Die Rolle von VAD bei der Behandlung von Sprachagentenunterbrechungen
Die Sprachaktivitätserkennung (VAD) ist die erste Verteidigungslinie für den Umgang mit Unterbrechungen, ist jedoch anfällig für Fehlalarme. So verbessern moderne Systeme es.
Wenn ein Benutzer einen KI-Agenten unterbricht, muss der Agent sofort aufhören zu sprechen. Dies wird als Barge-In bezeichnet. Der Mechanismus, der diese Unterbrechung erkennt, ist Voice Activity Detection (VAD). Grundlegendes VAD löst jedoch bei jedem Geräusch aus – einem Hundegebell, einer zuschlagenden Tür oder einem Husten – und führt dazu, dass der Wirkstoff unnötigerweise anhält.
Adaptive Unterbrechungsbehandlung
Moderne Sprachagenten verwenden eine adaptive Unterbrechungsbehandlung. Anstatt nur die Lautstärke zu erkennen, verwenden sie leichte neuronale Netze, um den Ton zu klassifizieren. Handelt es sich um Hintergrundgeräusche? Ist es ein Rückkanal („uh-huh“, „ja“)? Oder handelt es sich um eine echte Gesprächsunterbrechung? Nur letzteres sollte den Agenten dazu veranlassen, seine TTS-Wiedergabe anzuhalten und zuzuhören.
Bereit loszulegen?
Erleben Sie, wie Mazeds multimodale KI-Agenten für Ihren Use Case arbeiten.