Виявлення повороту в голосових агентах: компроміс, про який ніхто не говорить

Виявлення повороту — визначення, коли абонент закінчив говорити — є найбільш недооціненою проблемою голосового ШІ. Помилившись в одному напрямку, агент переговорить абонента. Зрозумійте це неправильно в іншому, і агент чекає надто довго, створюючи незручну тишу. Кожна платформа робить компроміс, і більшість не розповідає вам про це.

Спектр

Швидке кінцеве визначення (200–400 мс мовчання викликає відповідь): агент відчуває себе миттєвим і чуйним. Але він перериває абонентів, які зупиняються на півдумці, роблять подих, перш ніж закінчити речення, або перемикають мову під час висловлювання. Повільна кінцева точка (800–1200 мс): агент майже ніколи не перериває, але розмова виглядає повільно, наче розмова з кимось із поганим супутниковим з’єднанням. Правильне налаштування залежить від вашого випадку використання, ваших абонентів і вашої терпимості до кожного режиму збою.

Окрім простих таймерів

Просте VAD (виявлення голосової активності) обробляє всю тишу однаково. Розумніші підходи використовують семантичні сигнали: чи речення граматично повне? Інтонація впала (твердження) чи підвищилася (питання ще обговорюється)? Чи є зміст завершеною думкою? Виявлення повороту на основі моделі використовує ці сигнали для прогнозування завершення повороту точніше, ніж лише тривалість тиші. Компроміс: більше обчислень на кадр, більша затримка в самому виявленні. Але покращення якості розмови зазвичай варте кількох мілісекунд.

Конфігурація, а не універсальність

Ідеальні параметри виявлення черги для швидкої кваліфікаційної розмови з продажів відрізняються від терплячої, співчутливої ​​розмови до медичного закладу. Ваша платформа має дозволяти вам налаштовувати це для кожного агента або потоку, а не накладати глобальне значення за умовчанням. В Agent Canvas поведінку виявлення повороту можна налаштувати на рівні вузла, дозволяючи різним сегментам розмови мати різну чутливість.