc să se gândească, să silabisească un nume sau să caute un număr în geantă.
  • Ecoul și retroacțiuneaPropria voce a agentului, care se întoarce pe linie, poate părea vorbirea apelantului.
  • Respirații și interjecțiiSunete precum „hmm” sau un oftat pot conta sau nu drept replică.

Compromisul pragului de tăcere

Setarea care contează cel mai mult este cât trebuie să dureze o tăcere înainte ca sistemul să decidă că apelantul a terminat. Să o numim pragul de tăcere. Este un compromis fără o valoare perfectă.

Prag de tăcere scurt versus lung

Așteptare scurtăAșteptare lungă
Senzația apeluluiRapid și dinamicMai lent, mai așezat
RiscÎntrerupe când apelantul se gândește sau dictează un numărTăcere după fiecare răspuns; apelanții se repetă
Potrivit pentruSchimburi scurte de tip da sau nuNume, adrese, date de cont, apelanți în vârstă sau ezitanți

Gândiți-vă la conținutul apelului. Dacă puneți mai ales întrebări de tip da sau nu, o așteptare scurtă funcționează. Dacă apelanții trebuie să dicteze o adresă de e-mail sau un număr de referință, o așteptare mai lungă împiedică agentul să intervină în pauza dintre cifre.

Viteze diferite pentru întrebări diferite

Unele sisteme vă permit să variați răbdarea în funcție de întrebare. Fiți rapid când întrebați dacă apelantul vrea un apel înapoi; fiți răbdător când cereți codul poștal. Dacă platforma nu permite acest lucru, alegeți setarea potrivită pentru cea mai dificilă întrebare, pentru că întreruperea unui apelant este mai iritantă decât o pauză scurtă.

Reglarea setărilor VAD în Call

În Call, fiecare agent AI are o secțiune Transcriber în care alegeți limba pe care o ascultă sau îl lăsați să detecteze automat limba. Două glisoare determină cum decide că apelantul a terminat. Pragul de tăcere este numărul de secunde de liniște după care se încheie rândul apelantului, reglabil între 0 și 1,5 secunde; o valoare mai mică înseamnă alternarea mai rapidă a replicilor, iar una mai mare permite pauze mai lungi. Glisorul de sensibilitate la zgomot face agentul mai mult sau mai puțin sensibil la sunetele de fond. Un banner pe acea pagină vă arată care dintre aceste setări sunt folosite astăzi în apelurile reale, așa că verificați-l înainte să pierdeți timp cu ajustări.

Un ciclu simplu de reglare

  1. Porniți de la valorile impliciteFaceți un set de apeluri de test de referință înainte de a schimba ceva.
  2. Testați cazurile dificileSunați dintr-un loc zgomotos, vorbiți rar, faceți o pauză în mijlocul unui număr, vorbiți încet.
  3. Schimbați o singură setareAjustați fie tăcerea, fie sensibilitatea la zgomot, nu pe amândouă deodată.
  4. Testați din nou și comparațiFolosiți același scenariu, ca diferențele să fie cauzate de setare.
  5. Analizați apelurile realeCăutați în transcrieri apelanți întrerupți sau pauze lungi și ajustați din nou.

Să luăm un apelant ipotetic care comunică o referință de rezervare. Spune primele patru caractere, se uită în e-mailul de confirmare și continuă după două secunde. Cu o așteptare scurtă, agentul a răspuns deja, apelantul o ia de la capăt și cei doi vorbesc unul peste altul. Cu o așteptare mai lungă, același apelant spune referința dintr-o suflare. Acum imaginați-vă un apelant care trebuie doar să spună da. Așteptarea mai lungă îl costă o secundă de tăcere la fiecare replică. Setarea potrivită depinde de care dintre aceste apeluri vă așteptați să apară mai des.

Apelanții de pe mobil adaugă o complicație în plus. Telefoanele cu suprimare agresivă a zgomotului taie uneori prima silabă a unei propoziții, așa că începutul vorbirii ajunge cu întârziere. Dacă apelanții par adesea să înceapă să vorbească și să fie ignorați, încercați setarea mai sensibilă la zgomot și testați din nou de pe un telefon mobil.

Interpretarea simptomelor

Ascultând apelurile, vă puteți da seama adesea în ce direcție greșește o setare.

Ce auzițiCauza probabilăCe să încercați
Agentul vorbește peste apelantAșteptare prea scurtă sau vorbire încetă neobservatăCreșteți pragul de tăcere, măriți sensibilitatea la zgomot
Pauze lungi înaintea fiecărui răspunsAșteptare prea lungăScădeți puțin pragul
Agentul răspunde la nimicZgomotul este tratat drept vorbire, așa că rândul nu se încheie niciodatăReduceți sensibilitatea la zgomot
Agentul ignoră un apelant care vorbește încetVorbirea este tratată drept zgomotMăriți sensibilitatea la zgomot
Răspunsurile par lente chiar și cu o așteptare scurtăÎntârziere în altă parte a lanțului de procesareVedeți ghidul despre latență

Întârzierea are mai multe surse în afară de VAD. Latența AI-ului vocal: de ce par lente răspunsurile le separă, iar Gestionarea barge-in și a întreruperilor tratează ce se întâmplă când apelantul vorbește în timp ce vorbește agentul.

Dincolo de tăcere: decizii mai inteligente despre sfârșitul replicii

Tăcerea singură este un semnal grosier. Abordările mai noi iau în calcul și ce s-a spus: o propoziție care se termină cu „și” sau un număr rostit pe jumătate înseamnă probabil că urmează ceva, în timp ce o întrebare completă probabil nu. Aceste metode sunt descrise mai pe larg în Alternarea replicilor la agenții vocali. Oricare ar fi tehnica, tratați afirmațiile furnizorilor ca pe niște ipoteze și verificați-le cu propriile apeluri.

Înainte de lansare, confirmați că

  • Agentul nu întrerupe când apelanții dictează numere
  • O pauză de o secundă sau două nu este tratată drept sfârșitul replicii
  • Un apelant de pe o stradă zgomotoasă poate fi înțeles
  • Propria voce a agentului nu declanșează detectorul
  • Ați ascultat apeluri de pe telefoane mobile, nu doar de pe telefoane de birou
  • Știți unde să modificați setările dacă apelurile reale scot la iveală o problemă

Ce să faceți în continuare în Call

Deschideți setările vocale ale agentului, verificați secțiunea Transcriber și faceți un apel de test care vă sună pe propriul telefon prin linie. Apoi deschideți apelul în istoricul apelurilor, unde un manager poate vedea cât a durat fiecare replică, și comparați cu senzația pe care v-a lăsat-o apelul. Modificările mici ale pragului de tăcere se judecă mai ușor ascultând variantele una lângă alta decât din memorie.

Întrebări frecvente

Ce înseamnă VAD?

Voice activity detection, adică detectarea activității vocale. Este partea unui sistem vocal care deosebește vorbirea de tăcere și de zgomotul de fond.

Este VAD același lucru cu recunoașterea vocală?

Nu. VAD decide doar dacă vorbește cineva. Recunoașterea vocală transformă vorbirea în text. Funcționează împreună, iar VAD decide și când agentul încetează să asculte și începe să răspundă.

De ce mă întrerupe uneori agentul?

Probabil așteptarea pentru tăcere este prea scurtă pentru felul în care vorbiți sau o pauză a fost tratată drept sfârșitul replicii. Creșterea pragului de tăcere ajută de obicei.

De ce există o pauză lungă înainte ca agentul să răspundă?

Așteptarea pentru tăcere poate fi lungă sau întârzierea se află în altă parte, de exemplu la generarea răspunsului. Verificați mai întâi setările, apoi uitați-vă la timpii de răspuns în istoricul apelurilor.

Afectează zgomotul de fond rezultatul?

Da. Zgomotul poate fi confundat cu vorbirea și poate menține rândul deschis, iar vorbirea încetă poate fi confundată cu zgomotul. Setările de sensibilitate la zgomot și apelurile de test din locuri realiste vă ajută să găsiți un echilibru.

Poate o singură setare să se potrivească tuturor apelanților?

Rareori. Alegeți o valoare potrivită pentru cele mai pretențioase întrebări și analizați apelurile reale, pentru că apelanții răbdători și cei grăbiți se comportă diferit.

Reglați în Call cum decide agentul AI că apelantul a terminat

În consola demo puteți încerca apeluri primite într-o simulare.

Ghiduri conexe