语音 AI 技术

语音助手的话轮转换:谁来说,何时说

语音助手如何决定何时开口、等待或停下,为什么说话重叠、应答语和停顿难以处理,以及如何设计让来电者感觉自然流畅的电话对话。

Call 编辑部 · 发布于 · 阅读约需 5 分钟

人与人的对话是一种极其流畅的交接。我们恰好在对方说完时开口,甚至常常在对方说完之前就开口,而且察觉这些信号时毫不费力。语音助手没有这种本能,必须给它规定何时倾听、何时说话、何时停下。规则定错了,即使回答准确也会显得别扭。

两个人隔着办公桌通电话
示意图

本文介绍语音助手话轮转换背后的原理,以及让通话感觉自然的设计选择。它建立在语音活动检测(解释如何检测静音)和处理插话与打断的基础之上。

自然的话轮转换是什么样子

在日常对话中,一个人说完到下一个人开口之间的间隔通常非常短,长时间的沉默会让人不自在。人们还会轻微地重叠说话、用声音表示点头,并说些简短的词来表明自己在听。这些都不是无礼,而是让对话保持鲜活的方式。

电话里看不到表情,所有信号都靠声音传递。上扬的语调表示提问,拖长的尾音表示话还没说完,快速的吸气往往意味着有人要开口。软件只能从声音和文字中近似地捕捉这些信号。

语音助手必须处理的几种动作

  • 接过话轮在来电者说完后开始回答,中间没有长时间的空白。
  • 保持话轮被短暂的噪音或咳嗽打断时继续说下去。
  • 让出话轮当来电者开始抢着说话时停下来。
  • 应答语「是」「对」之类的简短声音,并不是新的一轮发言。
  • 修复在双方同时开口或助手听错时恢复对话。

为什么这对软件来说很难

有三个问题反复出现。

判断话轮已经结束

等待固定时长的静音简单却粗糙。人们会在句子中间停下来思考;也会说完一个意思后不再出声,等着对方回应。更先进的系统会分析目前为止说出的话:语义上是不是一个问题、地址是否完整、句子是否以连词结尾。固定时长的方法、更智能的方法以及两者结合,各有利弊,这也是为什么会有调节耐心程度的设置。

处理重叠与打断

如果来电者说话时助手还在继续说,来电者就会提高嗓门重复一遍。好的助手在听到真正的语音时会迅速停下,但不会因为一声咳嗽或汽车喇叭而停下。对每个噪音都停下来,会显得一惊一乍;忽视真正的打断,又会显得像没听见。

区分应答语与真正的发言

当助手在念一个长地址、来电者说了声「嗯嗯」时,那是在鼓励它继续,而不是打断。把它当作新的一轮发言,会打乱信息的传达。许多系统无法可靠地区分这两者,所以实用的解决办法,是让每段话足够短,根本不会出现这个问题。

设计适合技术特点的对话

您无法重造技术,但可以编写与之配合的对话。大部分改进来自脚本和提示词,而不是巧妙的工程设计。

节奏良好的对话

  1. 简短问候用一句话说明是谁在接听,并表示愿意帮忙。
  2. 开放式提问让来电者用自己的话说明情况。
  3. 简短确认用几个词复述请求,让来电者知道自己的话被听到了。
  4. 一个追问只询问一个还缺少的细节。
  5. 形成闭环说明接下来会发生什么,需要时提供转真人。

速度和时机同样重要

即使话轮转换的判断正确,如果回答来得太晚,仍然会感觉不对。语音转写、语言模型和语音合成都可能造成回答延迟。有些系统在回答的第一部分准备好时就开始说话,而不是等整个回答完成,从而缩短空白时间。时间都花在了哪里,请参阅语音 AI 延迟。

这里也有人因方面的考量。在较长的查询过程中,一个简短的提示音或一个简短的开头词能让来电者安心,但每一轮都重复的填充语会让人厌烦。请谨慎使用,并请真实的听众测试。

考验话轮转换的情境

有些类型的来电需要格外小心,因为自然的节奏会被打破。

在每种情况下,解决办法都是一样的:观察真实通话,找出节奏在哪里被打破,然后调整脚本或设置。话轮转换永远没有调完的时候,因为来电者永远各不相同。

测试话轮转换

单看转写文本无法判断话轮转换,必须亲耳去听。请一位同事扮演不同的来电者拨打测试电话,并记下对话的感受。

测试要听什么
语速快的人助手能否跟上而不抢话?
语速慢、说话犹豫的人助手能否在词与词之间的停顿中耐心等待?
插话的来电者助手能否迅速停下,并回应新的输入?
报数字助手在数字组之间是否有耐心?
助手说话时来电者说「嗯嗯」助手是继续说下去,还是停了下来?
来电者沉默助手是否会温和地提示,然后提供一条出路?

Call 中的话轮转换设置

在 Call 中,每个 AI 助手都有语音转写设置,您可以在这里选择识别语言,并设定它如何判断来电者已经说完:最长一秒半的「静音阈值」,以及一个「噪音灵敏度」滑块。管理员可以在「通话记录」中打开一通电话,查看每一轮发言用了多长时间,这有助于判断延迟是来自等待静音,还是来自回答本身。助手也被设置为保持回答简短自然。使用测试通话拨打您自己的手机,调整后再打一次。分步设置请参阅在 Call 中设置 AI 助手。

最后一个设计要点:始终给来电者一条离开对话的出路。难以适应自动语音节奏的来电者,应该能够要求转真人,详见IVR 与 AI 语音助手的对比。

常见问题

语音助手中的话轮转换是什么?

它是助手判断来电者何时说完、何时回答,以及在来电者开口时何时停下的方式。它让通话感觉像一场对话,而不是一连串指令。

为什么我的语音助手会抢着说话?

常见原因是静音等待太短、噪音被当成了语音结束,或者来电者停顿较多。调整静音设置,并用贴近真实的说话方式进行测试。

什么是应答语?

应答语是「嗯嗯」「对」之类的简短声音,表示听者正在跟着听。它不是新的一轮发言,但软件可能会误以为是。

助手会故意打断我吗?

设计良好的助手会避免这样做。如果助手抢话,几乎总是时机问题,而不是有意为之。较长的静音等待通常能减少这种情况。

回答越快听起来就越好吗?

不是。来得太快的回答可能感觉像在打断,尤其是在来电者报号码的时候。目标是自然的间隔,而不是最短的间隔。

如何测试话轮转换?

用不同的说话风格拨打电话,包括说话犹豫、中途插话和报数字,然后回听录音。一次只调整一项设置,并重复同一套脚本。

在 Call 中调整 AI 助手在通话中的话轮转换

在演示控制台中,您可以通过模拟体验来电。

相关指南