Normalizacja tekstu, czyli jak asystent głosowy ma przeczytać „ul. 3 Maja 12/4”

Skąd się bierze kłopot z liczbami

Model językowy w asystencie głosowym pisze tak, jak pisze się teksty: cyframi, skrótami, z symbolem waluty. Syntezator musi zgadnąć, jak to powiedzieć, a zapis bywa dwuznaczny. „12.10” to dwunasty października, godzina dwunasta dziesięć albo kwota. „12/4” to numer domu i mieszkania albo ułamek. „Pn.-pt. 8-16” człowiek odczyta bez zastanowienia, maszyna niekoniecznie.

Dochodzi jeszcze odmiana. Ta sama godzina brzmi inaczej w każdym zdaniu: „jest 8:00” to „jest ósma”, „od 8:00” to „od ósmej”, „przed 8:00” to „przed ósmą”. Liczebnik musi się zgodzić z przyimkiem, a rzeczownik z liczebnikiem.

Same cyfry przeczyta każdy syntezator, kłopotem są końcówki.

Tekst zapisany i to, co ma usłyszeć klient

Poniższe przykłady przepuść przez każdego nowego agenta. Druga kolumna to wersja, którą klient powinien usłyszeć.

Liczebnik rządzi rzeczownikiem, a przyimek liczebnikiem

Tę regułę każdy Polak stosuje bez myślenia, a maszyna musi mieć ją zapisaną: jedna wizyta, dwie wizyty, pięć wizyt, dwadzieścia dwie wizyty, ale dwanaście wizyt. Liczby zakończone na 2, 3 i 4 (poza 12, 13 i 14) łączą się z mianownikiem liczby mnogiej, pozostałe od pięciu w górę z dopełniaczem. Z pieniędzmi tak samo: trzy złote, siedem złotych, dwadzieścia cztery złote, trzynaście złotych.

Druga warstwa to przypadki. „Do 5 dni” to „do pięciu dni”, „z 3 osobami” to „z trzema osobami”, „po 17:00” to „po siedemnastej”. Tu nie wystarczy tabelka zamian, trzeba rozumieć całe zdanie. Dlatego pewniej działa podział pracy: model językowy dostaje w instrukcji dla agenta polecenie, żeby liczby, godziny i kwoty pisał od razu słowami, w formie pasującej do zdania, a osobna warstwa reguł łapie to, co mimo wszystko przeszło cyframi.

Godziny i daty w wersji mówionej

Agent mówi „o ósmej piętnaście”, a nie „o godzinie ósmej minut piętnaście”. Pełna godzina to po prostu „o dziewiątej”. Form potocznych lepiej unikać: „za kwadrans ósma” i „wpół do ósmej” brzmią swojsko, ale łatwo je usłyszeć jako ósmą, a to różnica kwadransa albo pół godziny. Gdy klient sam tak powie, agent ma zrozumieć i potwierdzić wprost: „Czyli siódma czterdzieści pięć, tak?”.

Z datami podobnie: „14.10” agent czyta jako „czternastego października”. Dzień tygodnia dodaj, bo ludzie planują tygodniami: „w środę, czternastego października”. Pilnuj też formy „we wtorek”, bo „w wtorek” brzmi obco. Rok podawaj tylko wtedy, gdy może budzić wątpliwość, na przykład w grudniu, przy terminie na styczeń.

Osobna pułapka siedzi w integracji z kalendarzem. Systemy rezerwacji często zapisują czas w UTC, a Polska ma zimą UTC+1, latem UTC+2. Jeśli przeliczenie jest źle ustawione, agent pomyli się o godzinę, a błąd może wyjść dopiero przy zmianie czasu w marcu albo październiku.

Adresy, telefony i e-maile

Adresy mają własne zwyczaje. „Ul.” czyta się „ulica”, „al.” to „aleja”, „os.” to „osiedle”, a „pl.” to „plac”. Rzymskie cyfry w nazwach stają się liczebnikami w odpowiedniej formie: „Jana Pawła II” to „Jana Pawła Drugiego”, „Zygmunta III” to „Zygmunta Trzeciego”. „12/4” lepiej przeczytać jako „dwanaście, mieszkanie cztery”, choć w mowie potocznej wielu powie „dwanaście przez cztery”.

Numer telefonu agent czyta w trzech grupach, wolno, z pauzą między nimi. Czy grupy podawać jak setki („sto dwadzieścia trzy”), czy cyfra po cyfrze, jak w tabeli, ustal raz i trzymaj się tego. Ja przy numerach, które klient ma zapisać, wolę pojedyncze cyfry.

Adresów e-mail i stron internetowych agent w ogóle nie powinien dyktować.

Krótki adres jak ten z tabeli jeszcze ujdzie, ale dłuższy, z kropkami i podkreślnikami, to prawie pewna pomyłka. Lepiej wysłać go w powiadomieniu po rozmowie, na przykład SMS-em.

Kto w systemie zamienia cyfry na słowa

Normalizację da się zrobić w kilku miejscach i zwykle łączy się kilka z nich:

• Model językowy sam pisze liczby słowami, bo tak każe mu instrukcja.
• Między modelem a syntezatorem działa warstwa reguł, która rozwija skróty i zamienia to, co przeszło cyframi.
• Sam syntezator ma wbudowany normalizator. Z prostymi przypadkami zwykle sobie radzi, z odmianą gorzej.
• Pojedyncze słowa poprawia się słownikiem wymowy albo znacznikami SSML.

Najwięcej zależy od pierwszego punktu, bo tylko model językowy widzi całe zdanie i wie, czy „12.10” to data, czy godzina. Pozostałe warstwy łapią to, co model przepuści. Przy teście dostawcy daj agentowi do przeczytania tabelę z tej strony i słuchaj uważnie: synteza mowy po polsku potrafi brzmieć bardzo naturalnie, a i tak powiedzieć „dwa złotych”.