Обнаружение голосовой активности: как понять, что звонящий закончил
Как обнаружение голосовой активности отличает речь от тишины, почему сбивается тайминг и как настроить ожидание тишины, чтобы агент не перебивал и не тормозил.
Когда двое говорят по телефону, они редко задумываются, кто говорит следующим. Голосовому агенту это приходится вычислять. Первый шаг — удивительно простой вопрос, который задаётся много раз в секунду: говорит ли кто-то прямо сейчас? Компонент, отвечающий на него, называется обнаружением голосовой активности, или VAD (voice activity detection).

В этом руководстве объясняется, что делает VAD, почему на телефонной линии ему труднее, чем в тихой комнате, что означают настройки и как их подобрать. Общая картина работы голосового агента — в статье «Как голосовой ИИ работает в телефонном звонке».
Что делает обнаружение голосовой активности
VAD рассматривает аудиопоток очень короткими отрезками и помечает каждый как речь или не речь. Простые варианты измеряют только громкость. Более совершенные — это обученные модели, которые распознают характерный рисунок человеческой речи и игнорируют щелчки клавиатуры, проезжающий грузовик или телевизор на фоне.
Эти пометки определяют три решения голосового агента:
- Начало речи: звонящий заговорил, значит, агенту нужно слушать и, если он сам говорит, подумать о том, чтобы замолчать.
- Конец речи: звонящий молчит достаточно долго, его реплика, вероятно, закончена, и агент может отвечать.
- Нечего расшифровывать: если в аудио только шум, распознавателю речи не приходится угадывать слова.
Поскольку всё, что идёт после VAD, зависит от него, плохой VAD выставляет хорошего агента в дурном свете. Ответ, прозвучавший, пока звонящий ещё говорит, редко бывает языковой проблемой; обычно это проблема тайминга.
Почему в телефонных звонках сложнее
Телефонная линия — узкий сжатый канал, по которому часто говорит человек на улице, в машине или в магазине. Это сочетание размывает границу между речью и шумом. Сам звук разобран в статье «Почему телефонный звук труден для распознавания речи»; здесь — эффекты, касающиеся именно VAD.
Что сбивает детектор
- Фоновый шумДорожный шум, ветер и разговоры в кафе можно принять за речь, и реплика не закрывается.
- Тихая речьТихий голос может быть принят за тишину, и агент заговорит поверх звонящего.
- Паузы посреди фразыЛюди останавливаются подумать, продиктовать имя по буквам или найти номер в сумке.
- Эхо и самопрослушиваниеСобственный голос агента, просачивающийся обратно, может выглядеть как речь звонящего.
- Вдохи и междометияЗвуки вроде «хм» или вздох могут считаться, а могут не считаться репликой.
Компромисс порога тишины
Самая важная настройка — сколько должна длиться тишина, прежде чем система решит, что звонящий закончил. Назовём её порогом тишины. Это компромисс, у которого нет идеального значения.
Короткий и длинный порог тишины
| Короткое ожидание | Длинное ожидание | |
|---|---|---|
| Ощущение от звонка | Быстрый и живой | Медленнее, размереннее |
| Риск | Вмешивается, пока звонящий думает или диктует номер | Мёртвая тишина после каждого ответа; звонящие повторяются |
| Подходит для | Коротких обменов «да/нет» | Имён, адресов, данных учётной записи, пожилых или неуверенных звонящих |
Подумайте о содержании звонка. Если вы в основном задаёте вопросы «да/нет», подойдёт короткое ожидание. Если звонящим нужно продиктовать адрес электронной почты или номер обращения, более долгое ожидание не даст агенту вмешаться в паузу между цифрами.
Разная скорость для разных вопросов
Некоторые системы позволяют менять терпеливость в зависимости от вопроса. Будьте быстры, когда спрашиваете, нужен ли обратный звонок, и терпеливы, когда спрашиваете почтовый индекс. Если ваша платформа этого не поддерживает, выберите настройку под самый трудный вопрос: перебить звонящего раздражает сильнее, чем короткая пауза.
Настройка VAD в Call
В Call у каждого ИИ-агента есть раздел «Транскрибер», где вы выбираете язык, который он слушает, или разрешаете определять язык автоматически. Два ползунка определяют, как он решает, что звонящий закончил. Порог тишины — число секунд тишины, после которого реплика звонящего считается законченной, — настраивается от 0 до 1,5 секунды: меньше — быстрее смена реплик, больше — допускаются более долгие паузы. Ползунок чувствительности к шуму делает агента более или менее чувствительным к фоновым звукам. Баннер на этой странице сообщает, какие из этих настроек сейчас используются в реальных звонках, поэтому проверьте его, прежде чем тратить время на подстройку.
Простой цикл настройки
- Начните со значений по умолчаниюСделайте базовую серию тестовых звонков, прежде чем что-либо менять.
- Проверьте трудные случаиПозвоните из шумного места, говорите медленно, сделайте паузу посреди номера, говорите тихо.
- Измените одну настройкуМеняйте либо тишину, либо чувствительность к шуму, но не обе сразу.
- Повторите проверку и сравнитеИспользуйте тот же сценарий, чтобы различия объяснялись настройкой.
- Просмотрите реальные звонкиИщите в расшифровках перебитых звонящих или длинные паузы и снова корректируйте.
Представьте условного звонящего, который диктует номер бронирования. Он называет первые четыре символа, заглядывает в письмо с подтверждением и продолжает через две секунды. При коротком ожидании агент уже ответил, звонящий начинает заново, и они говорят одновременно. При более долгом ожидании тот же звонящий называет номер за один раз. А теперь представьте звонящего, которому нужно лишь сказать «да». Более долгое ожидание стоит ему секунды тишины на каждой реплике. Правильная настройка зависит от того, каких звонков вы ждёте чаще.
Мобильные звонящие добавляют ещё одну сложность. Телефоны с агрессивным шумоподавлением иногда срезают первый слог фразы, и начало речи фиксируется с опозданием. Если звонящие часто начинают говорить, а их будто не слышат, попробуйте более чувствительную настройку шума и снова проверьте с мобильного.
Как читать симптомы
Часто по звонкам можно понять, в какую сторону ошибочна настройка.
| Что вы слышите | Вероятная причина | Что попробовать |
|---|---|---|
| Агент говорит поверх звонящего | Слишком короткое ожидание тишины или пропущена тихая речь | Повысить порог тишины, увеличить чувствительность к шуму |
| Долгие паузы перед каждым ответом | Слишком долгое ожидание тишины | Немного снизить порог |
| Агент вообще ни на что не отвечает | Шум принимается за речь, и реплика не закрывается | Снизить чувствительность к шуму |
| Агент игнорирует тихо говорящего звонящего | Речь принимается за шум | Увеличить чувствительность к шуму |
| Ответы кажутся медленными даже при коротком ожидании | Задержка в другом месте конвейера | См. руководство о задержках |
Помимо VAD, у задержки есть и другие источники. Их разбирает статья «Задержка голосового ИИ: почему ответы кажутся медленными», а о том, что происходит, когда звонящий говорит одновременно с агентом, — статья «Как обрабатывать перебивания (barge-in)».
Не только тишина: более умное определение конца реплики
Тишина сама по себе — грубый сигнал. Новые подходы учитывают и то, что было сказано: фраза, оборвавшаяся на «и», или недоговорённый номер, скорее всего, означают продолжение, а законченный вопрос — скорее нет. Подробнее эти методы описаны в статье «Очерёдность реплик у голосовых агентов». Какой бы ни была техника, считайте заявления поставщиков гипотезами и проверяйте их на собственных звонках.
Перед запуском убедитесь, что
- Агент не перебивает, когда звонящие диктуют числа
- Пауза в секунду-две не считается концом реплики
- Звонящего с шумной улицы всё равно удаётся понять
- Собственный голос агента не запускает детектор
- Вы прослушали звонки с мобильных, а не только со стационарных телефонов
- Вы знаете, где менять настройки, если реальные звонки выявят проблему
Что делать дальше в Call
Откройте голосовые настройки агента, просмотрите раздел транскрибера и сделайте тестовый звонок, который через линию позвонит на ваш собственный телефон. Затем откройте звонок в истории звонков, где руководитель видит, сколько длилась каждая реплика, и сравните это с тем, каким звонок ощущался. Небольшие изменения порога тишины проще оценить, прослушав варианты подряд, чем по памяти.
Частые вопросы
Что означает VAD?
Voice activity detection — обнаружение голосовой активности. Это часть голосовой системы, которая отличает речь от тишины и фонового шума.
VAD — это то же самое, что распознавание речи?
Нет. VAD только решает, говорит ли кто-то. Распознавание речи превращает речь в текст. Они работают вместе, и VAD также решает, когда перестать слушать и начать отвечать.
Почему агент иногда меня перебивает?
Вероятно, ожидание тишины слишком короткое для вашей манеры речи или пауза была принята за конец реплики. Обычно помогает повышение порога тишины.
Почему перед ответом агента долгая пауза?
Ожидание тишины может быть долгим, или задержка возникает в другом месте, например при генерации ответа. Сначала проверьте настройки, затем посмотрите время ответа в истории звонков.
Влияет ли фоновый шум на результат?
Да. Шум можно принять за речь, и реплика не закроется, а тихую речь — за шум. Найти баланс помогают настройки чувствительности к шуму и тестовые звонки из реалистичных мест.
Может ли одна настройка подойти всем звонящим?
Редко. Выберите значение под самые требовательные вопросы и просматривайте реальные звонки: терпеливые и быстрые звонящие ведут себя по-разному.