Rozpoznawanie mowy w voicebocie: dlaczego boty mylą słowa i co pomaga

Rozpoznawanie mowy w voicebocie polega na wybieraniu najbardziej prawdopodobnych słów na podstawie tego, co słychać. Dlatego potyka się właśnie na krótkich, rzadkich albo podobnie brzmiących słowach, takich jak nazwy produktów i numery zamówień. Większość poprawek leży w tym, jak zaprojektujesz rozmowę, a nie w samym silniku. Zdarzyło się, że testowy rozmówca podał numer zamówienia, a bot z pełnym przekonaniem zrobił coś zupełnie innego? W takim razie pewnie zastanawiasz się, czemu twój asystent głosowy słyszy nie to słowo. Poniżej opisuję przyczyny prostym językiem, a potem zmiany, które firma może wprowadzić bez zatrudniania inżyniera od mowy.

Jak rozpoznawanie mowy w voicebocie zamienia głos na tekst?

Zamienia dźwięk na najbardziej prawdopodobny ciąg słów, a bot traktuje potem ten tekst tak, jakby rozmówca go wpisał. Ten etap nazywa się zamianą mowy na tekst albo transkrypcją: na wejściu mowa, na wyjściu zapisane słowa. Silnik nie słyszy znaczenia. Wcale. Porównuje, do czego podobny jest dźwięk, z tym, co zwykle pada dalej w danym języku, więc popularne wyrażenie zwykle wygrywa z rzadkim, które brzmi prawie tak samo.

Po co przejmować się jednym zgadywaniem? Bo od niego zależy wszystko, co dzieje się dalej. Bot odpowiada na transkrypcję, którą dostał, a nie na to, co rozmówca miał na myśli, i sam nie zauważy różnicy. Jeśli chcesz poznać kolejny etap, ten przegląd tego, co dzieje się po transkrypcji, pokazuje, jak bot zamienia tekst w odpowiedź.

Dlaczego voicebot źle rozumie klientów: typowe przyczyny

Większość błędów zamiany mowy na tekst ma trzy źródła: sam dźwięk, słowa, które model rzadko spotyka, albo sposób mówienia, który słyszy rzadziej. W praktyce najczęściej winne są:

• Hałas w tle i słabe połączenia: ruch uliczny, telewizor w sąsiednim pokoju, słaby zasięg komórkowy albo tani zestaw słuchawkowy rozmywają dźwięki, na których opiera się silnik.
• Akcent i tempo mówienia: szybka, urywana albo regionalnie zabarwiona mowa odbiega od wzorców, które model zna najlepiej.
• Podobnie brzmiące słowa i litery: B, D i P albo „piętnaście” i „pięćdziesiąt” różnią się odrobiną dźwięku.
• Rzadkie słowa, takie jak nazwy marek i produktów, których silnik mógł nigdy nie spotkać w tej formie.
• Rozmówcy, którzy wchodzą botowi w słowo albo robią przerwę w połowie zdania, przez co system ucina odpowiedź albo skleja dwa fragmenty w jeden.

Uczciwie trzeba przyznać, że akcent i hałas rzadko psują całą rozmowę. Zwiększają za to szansę, że jedno słowo zostanie podmienione. Kłopot w tym, że jeśli to słowo niesie sedno prośby, bot rusza w złą stronę.

Dlaczego nazwy, kody produktów i numery zamówień są najtrudniejsze

Kody i nazwy nie mają wokół siebie znaczenia, które podpierałoby zgadywanie, więc jeden źle usłyszany znak psuje całą wartość. W zwykłym zdaniu błędne słowo rzadko zmienia sens. „Chcę anulować zamówienia” nadal da się zrozumieć jako prośbę o anulowanie zamówienia. Ale kod referencyjny czytany na głos, litera po literze i cyfra po cyfrze? Tu silnik nie ma się na czym oprzeć.

Nazwy i kody produktów mają też własne pułapki. Wymyślone nazwy marek często są „poprawiane” na zwykłe słowa, więc produkt o nazwie „Kleeno” może wrócić jako „kolano”. Do tego dochodzi mieszanie liter z cyframi, zera na początku i grupowanie. Jeden rozmówca powie „dwadzieścia jeden”, inny „dwa jeden”. A litera O bywa mylona z zerem. Wesoło.

Poprawki w projekcie rozmowy: potwierdzanie tego, co powiedział rozmówca

Najpewniejsza poprawka to kazać botowi powtarzać ważne dane i prosić rozmówcę o ich potwierdzenie, zanim ich użyje. Dzięki temu cichy błąd zamienia się w szybką korektę. Oto co zmieniłbym w rozmowie:

1. Powtarzaj nazwy i numery, a potem zadaj pytanie tak lub nie: „Słyszę: A, B, siedem, dwa. Czy to się zgadza?”
2. Proś o kody w krótkich częściach, a nie jednym długim ciągiem.
3. Proś o przeliterowanie nietypowych nazw.
4. Zamiast otwartego pytania podaj kilka opcji, na przykład „płatności, dostawa czy zwroty”.
5. Zapewnij drogę awaryjną, gdy potwierdzenie dwa razy się nie uda, na przykład odesłanie do formularza na stronie albo adresu e-mail.

Tylko nie przesadzaj. Potwierdzaj wyłącznie to, co ważne. Sprawdzanie każdego zdania sprawia, że rozmowa przypomina przesłuchanie, a sprawdzenie numeru zamówienia i nazwiska przed działaniem kosztuje kilka sekund. Tak samo z pytaniami: krótko i konkretnie. „Jaki jest numer zamówienia?” daje czystszą odpowiedź niż długie pytanie, które właściwie zaprasza do opowiadania historii.

Ogranicz to, co rozmówcy muszą mówić na głos

Każdy kod, którego rozmówca nie musi wypowiadać, to jedna okazja do pomyłki mniej. Zacznij od bazy wiedzy, z której odpowiada bot. Opisuj produkty prostymi, charakterystycznymi nazwami, a nie wewnętrznymi SKU (kodami magazynowymi, które żyją w magazynach i arkuszach). Jeśli dwa produkty brzmią podobnie albo nazwa marki przypomina zwykłe słowo, dodaj obok krótki opis do wypowiedzenia, np. „spray Kleeno, nasz środek do kuchni”, żeby rozmówcy mogli użyć jednego albo drugiego.

Niektóre sprawy po prostu wymagają długich kodów i nie da się tego obejść. W takich przypadkach odsyłaj rozmówców na stronę, gdzie mogą wkleić albo wpisać wartość, zamiast czytać ją na głos. Nasze artykuły o technologii voicebotów omawiają więcej takich kompromisów.

Jak wyłapać błędy rozpoznawania, zanim zrobią to klienci

Przygotuj krótki scenariusz testowy, który celowo rzuca w bota najtrudniejsze słowa w realistycznych warunkach. Uwzględnij:

• każdą nazwę produktu i marki z twojego katalogu,
• przykładowe numery zamówień i kody referencyjne w formatach, które klienci naprawdę mają,
• różne głosy i akcenty osób z zespołu,
• hałaśliwe pomieszczenie i telefon na głośniku,
• szybką i wolną mowę, z przerwami i bez.

Zapisuj, które słowa zawodzą. Potem poprawiaj rozmowę albo treść, która za nimi stoi, a nie tylko sformułowanie jednej odpowiedzi. Źle słyszana nazwa produktu zwykle wymaga czytelniejszej nazwy w bazie wiedzy albo kroku z powtórzeniem. Łatanie jednej odpowiedzi tylko ukrywa problem, dopóki nie trafi na niego kolejny rozmówca. I nie myl błędów rozpoznawania z powolnością: długa cisza to zupełnie inny problem, a wiedza o tym, skąd biorą się opóźnienia voicebota, pomaga odróżnić jedno od drugiego.

Jak najłatwiej zacząć? Wypróbuj samodzielnie dema głosowe z nazwami własnych produktów. W Botino na funkcje głosowe składają się rozpoznawanie i generowanie mowy. Głos jest dostępny w planie Professional, co widać na stronie z cennikiem Botino.

Rozpoznawanie mowy w voicebocie od czasu do czasu źle zgadnie. To pewne. Dobry projekt wyłapuje takie zgadywanie, zanim zamieni się w błędną odpowiedź: potwierdzaj ważne dane, ogranicz kody, które rozmówcy muszą wypowiadać, i testuj na swoim prawdziwym słownictwie, zanim zrobią to za ciebie klienci.

FAQ