Jak działa voicebot i dlaczego przestał brzmieć jak automat

Trzy etapy jednej wypowiedzi

Gdy klient mówi „chciałbym przełożyć wizytę na czwartek”, system wykonuje trzy osobne operacje. Najpierw zamienia dźwięk na tekst. Potem model językowy odczytuje intencję i decyduje, co zrobić. Na końcu odpowiedź wraca zamieniona z powrotem na mowę.

To rozdzielenie ma praktyczne znaczenie, bo każdy etap psuje się inaczej. Zła jakość połączenia uderza w pierwszy, źle opisane zadanie w drugi, a nienaturalna barwa głosu w trzeci. Kiedy klient mówi, że „bot go nie rozumie”, warto najpierw ustalić, o który etap chodzi, bo winowajcą bywa coś zupełnie innego niż rozumienie.

Między tymi etapami siedzi jeszcze coś, czego nikt nie liczy: droga dźwięku i moment, w którym system uznaje, że rozmówca skończył mówić. Głos leci przez sieć operatora paczkami, zanim w ogóle trafi do rozpoznania mowy. Potem trzeba odczekać chwilę ciszy, żeby nie wejść człowiekowi w słowo. To czekanie klient odbiera jako namysł agenta, choć z myśleniem nie ma nic wspólnego.

Skąd bierze się opóźnienie

Człowiek w rozmowie telefonicznej zaczyna się niepokoić po mniej więcej sekundzie ciszy. To jest budżet, w którym muszą zmieścić się wszystkie trzy etapy razem z drogą przez sieć.

Dlatego dobrze zbudowany voicebot nie czeka z odpowiedzią, aż przetworzy całe zdanie. Zaczyna mówić, gdy ma pierwszy fragment, podobnie jak człowiek, który wtrąca „tak, sprawdzam”. Ta jedna sztuczka robi większą różnicę w odbiorze niż wymiana modelu na droższy.

Jest też druga strona medalu. Agent, który odpowiada natychmiast na wszystko, brzmi nienaturalnie i przerywa rozmówcy w połowie zdania. Strojenie tego progu to zwykle kilka dni pracy przy wdrożeniu, nie jedno ustawienie.

Gdzie w tym łańcuchu uciekają milisekundy. Poniżej rzędy wielkości, a nie obietnica, bo wynik zależy od łącza i od tego, jak długo mówi rozmówca.

• Cisza, po której system uznaje wypowiedź za zakończoną: kilkaset milisekund. Skrócicie ją, agent zacznie przerywać. Wydłużycie, zrobi się ospały.
• Rozpoznanie mowy pracuje na bieżąco, więc po ostatnim słowie zostaje mu do domknięcia ułamek sekundy, nie cała.
• Model językowy: liczy się moment, w którym pada pierwsze słowo odpowiedzi, nie długość całej. Reszta powstaje już w trakcie mówienia.
• Synteza głosu i droga z powrotem do słuchawki: znowu kilkaset milisekund, zanim rozmówca usłyszy pierwszą sylabę.

Dlaczego czasem słychać pauzę

Czasem agent milczy dłużej i nie zawsze da się to wyciąć. Najczęstszy powód jest prozaiczny: poszedł po dane. Sprawdzenie wolnego terminu w kalendarzu albo statusu przesyłki to osobne zapytanie do Waszego systemu, a agent czeka na nie tak samo jak człowiek wpatrzony w kręcące się kółko. Jeśli tamten system odpowiada dwie sekundy, żaden lepszy model tego nie skróci.

Drugi powód leży po stronie mówiącego. Zdanie z poprawką w środku („na wtorek, nie, czekaj, na środę”) trzeba wysłuchać do końca, bo sens pada dopiero na końcu. Bywa też rwące się połączenie, przy którym rozpoznanie mowy dostaje dziurawy dźwięk i czeka na resztę. No i długość samej odpowiedzi: im dłuższe zdanie agent ma wypowiedzieć, tym więcej trzeba przygotować, zanim padnie pierwsza sylaba.

Da się z tym zrobić kilka rzeczy i żadna nie jest magiczna. Agent może powiedzieć, że sprawdza, zamiast milczeć. Może mieć limit czekania, po którym przyznaje, że nie dostał odpowiedzi, zamiast wisieć w ciszy piętnaście sekund. Czego nie zrobi: nie zacznie mówić, zanim będzie wiedział co. Pauza przed odpowiedzią, która wymaga zajrzenia do danych, jest uczciwa i lepiej ją zapowiedzieć, niż udawać, że jej nie ma.

Czego ten łańcuch nie naprawi

Voicebot rozumie mowę i formułuje odpowiedzi, ale nie wie nic o Waszej firmie, dopóki mu tego nie damy. Godziny otwarcia, dostępne terminy, status zamówienia: to wszystko musi przyjść z systemu, który już macie.

Jeśli te dane są rozproszone albo nieaktualne, voicebot będzie je powtarzał z równie dużą pewnością siebie jak te prawidłowe. Uporządkowanie źródła jest częścią wdrożenia, i to zwykle tą, która zajmuje najwięcej czasu. Sam łańcuch ma zresztą własne słabe punkty, bo każdy z trzech etapów gubi się na czymś innym.

• Rozpoznanie mowy radzi sobie z polszczyzną dobrze, gorzej z gwarą, mocnym akcentem i rozmową z głośnika w samochodzie.
• Model językowy odpowie na wszystko, także wtedy, gdy nie zna odpowiedzi. Dlatego granice trzeba opisać wprost.
• Synteza głosu brzmi naturalnie, dopóki nie trafi na nazwę własną, skrót albo numer, którego nikt nie nauczył jej czytać.

Częste pytania

Powiązane strony

• Agent głosowy AI: jak wdrażamy
• Voicebot a klasyczne IVR