Słownikautomatyczne rozpoznawanie mowy
Co to jest ASR w asystencie głosowym
ASR (automatyczne rozpoznawanie mowy, z angielskiego automatic speech recognition) to część voicebota, która zamienia głos rozmówcy na tekst. Pracuje jako pierwszy etap rozmowy: dopiero to, co zapisze ASR, trafia dalej do modelu językowego. Błąd na tym etapie łatwo przeoczyć, a psuje wszystko, co przychodzi później.
Zapis w biegu, jeszcze przed końcem zdania
System słucha strumienia dźwięku jeszcze zanim klient skończy zdanie i na bieżąco poprawia swój zapis. Gdy rozpozna, że wypowiedź się skończyła, oddaje gotowy tekst dalej, do modelu językowego. Cała droga od słuchawki do odpowiedzi zaczyna się od tego kroku. ASR sensu wypowiedzi nie rozumie, zamienia dźwięk na litery. Jeśli źle usłyszy nazwisko, na przykład zapisze „Kowalski” jako „Kowalska”, model dostanie ten błędny tekst i będzie działał na jego podstawie, nie wiedząc, że coś poszło nie tak.
Polskie nazwiska i wąskie pasmo telefonu
Polszczyzna utrudnia rozpoznawanie mowy na dwa sposoby. Odmiana przez przypadki sprawia, że to samo nazwisko brzmi inaczej w różnych zdaniach: Kowalski, Kowalskiego, Kowalskiemu, a system musi rozpoznać, że chodzi o tę samą osobę. Poza tym są głoski, które przy telefonicznym, wąskim paśmie dźwięku łatwo pomylić, na przykład „s” i „sz”.
Dzień dobry, przychodnia Zdrowie, mówi asystent AI.
Dzwonię w sprawie wizyty, nazwisko Szczygieł.
Szczygieł przez sz na początku?
Tak, zgadza się.
Agent powinien dopytać o pisownię trudnego nazwiska zamiast zgadywać, a pomyłki ogranicza też słownik nazw.
Przy wyborze dostawcy przetestuj to na nazwiskach własnych klientów.
Najczęstsze pytania
Czym różni się ASR od modelu językowego?
ASR zamienia głos na tekst, ale nie rozumie sensu tego, co usłyszał. Sensem i odpowiedzią zajmuje się dopiero model językowy, który dostaje tekst od ASR. To dwa osobne elementy voicebota, każdy odpowiada za inny etap rozmowy.
Posłuchaj, jak to brzmi w praktyce
Pięciu asystentów demo rozmawia po polsku w przeglądarce, bez instalowania czegokolwiek. Dane w rozmowach są przykładowe, ale sposób prowadzenia rozmowy jest taki sam jak w prawdziwym wdrożeniu.