Detekcia hlasovej aktivity: kedy volajúci dohovoril
Ako detekcia hlasovej aktivity rozlišuje reč a ticho, prečo sa načasovanie pokazí a ako nastaviť čakanie na ticho, aby agent neskákal do reči ani nemeškal.
Keď spolu dvaja ľudia telefonujú, len zriedka premýšľajú, kto bude hovoriť ďalej. Hlasový agent to musí vypočítať. Prvým krokom je prekvapivo jednoduchá otázka kladená mnohokrát za sekundu: hovorí niekto práve teraz? Komponent, ktorý na ňu odpovedá, sa nazýva detekcia hlasovej aktivity alebo VAD.

Tento návod vysvetľuje, čo VAD robí, prečo je to na telefónnej linke ťažšie než v tichej miestnosti, čo znamenajú nastavenia a ako ich vyladiť. Celkový obraz toho, ako hlasový agent funguje, ponúka článok Ako funguje hlasová AI počas telefonického hovoru.
Čo robí detekcia hlasovej aktivity
VAD sleduje zvukový tok vo veľmi krátkych úsekoch a každý označí ako reč alebo nereč. Jednoduché verzie merajú len hlasitosť. Lepšie sú trénované modely, ktoré rozpoznávajú vzorec ľudskej reči a ignorujú klikanie klávesnice, prechádzajúci kamión či televízor v pozadí.
Tieto označenia živia v hlasovom agentovi tri rozhodnutia:
- Začiatok reči: volajúci začal hovoriť, preto by mal agent počúvať, a ak práve hovorí, zvážiť, či neprestať.
- Koniec reči: volajúci je ticho dosť dlho na to, že jeho replika pravdepodobne skončila, takže agent môže odpovedať.
- Nie je čo prepisovať: ak zvuk obsahuje len hluk, rozpoznávač reči nie je požiadaný, aby hádal slová.
Keďže všetko za VAD od nej závisí, slabá VAD urobí z dobrého agenta zlého. Odpoveď, ktorá príde, kým volajúci ešte hovorí, je len zriedka jazykový problém; zvyčajne ide o problém načasovania.
Prečo sú telefonické hovory ťažšie
Telefónna linka je úzky, komprimovaný kanál, ktorý často prenáša volajúceho na ulici, v aute alebo v obchode. Táto kombinácia stiera hranicu medzi rečou a hlukom. Samotnému zvuku sa venuje článok Prečo je telefonický zvuk pre rozpoznávanie reči náročný; tu sú účinky špecifické pre VAD.
Čo detektor mätie
- Hluk v pozadíDoprava, vietor a vravu v kaviarni možno zameniť za reč a replika zostane otvorená.
- Tichí hovoriaciJemný hlas môže byť vyhodnotený ako ticho, takže agent hovorí cez volajúceho.
- Pauzy uprostred vetyĽudia sa zastavia, aby premýšľali, hláskovali meno alebo hľadali číslo v taške.
- Ozvena a príposluchVlastný hlas agenta, ktorý presakuje späť, môže vyzerať ako reč volajúceho.
- Nádychy a výplňové zvukyZvuky ako hmm alebo povzdych sa môžu, ale nemusia počítať ako replika.
Kompromis prahu ticha
Najdôležitejším nastavením je, ako dlho musí ticho trvať, kým systém usúdi, že volajúci dohovoril. Nazvime ho prah ticha. Je to kompromis bez dokonalej hodnoty.
Krátky verzus dlhý prah ticha
| Krátke čakanie | Dlhé čakanie | |
|---|---|---|
| Dojem z hovoru | Rýchly a živý | Pomalší, rozvážnejší |
| Riziko | Skočí do reči, keď volajúci premýšľa alebo číta číslo | Hluché ticho po každej odpovedi; volajúci sa opakujú |
| Vhodné pre | Krátke výmeny áno alebo nie | Mená, adresy, údaje účtu, starší či váhaví volajúci |
Myslite na obsah hovoru. Ak sa väčšinou pýtate otázky áno alebo nie, krátke čakanie funguje. Ak musia volajúci uviesť e-mailovú adresu alebo referenčné číslo, dlhšie čakanie zabráni tomu, aby agent skočil do pauzy medzi číslicami.
Rôzna rýchlosť pre rôzne otázky
Niektoré systémy umožňujú meniť trpezlivosť podľa otázky. Buďte rýchli, keď sa pýtate, či volajúci chce spätné zavolanie; trpezliví, keď sa pýtate na PSČ. Ak to vaša platforma nepodporuje, zvoľte nastavenie, ktoré vyhovuje vašej najťažšej otázke, pretože prerušenie volajúceho irituje viac než krátka pauza.
Ladenie nastavení VAD v Call
V Call má každý AI agent sekciu Prepis reči, kde vyberiete jazyk, ktorému má rozumieť, alebo ho necháte rozpoznať automaticky. Dva posuvníky určujú, ako rozhodne, že volajúci dohovoril. Prah ticha je počet sekúnd ticha, po ktorých replika volajúceho skončí, nastaviteľný od 0 do 1,5 sekundy; nižšia hodnota znamená rýchlejšie striedanie a vyššia dovoľuje dlhšie pauzy. Posuvník Citlivosť na hluk robí agenta viac alebo menej citlivým na zvuky v pozadí. Pruh na tejto stránke vám povie, ktoré z týchto nastavení dnes používajú ostré hovory, preto ho skontrolujte skôr, než budete tráviť čas úpravami.
Jednoduchý cyklus ladenia
- Začnite predvolenými hodnotamiPred akoukoľvek zmenou urobte východiskovú sadu testovacích hovorov.
- Otestujte ťažké prípadyVolajte z hlučného miesta, hovorte pomaly, urobte pauzu uprostred čísla, hovorte potichu.
- Zmeňte jedno nastavenieUpravte buď ticho, alebo citlivosť na hluk, nie obe naraz.
- Znova otestujte a porovnajtePoužite rovnaký scenár, aby rozdiely spôsobilo nastavenie.
- Kontrolujte skutočné hovoryV prepisoch hľadajte prerušených volajúcich alebo dlhé medzery a znova upravte.
Predstavte si hypotetického volajúceho, ktorý uvádza číslo rezervácie. Povie prvé štyri znaky, pozrie sa do potvrdzovacieho e-mailu a po dvoch sekundách pokračuje. Pri krátkom čakaní už agent odpovedal, volajúci začne odznova a obaja hovoria cez seba. Pri dlhšom čakaní ten istý volajúci dokončí číslo naraz. Teraz si predstavte volajúceho, ktorý má povedať len áno. Dlhšie čakanie ho pri každej replike stojí sekundu ticha. Správne nastavenie závisí od toho, ktorý z týchto hovorov očakávate častejšie.
Volajúci z mobilu pridávajú ďalší háčik. Telefóny s agresívnym potlačením hluku niekedy odstrihnú prvú slabiku vety, takže začiatok reči príde neskoro. Ak sa často zdá, že volajúci začnú hovoriť a agent ich ignoruje, vyskúšajte citlivejšie nastavenie hluku a znova otestujte z mobilného telefónu.
Ako čítať príznaky
Počúvaním hovorov často zistíte, ktorým smerom je nastavenie zlé.
| Čo počujete | Pravdepodobná príčina | Čo vyskúšať |
|---|---|---|
| Agent hovorí cez volajúceho | Príliš krátke čakanie na ticho alebo prehliadnutá tichá reč | Zvýšte prah ticha, zvýšte citlivosť na hluk |
| Dlhé pauzy pred každou odpoveďou | Príliš dlhé čakanie na ticho | Prah mierne znížte |
| Agent reaguje na úplne nič | Hluk sa považuje za reč, takže replika sa nikdy neuzavrie | Znížte citlivosť na hluk |
| Agent ignoruje potichu hovoriaceho volajúceho | Reč sa považuje za hluk | Zvýšte citlivosť na hluk |
| Odpovede pôsobia pomaly aj pri krátkom čakaní | Oneskorenie inde v reťazci | Pozrite si návod o latencii |
Oneskorenie má okrem VAD viacero zdrojov. Rozlišuje ich článok Latencia hlasovej AI: prečo odpovede pôsobia pomaly a čo sa deje, keď volajúci prehovorí, kým agent hovorí, vysvetľuje článok Prerušenia a skákanie do reči.
Viac než ticho: múdrejšie rozhodovanie o konci repliky
Samotné ticho je hrubý signál. Novšie prístupy berú do úvahy aj to, čo zaznelo: veta, ktorá končí slovom a alebo napoly vysloveným číslom, pravdepodobne znamená, že príde ešte niečo, zatiaľ čo úplná otázka pravdepodobne nie. Tieto metódy bližšie popisuje článok Striedanie sa v reči pri hlasových agentoch. Nech je technika akákoľvek, tvrdenia dodávateľov berte ako hypotézy a overte ich vlastnými hovormi.
Pred spustením si overte, že
- Agent neprerušuje, keď volajúci diktujú čísla
- Pauza jednej či dvoch sekúnd sa nepovažuje za koniec repliky
- Volajúcemu na hlučnej ulici je stále rozumieť
- Vlastný hlas agenta nespúšťa detektor
- Počúvali ste hovory z mobilných telefónov, nielen zo stolových
- Viete, kde zmeniť nastavenia, ak skutočné hovory odhalia problém
Čo urobiť ďalej v Call
Otvorte hlasové nastavenia agenta, skontrolujte sekciu prepisu reči a uskutočnite testovací hovor, ktorý cez linku zazvoní na váš vlastný telefón. Potom hovor otvorte v histórii hovorov, kde manažér vidí, ako dlho trvala každá hovorená replika, a porovnajte to s tým, ako hovor pôsobil. Malé zmeny prahu ticha sa lepšie posudzujú pri počúvaní vedľa seba než spamäti.
Často kladené otázky
Čo znamená skratka VAD?
Voice activity detection, teda detekcia hlasovej aktivity. Je to časť hlasového systému, ktorá odlišuje reč od ticha a hluku v pozadí.
Je VAD to isté ako rozpoznávanie reči?
Nie. VAD len rozhoduje, či niekto hovorí. Rozpoznávanie reči premieňa reč na text. Spolupracujú a VAD tiež rozhoduje, kedy prestať počúvať a začať odpovedať.
Prečo ma agent niekedy preruší?
Čakanie na ticho je pre váš spôsob reči pravdepodobne príliš krátke alebo bola pauza vyhodnotená ako koniec vašej repliky. Zvyčajne pomôže zvýšiť prah ticha.
Prečo je pred odpoveďou agenta dlhá pauza?
Čakanie na ticho môže byť dlhé alebo je oneskorenie inde, napríklad pri generovaní odpovede. Najprv skontrolujte nastavenia, potom sa pozrite na časovanie odpovedí v histórii hovorov.
Ovplyvňuje výsledok hluk v pozadí?
Áno. Hluk možno zameniť za reč a replika zostane otvorená a tichú reč možno zameniť za hluk. Nastavenia citlivosti na hluk a testovacie hovory z realistických miest vám pomôžu nájsť rovnováhu.
Môže jedno nastavenie vyhovovať každému volajúcemu?
Zriedka. Zvoľte hodnotu, ktorá vyhovuje vašim najnáročnejším otázkam, a kontrolujte skutočné hovory, pretože trpezliví a rýchli volajúci sa správajú rozdielne.