Виявлення голосової активності: як зрозуміти, що абонент договорив
Як виявлення голосової активності відрізняє мовлення від тиші, чому збивається таймінг і як налаштувати паузу, щоб агент не перебивав і не запізнювався.
Коли двоє розмовляють телефоном, вони рідко замислюються, хто говоритиме наступним. Голосовий агент мусить це обчислювати. Перший крок — напрочуд просте запитання, яке ставиться багато разів на секунду: чи хтось зараз говорить? Компонент, що на нього відповідає, називається виявленням голосової активності, або VAD.

Цей посібник пояснює, що робить VAD, чому на телефонній лінії це складніше, ніж у тихій кімнаті, що означають налаштування і як їх підібрати. Загальну картину роботи голосового агента дає матеріал Як голосовий ШІ працює під час телефонного дзвінка.
Що робить виявлення голосової активності
VAD розглядає аудіопотік дуже короткими фрагментами й позначає кожен як мовлення чи не-мовлення. Прості версії лише вимірюють гучність. Кращі — це навчені моделі, що розпізнають характерний малюнок людського мовлення й ігнорують клацання клавіатури, вантажівку, що проїжджає повз, чи телевізор на фоні.
Ці позначки живлять три рішення голосового агента:
- Початок мовлення: абонент заговорив, тож агент має слухати, а якщо говорить сам — подумати, чи не зупинитися.
- Кінець мовлення: абонент мовчить достатньо довго, щоб його репліка, імовірно, завершилася, тож агент може відповідати.
- Нічого розпізнавати: якщо у звуці лише шум, систему розпізнавання мовлення не змушують вгадувати слова.
Оскільки все, що йде після VAD, від нього залежить, поганий VAD робить доброго агента поганим. Відповідь, що звучить, поки абонент ще говорить, рідко є мовною проблемою; зазвичай це проблема таймінгу.
Чому телефонні дзвінки ускладнюють завдання
Телефонна лінія — це вузький стиснений канал, яким часто говорить абонент на вулиці, в авто чи в магазині. Таке поєднання розмиває межу між мовленням і шумом. Матеріал Чому телефонний звук складний для розпізнавання мовлення розглядає сам звук; тут ідеться про ефекти, характерні саме для VAD.
Що збиває детектор
- Фоновий шумВуличний рух, вітер і гомін кав'ярні можна сплутати з мовленням, і репліка не закривається.
- Тихе мовленняТихий голос можуть віднести до тиші, і агент заговорить поверх абонента.
- Паузи посеред реченняЛюди зупиняються подумати, продиктувати ім'я по літерах чи знайти номер у сумці.
- Відлуння й самопрослуховуванняВласний голос агента, що повертається в лінію, може виглядати як мовлення абонента.
- Подихи й слова-паразитиЗвуки на кшталт «гм» чи зітхання можуть вважатися або не вважатися реплікою.
Компроміс порогу тиші
Найважливіше налаштування — скільки має тривати тиша, перш ніж система вирішить, що абонент договорив. Назвімо це порогом тиші. Це компроміс без ідеального значення.
Короткий і довгий поріг тиші
| Коротке очікування | Довге очікування | |
|---|---|---|
| Відчуття від розмови | Швидко й жваво | Повільніше, виваженіше |
| Ризик | Перебиває, поки абонент думає чи диктує номер | Мертва тиша після кожної відповіді; абоненти повторюються |
| Підходить для | Коротких обмінів «так» чи «ні» | Імен, адрес, даних облікового запису, літніх чи нерішучих абонентів |
Подумайте про зміст дзвінка. Якщо ви здебільшого ставите запитання «так чи ні», коротке очікування працює. Якщо абоненти мають назвати адресу електронної пошти чи номер замовлення, довше очікування не дасть агентові втрутитися в паузу між цифрами.
Різна швидкість для різних запитань
Деякі системи дають змогу змінювати терплячість залежно від запитання. Будьте швидкими, коли питаєте, чи потрібен абонентові зворотний дзвінок; будьте терплячими, коли питаєте поштовий індекс. Якщо ваша платформа цього не підтримує, обирайте налаштування під найскладніше запитання, бо перебити абонента прикріше, ніж зробити коротку паузу.
Налаштування VAD у Call
У Call кожен ШІ-агент має розділ «Транскрибер», де ви вибираєте мову, яку він слухає, або дозволяєте визначати мову автоматично. Два повзунки визначають, як він вирішує, що абонент договорив. Поріг тиші — кількість секунд тиші, після якої репліка абонента завершується; його можна налаштувати від 0 до 1,5 секунди: менше значення — швидша зміна реплік, більше — дозволяє довші паузи. Повзунок чутливості до шуму робить агента більш чи менш чутливим до фонових звуків. Банер на цій сторінці показує, які з цих налаштувань сьогодні використовують живі дзвінки, тож перевірте його, перш ніж витрачати час на коригування.
Простий цикл налаштування
- Почніть зі стандартних значеньПерш ніж щось змінювати, зробіть базовий набір тестових дзвінків.
- Перевірте складні випадкиЗателефонуйте з галасливого місця, говоріть повільно, зробіть паузу посеред номера, говоріть тихо.
- Змініть одне налаштуванняКоригуйте або тишу, або чутливість до шуму, але не обидва одночасно.
- Протестуйте знову й порівняйтеВикористовуйте той самий сценарій, щоб різницю спричиняло саме налаштування.
- Перегляньте справжні дзвінкиШукайте в розшифровках перебитих абонентів чи довгі паузи й коригуйте знову.
Уявіть умовного абонента, який диктує номер бронювання. Він називає перші чотири символи, заглядає в лист із підтвердженням і продовжує через дві секунди. За короткого очікування агент уже відповів, абонент починає спочатку, і вони говорять одне поверх одного. За довшого очікування той самий абонент диктує номер за один раз. А тепер уявіть абонента, якому треба сказати лише «так». Довше очікування коштує йому секунди тиші на кожній репліці. Правильне налаштування залежить від того, які з цих дзвінків ви очікуєте найчастіше.
Мобільні абоненти додають ще одну особливість. Телефони з агресивним шумопригніченням іноді обрізають перший склад речення, тож початок мовлення фіксується із запізненням. Якщо здається, що абоненти часто починають говорити, а їх ігнорують, спробуйте чутливіше налаштування шуму й протестуйте знову з мобільного.
Як читати симптоми
Часто, прослухавши дзвінки, можна зрозуміти, у який бік помилкове налаштування.
| Що ви чуєте | Імовірна причина | Що спробувати |
|---|---|---|
| Агент говорить поверх абонента | Замале очікування тиші або пропущене тихе мовлення | Підвищити поріг тиші, збільшити чутливість до шуму |
| Довгі паузи перед кожною відповіддю | Задовге очікування тиші | Трохи знизити поріг |
| Агент узагалі не відповідає | Шум сприймається як мовлення, тож репліка не закривається | Зменшити чутливість до шуму |
| Агент ігнорує абонента, який говорить тихо | Мовлення сприймається як шум | Збільшити чутливість до шуму |
| Відповіді здаються повільними навіть за короткого очікування | Затримка в іншій частині ланцюжка | Дивіться посібник про затримки |
Затримка має кілька джерел, окрім VAD. Матеріал Затримка голосового ШІ: чому відповіді здаються повільними їх розмежовує, а матеріал Як обробляти barge-in і перебивання пояснює, що відбувається, коли абонент говорить під час репліки агента.
Не лише тиша: розумніші рішення про кінець репліки
Сама лише тиша — грубий сигнал. Новіші підходи враховують і сказане: речення, що закінчується на «і» чи наполовину продиктоване число, імовірно, означає, що буде продовження, а завершене запитання — ні. Докладніше ці методи описано в матеріалі Черговість реплік у голосових агентах. Хоч би яка була техніка, вважайте заяви постачальників гіпотезами й перевіряйте їх власними дзвінками.
Перед запуском переконайтеся, що
- Агент не перебиває, коли абоненти диктують числа
- Пауза в секунду-дві не вважається кінцем репліки
- Абонента на галасливій вулиці все одно можна зрозуміти
- Власний голос агента не спрацьовує як сигнал для детектора
- Ви прослухали дзвінки з мобільних, а не лише зі стаціонарних телефонів
- Ви знаєте, де змінити налаштування, якщо справжні дзвінки виявлять проблему
Що робити далі в Call
Відкрийте голосові налаштування агента, перегляньте розділ транскрибера й зробіть тестовий дзвінок, що телефонує на ваш власний номер через лінію. Потім відкрийте дзвінок в історії дзвінків, де керівник бачить, скільки тривала кожна репліка, і порівняйте це з тим, як дзвінок відчувався. Невеликі зміни порогу тиші легше оцінити, прослухавши варіанти поспіль, ніж по пам'яті.
Часті запитання
Що означає VAD?
Voice activity detection — виявлення голосової активності. Це частина голосової системи, яка відрізняє мовлення від тиші й фонового шуму.
VAD — це те саме, що розпізнавання мовлення?
Ні. VAD лише вирішує, чи хтось говорить. Розпізнавання мовлення перетворює мовлення на текст. Вони працюють разом, і VAD також вирішує, коли припинити слухати й почати відповідати.
Чому агент іноді мене перебиває?
Імовірно, очікування тиші закоротке для вашої манери мовлення, або паузу сприйняли як кінець репліки. Зазвичай допомагає підвищення порогу тиші.
Чому перед відповіддю агента довга пауза?
Очікування тиші може бути задовгим, або затримка виникає деінде, наприклад під час формування відповіді. Спершу перевірте налаштування, потім подивіться на час відповідей в історії дзвінків.
Чи впливає фоновий шум на результат?
Так. Шум можна сплутати з мовленням, і репліка залишиться відкритою, а тихе мовлення — з шумом. Знайти баланс допомагають налаштування чутливості до шуму й тестові дзвінки з реалістичних місць.
Чи може одне налаштування підійти всім абонентам?
Рідко. Обирайте значення під найвибагливіші запитання й переглядайте справжні дзвінки, бо терплячі й швидкі абоненти поводяться по-різному.