Röst-AI-teknik

Speech-to-speech-modeller jämfört med kaskadkopplade röstkedjor

Två sätt att bygga en röstagent för telefon: speech-to-speech-modeller och kaskadkedjor. Vad var och en är bra på, var de brister och hur du väljer genom tester.

Redaktionen för Call · Publicerad · 5 min läsning

När du hör en röstagent prata ligger oftast en av två konstruktioner bakom. I den första gör programvara om kundens tal till text, en språkmodell skriver ett textsvar och en röstmotor läser upp det. I den andra lyssnar en enda modell på ljud och svarar med ljud. Leverantörer bråkar om vilken som är bäst. Det ärliga svaret är att båda kompromissar med något.

Ingenjörer som jämför ljudvågformer på en laptopskärm
Illustrationsbild

Den här guiden jämför de två med enkla ord så att du kan ställa bättre frågor när du väljer plattform. För en bredare introduktion, börja med Så fungerar röst-AI i ett telefonsamtal.

Den kaskadkopplade kedjan

En kaskadkopplad kedja, ibland kallad tal-till-text, sedan modell, sedan text-till-tal, har varit standardlösningen i många år. Varje steg är en separat komponent, och text skickas mellan dem.

Kaskadkopplad kedja

  1. TaligenkänningGör om kundens ljud till text.
  2. SpråkmodellLäser texten, med instruktioner och källor, och skriver ett svar.
  3. TalsyntesGör om svarstexten till talat ljud.
  4. TelefoniBär ljudet till och från kunden.

Eftersom mitten av systemet är vanlig text kan du läsa den, söka i den, lagra den, kontrollera den mot regler och byta ut vilket steg som helst. Du kan byta till en taligenkänning som klarar dina kunders accenter bättre eller en röst som passar ditt varumärke.

Speech-to-speech-metoden

En speech-to-speech-modell, även kallad end-to-end-modell eller inbyggd ljudmodell, hanterar ljud direkt. Den lyssnar på själva ljudet och genererar ljud som utdata, även om många sådana system också producerar text för loggning.

Speech-to-speech

  1. Ljud inKundens röst går direkt till modellen.
  2. En modellDen tolkar innebörd, ton och timing och planerar ett svar.
  3. Ljud utDen genererar det talade svaret direkt.
  4. TelefoniLjudet färdas till och från kunden.

Lockelsen är att inget går förlorat mellan stegen. En paus, ett skratt, en tvekan eller en suck kan påverka svaret, och modellen kan börja prata tidigare eftersom den inte väntar på tre separata steg.

Sida vid sida

Kaskadkopplad jämfört med speech-to-speech

KaskadkoppladSpeech-to-speech
NaturlighetBeror på varje steg; kan kännas stegvisOfta smidigare, med timing och ton bevarade
SvarstidSumman av tre steg, som kan finjusterasPotentiellt kortare, eftersom det blir färre överlämningar
KontrollHög: regler kan tillämpas på texten i varje stegLägre: svårare att granska vad som händer inuti
Transkriberingar och loggarNaturlig biproduktGenereras oftast separat och kan skilja sig från det som sades
Byta delarEnkelt: byt taligenkänning eller röst var för sigBegränsat till det modellen erbjuder
Val av röstStort utbud av rösterOfta ett mindre urval
MognadLång erfarenhetNyare, förändras snabbt

Var försiktig med påståenden om absolut överlägsenhet. Kvaliteten varierar mellan produkter inom varje kategori, och resultat i en ren demo håller kanske inte i ett brusigt mobilsamtal.

Vad som spelar roll för telefonsamtal

Telefonljud är smalbandigt och brusigt

Telefonljud är komprimerat och ofta brusigt. Vilken konstruktion du än väljer, kontrollera hur den presterar på verkligt telefonljud och inte bara på studioinspelningar. Varför telefonljud är svårt för taligenkänning förklarar effekten.

Kontroll och spårbarhet

Om du måste kunna visa vad en agent sa och varför hjälper det med text i varje steg. En kaskadkopplad konstruktion låter dig lägga in en kontroll mellan modellens svar och rösten. Med en end-to-end-modell förlitar du dig mer på leverantörens kontroller och på tester. Gå igenom Skyddsräcken för röst-AI-agenter och bestäm vad du behöver tvinga fram.

Avbrott och timing

Inbyggda ljudmodeller hanterar ofta överlappning och avbrott smidigare eftersom de hör kunden hela tiden. Kaskadkopplade system förlitar sig på detektering av tal och tystnad för att avgöra när de ska sluta och börja; se Röstaktivitetsdetektering och Turtagning i röstagenter. Bättre ingenjörskonst kan minska skillnaden, och skillnaden kan fortsätta att förändras.

Språk och accenter

Kontrollera de språk och accenter som är viktiga för dig genom att testa, i stället för att godta en lista i en broschyr. En modell som är stark på ett språk kan vara svagare på ett annat, och detsamma gäller enskilda steg i en kedja.

Välja utifrån din situation

Några påhittade scenarier visar hur prioriteringarna drar åt olika håll.

Frågor att ställa till en leverantör

  • Vilka steg använder systemet, och kan jag byta ut dem?
  • Får jag en transkribering av varje samtal, och är det vad modellen hörde?
  • Hur upprätthålls regler och begränsningar?
  • Hur beter det sig på mobila och brusiga linjer?
  • Vilka svarstider är typiska i verkliga telefonsamtal?
  • Hur hanteras avbrott?
  • Vad händer med ljudet och texten efteråt?

Där gränsen suddas ut

De två kategorierna är inte så skarpa som marknadsföringen antyder. Många speech-to-speech-produkter producerar ändå en transkribering vid sidan av ljudet, och många kaskadkopplade produkter strömmar delresultat mellan stegen så att talet börjar innan modellen har skrivit klart. En del system använder en inbyggd ljudmodell för samtalet och ett textsteg för uppslag eller regelkontroller. När en leverantör säger att produkten är end-to-end, fråga vad exakt som är end-to-end, och var text fortfarande förekommer.

Det spelar roll eftersom de praktiska frågorna inte ändras. Var kan du läsa vad som sades? Var kan en regel upprätthållas? Hur fångas ett felaktigt svar upp? En hybrid som ger dig en pålitlig transkribering och en naturlig röst kan vara den förnuftiga medelvägen, förutsatt att du kan verifiera båda delarna.

Testa rättvist

Jämförelser är lätta att snedvrida av misstag. Använd samma manus, samma typ av telefonlinje och samma bakgrundsbrus för varje kandidat. Testa från en mobil i en bil eller på en gata, inte bara från ett tyst rum. Ta med de besvärliga ögonblick som verkliga kunder skapar: en rättelse mitt i en mening, ett namn som stavas, en fråga utanför ramarna och en begäran om en människa.

Poängsätt varje samtal på några enkla punkter: var svaret korrekt, väntade agenten in kunden, hur långt var glappet före varje svar och hur slutade samtalet. En måttlig mängd samtal som poängsätts konsekvent säger mer än en polerad demo.

Så hanterar Call detta

Den praktiska lärdomen är att arkitekturen betyder mindre än beteendet i dina samtal. I Call börjar en AI-agent prata så fort den första delen av svaret är klar, förbereder hälsningar i förväg vid utgående samtal och håller svaren korta. Du ställer in röst och alternativ för transkribering, testar genom att ringa din egen telefon och läser samtalet efteråt i samtalshistoriken. Oavsett underliggande teknik, håll den till samma standard: svarar den korrekt, lämnar den över artigt och låter den acceptabel för dina kunder? Måtten i Så utvärderar du en röstagents samtal gäller för båda.

Vanliga frågor

Vad är en speech-to-speech-modell?

Det är en modell som tar emot talat ljud som indata och producerar talat ljud som utdata, utan ett separat textsteg mellan igenkänning och tal.

Vad är en kaskadkopplad röstkedja?

Det är en kedja av taligenkänning, en språkmodell och talsyntes, där text skickas mellan stegen.

Vilken är mest naturlig?

Speech-to-speech-system beskrivs ofta som smidigare, men kvaliteten skiljer sig mellan produkter. Bedöm genom att lyssna på samtal som liknar dina.

Vilken är lättast att granska?

Kaskadkopplade kedjor producerar text i varje steg, så loggar, kontroller och regler blir enklare. Med end-to-end-modeller, ta reda på vad leverantören registrerar och hur pålitligt det är.

Kan jag kombinera båda metoderna?

Vissa plattformar kombinerar dem, till exempel genom att använda en kaskadkopplad konstruktion för vissa samtal. Fråga hur ett system hanterar transkriberingar och regler i det läge det använder.

Påverkar valet kostnaden?

Det kan det göra, men priser och modeller ändras, så be leverantören om aktuella villkor och jämför dem med uppmätta resultat snarare än med rubrikpåståenden.

Testa en AI-agent på din egen telefonlinje med Call

I demokonsolen kan du prova inkommande samtal i en simulering.

Relaterade guider