Ο ήχος ενός ατελείωτου βρόχου αναμονής είναι ο ήχος της απώλειας εσόδων. Καθώς ο όγκος των κλήσεων αυξάνεται, η εξάρτηση από ανθρώπινους πράκτορες για κάθε ερώτημα σταματά να αυξάνεται: οι χρόνοι αναμονής αυξάνονται, οι πελάτες κλείνουν το τηλέφωνο και οι πράκτορες εξαντλούνται. Ένα μεγάλο μερίδιο των καλούντων εγκαταλείπει μια κλήση μετά από μόλις λίγα λεπτά αναμονής και οι αναλυτές αναμένουν ότι ένα αυξανόμενο μέρος των συνηθισμένων ζητημάτων εξυπηρέτησης θα αντιμετωπιστεί με αυτοματοποίηση τα επόμενα χρόνια. Η πίεση είναι να κλιμακωθεί η υποστήριξη, να μειωθεί το κόστος και να βελτιωθεί η εμπειρία ταυτόχρονα, και ο βασικός αυτοματισμός IVR δεν το κάνει. Σε πραγματικό χρόνο, σαν άνθρωπος. φωνή AI κάνει.
Η φωνητική τεχνητή νοημοσύνη είναι πολύ πιο δύσκολο να κατασκευαστεί από ένα web chatbot. Ένα chatbot διαβάζει καθαρό, πληκτρολογημένο κείμενο. Ένας φωνητικός πράκτορας πρέπει να εργάζεται στην ακατάστατη πραγματικότητα μιας τηλεφωνικής κλήσης: θόρυβος υποβάθρου, επικαλυπτόμενη ομιλία και ποικίλες προφορές, όλα επεξεργασμένα αρκετά γρήγορα ώστε να απαντήσουν μέσα σε χιλιοστά του δευτερολέπτου, ώστε η συνομιλία να φαίνεται φυσική και όχι ρομποτική. Αυτή η διαφορά είναι το χάσμα μεταξύ ενός απογοητευτικού δέντρου IVR και ενός πράκτορα που πραγματικά βοηθάει.
A συνομιλία AI Το σύστημα φωνητικών κλήσεων είναι ένας αγωγός σε πραγματικό χρόνο πέντε στοιχείων: αυτόματη αναγνώριση ομιλίας (ASR), κατανόηση φυσικής γλώσσας (NLU), διαχείριση διαλόγου (DM), LLM συν επιχειρηματική λογική και μετατροπή κειμένου σε ομιλία (TTS), τα οποία συνεργάζονται για να ακούσουν έναν καλούντα, να τον κατανοήσουν, να αποφασίσουν τι να κάνουν, να ενεργήσουν και να απαντήσουν με φυσική φωνή. Υπάρχει επίσης μια έκτη εξάρτηση που τα περισσότερα άρθρα αγνοούν, και θα δούμε γιατί αυτή καθορίζει αν οι άλλες πέντε μοιάζουν καθόλου με ανθρώπινες.
Εδώ είναι κάθε στοιχείο και η δουλειά που κάνει:
- ASR: τα αυτιά του συστήματος, μετατρέποντας τον ήχο σε κείμενο.
- Μη Δημόσιας Χρήσης (NLU): ο εγκέφαλος κατανόησης, αποκωδικοποίηση πρόθεσης και λεπτομερειών.
- DM: ο διευθυντής ροής, που διαχειρίζεται το μπρος-πίσω.
- LLM και επιχειρηματική λογική: τον εκτελεστή ενέργειας, δημιουργώντας απαντήσεις και συνδέοντας τα συστήματά σας.
- Συντομογραφία: τη φωνή, μετατρέποντας το κείμενο ξανά σε φυσική ομιλία.
Στοιχείο 1: Αυτόματη αναγνώριση ομιλίας (ASR)
Πριν μια Τεχνητή Νοημοσύνη κατανοήσει μια λέξη, πρέπει να την ακούσει. Το ASR λαμβάνει την ακατέργαστη ηχητική κυματομορφή από την τηλεφωνική γραμμή και τη μετατρέπει σε μια καθαρή ροή κειμένου. Αυτή είναι η πιο σημαντική διαδικασία μετάδοσης, επειδή αν το ASR κάνει λάθος στις λέξεις, όλα τα κατάντη, η κατανόηση, η λογική, η απόκριση, είναι λάθος από την αρχή. Σκουπίδια μέσα, σκουπίδια έξω.
Η μεταγραφή μιας ζωντανής κλήσης είναι πιο δύσκολη από την υπαγόρευση ενός email σε ένα ήσυχο δωμάτιο. Το περιβάλλον είναι ένα ναρκοπέδιο: ένας καλών σε ένα πολυσύχναστο τρένο, σε ένα θορυβώδες γραφείο ή στο σπίτι με μια τηλεόραση που παίζει δυνατά, επομένως το ASR πρέπει να απομονώσει τη φωνή από τον θόρυβο. Οι καλούντες μιλούν με ένα ευρύ φάσμα τοπικών προφορών, μοτίβων ομιλίας και βιομηχανικής ορολογίας, επομένως το μοντέλο πρέπει να εκπαιδευτεί σε ποικίλα δεδομένα. Και δεν μπορεί να περιμένει τον καλούντα να ολοκληρώσει μια παράγραφο. Πρέπει να μεταγράψει σε πραγματικό χρόνο (streaming) για να τροφοδοτήσει άμεσα το υπόλοιπο σύστημα, επειδή οποιαδήποτε αισθητή καθυστέρηση δημιουργεί την αμήχανη παύση που κάνει έναν εκπρόσωπο να ακούγεται αργός.
Τα διακυβεύματα είναι υψηλά, επειδή ένας φωνητικός πράκτορας δεν μπορεί να ζητήσει με χάρη από έναν καλούντα να γράψει μια λέξη. Εάν ένας καλών πει «Πρέπει να ελέγξω το υπόλοιπο του λογαριασμού μου» και το ASR ακούσει «Πρέπει να αλλάξω τα σχέδια της γάτας μου», το NLU δρομολογεί την κλήση κάπου άχρηστο. Το ASR υψηλής ακρίβειας και χαμηλής καθυστέρησης είναι το πρώτο μη διαπραγματεύσιμο βήμα προς έναν φωνητικό πράκτορα που λειτουργεί.
Στοιχείο 2: Κατανόηση Φυσικής Γλώσσας (NLU)
Μόλις το ASR παραδώσει το μήνυμα, πείτε «Πρέπει να πληρώσω τον λογαριασμό του διαδικτύου μου με την κάρτα Visa μου που λήγει τον επόμενο μήνα», το NLU αναλαμβάνει. Αν το ASR είναι τα αυτιά, το NLU είναι ο εγκέφαλος κατανόησης. Προχωρά πέρα από τις κυριολεκτικές λέξεις για να αποκωδικοποιήσει δύο πράγματα: τι θέλει να κάνει ο καλών (πρόθεση) και τις λεπτομέρειες που έδωσε (οντότητες).
- Αναγνώριση πρόθεσης: Το NLU ταξινομεί τον στόχο. Εδώ η πρόθεση είναι η Process_Payment, η οποία υποδεικνύει στο σύστημα πού να κατευθύνει τη συζήτηση.
- Εξαγωγή οντότητας: Ανασύρει τα επαναχρησιμοποιήσιμα δεδομένα, Τύπος_τιμολογίου: διαδίκτυο, Μέθοδος_πληρωμής: Visa, Αναφορά_ημερομηνίας: τον επόμενο μήνα, μετατρέποντας την ακατάστατη ανθρώπινη γλώσσα σε δομημένα δεδομένα με τα οποία μπορεί να ενεργήσει το υπόλοιπο σύστημα.
Τα συστήματα κορυφαίας βαθμίδας προχωρούν παραπέρα, στον τόνο και το πλαίσιο. Η ανάλυση συναισθημάτων εντοπίζει έναν απογοητευμένο καλούντα και μπορεί να στραφεί σε πιο ενσυναισθητική γλώσσα ή να κλιμακώσει την ανάλυση σε έναν άνθρωπο. Η διαχείριση πλαισίου επιτρέπει στο σύστημα να συνδέσει μια μεταγενέστερη αόριστη φράση, όπως «fix it» (διορθώστε το), με το συγκεκριμένο Late_Fee που ανέφερε ο καλών νωρίτερα. Η ισχυρή NLU είναι αυτό που διαχωρίζει ένα αδέξιο bot που ζητά πληροφορίες που έχετε ήδη δώσει από έναν ομαλό βοηθό που παρακολουθεί.
Συνιστώσα 3: Διαχείριση Διαλόγου (DM)
Αν ποτέ χρειαστεί να επαναλάβετε τον αριθμό λογαριασμού σας τρεις φορές σε μια αυτοματοποιημένη γραμμή, τότε έχετε νιώσει ότι η ανταλλαγή μηνυμάτων (DM) αποτυγχάνει. Η διαχείριση διαλόγου εκτελεί την ανταλλαγή μηνυμάτων, διατηρώντας τη συζήτηση λογική, λαμβάνοντας υπόψη τα συμφραζόμενα και προσανατολισμένη στον στόχο. Διατηρεί την κατάσταση της συνομιλίας, μια μνήμη για κάθε στοιχείο που συλλέγεται, τον τρέχοντα στόχο και τι να πείτε ή να ρωτήσετε στη συνέχεια.
Το DM είναι αυτό που μετατρέπει ένα άκαμπτο σενάριο σε μια πραγματική συζήτηση:
- Παρακολούθηση συμφραζομένων. Όταν ένας καλών ρωτάει «ποιο είναι το υπόλοιπό μου;» και αμέσως μετά ρωτάει «και τι γίνεται με την τελευταία μου πληρωμή;» χωρίς να επαναλαμβάνει τον αριθμό λογαριασμού, ο DM θυμάται το account_ID από τον πρώτο γύρο. Η διατήρηση του περιεχομένου σε όλους τους γύρους είναι ο σημαντικότερος παράγοντας για να κάνει έναν πράκτορα να αισθάνεται φυσικός.
- Πλήρωση σχισμών. Ο DM γνωρίζει ποιες λεπτομέρειες χρειάζεται μια προβλεπόμενη πτήση. Για την επιλογή Book_Flight χρειάζεται Προορισμό, Ημερομηνία και Αριθμός_Επιβατών και κάνει διευκρινιστικές ερωτήσεις μέχρι να καλυφθούν όλες οι θέσεις, σαν ένας ταξιδιωτικός πράκτορας που σας καθοδηγεί σε μια κράτηση.
- Διαχείριση σφαλμάτων και διακοπών. Όταν ένας καλών διακόπτει στη μέση της πρότασης (μια επίθεση) ή η πρόθεση είναι αβέβαιη, ένας καλός DM συνέρχεται ομαλά. Αντί του «συγγνώμη, δεν το κατάλαβα», επιβεβαιώνει: «Σε άκουσα να αναφέρεις μια χρέωση καθυστέρησης, γι' αυτό καλείς;» Αυτό εμποδίζει την κλήση να καθυστερήσει ή να καταλήξει σε απογοήτευση.
Χωρίς ισχυρό DM, μια Τεχνητή Νοημοσύνη αναγκάζει τον καλούντα να ακολουθήσει μια σταθερή διαδρομή. Με αυτήν, ο πράκτορας προσαρμόζεται όταν οι άνθρωποι δίνουν πληροφορίες με λάθος σειρά, αλλάζουν γνώμη ή παρεκκλίνουν από την ερώτηση και επιστρέφουν.
Στοιχείο 4: LLM και Επιχειρηματική Λογική
Αυτός είναι ο διπλός εγκέφαλος του συστήματος, όπου η κατανόηση γίνεται δράση. Έχει δύο άρρηκτα ενσωματωμένα μέρη.
The Επίπεδο LLM (ή NLG) Λαμβάνει τη δομημένη έξοδο από το DM (πρόθεση Process_Payment, χρειάζεται να ζητηθεί CVV) και δημιουργεί μια φυσική, εντός πλαισίου απάντηση. Αντί για το "χρειάζομαι CVV τώρα", παράγει το μήνυμα "Τέλεια. Για να ολοκληρώσω αυτήν την πληρωμή, θα μπορούσατε να μου πείτε τον τριψήφιο κωδικό στο πίσω μέρος της κάρτας Visa σας;" Διατηρεί τις απαντήσεις γραμματικά, συμφραζόμενα και στον τόνο.
The επίπεδο επιχειρηματικής λογικής είναι η γέφυρα προς τα πραγματικά σας συστήματα, επειδή μια Τεχνητή Νοημοσύνη που μπορεί να μιλήσει αλλά δεν μπορεί να ενεργήσει είναι άχρηστη. Όταν ο DM αποφασίσει ότι απαιτείται μια ενέργεια, αυτό το επίπεδο διαμορφώνει μια ασφαλή κλήση API από τις εξαγόμενες οντότητες, ενσωματώνεται με το backend σας (CRM όπως Salesforce, έκδοση εισιτηρίων, βάση δεδομένων ή τραπεζικό λογισμικό), λαμβάνει το αποτέλεσμα (το υπόλοιπο είναι 450.12 $) και το επιστρέφει στον LLM για να διατυπώσει την απάντηση.
Αυτό το στοιχείο είναι ο φύλακας των δεδομένων πελατών. Εάν είναι ελαττωματικό, ο εκπρόσωπος ενδέχεται να επεξεργαστεί μια συναλλαγή λανθασμένα ή να λάβει λάθος εγγραφή. Όταν γίνεται σωστά, καθιστά τον εκπρόσωπο έναν αξιόπιστο ψηφιακό υπάλληλο και οδηγεί στην Επίλυση Πρώτης Κλήσης, τη μέτρηση που έχει τη μεγαλύτερη σημασία σε ένα κέντρο επικοινωνίας.
Στοιχείο 5: Μετατροπή κειμένου σε ομιλία (TTS) και φωνητική διεπαφή
Το τελευταίο στοιχείο μετατρέπει το κείμενο του LLM («Το νέο σας υπόλοιπο λογαριασμού είναι τετρακόσια πενήντα δολάρια και δώδεκα σεντς») σε φυσικό προφορικό ήχο. Το TTS είναι το σημείο όπου η τεχνολογία συναντά την ψυχολογία: η ποιότητα της συνθετικής φωνής είναι συχνά ο σημαντικότερος παράγοντας για το αν ένας καλών βλέπει την αλληλεπίδραση ως σύγχρονη ή απογοητευτική. Το σύγχρονο νευρωνικό TTS υπερβαίνει κατά πολύ τις μονότονες φωνές του παρελθόντος, προσθέτοντας ανθρώπινη χροιά, έμφαση σε λέξεις-κλειδιά και ένα συναισθηματικό εύρος που μπορεί να ακούγεται ενσυναισθητικό κατά τη διάρκεια μιας καταγγελίας ή μιας δήλωσης κατά τη διάρκεια μιας επιβεβαίωσης ασφαλείας.
Οι εξαιρετικοί φωνητικοί πράκτορες χρειάζονται επίσης σκόπιμο σχεδιασμό φωνητικής διεπαφής (VUI):
- Η περσόνα είναι η μάρκα. Η φωνή που επιλέγετε, θερμή για υποστήριξη, τραγανή για χρηματοοικονομικές υπηρεσίες, είναι η ηχητική εκπροσώπηση της επωνυμίας σας, και διαμορφώνοντας αυτή την προσωπικότητα είναι από μόνη της μια σχεδιαστική απόφαση.
- Η ανοχή στην καθυστέρηση είναι σχεδόν μηδενική. Ο χρόνος που απαιτείται από την ολοκλήρωση της πρότασης του καλούντος μέχρι την έναρξη της απάντησης του εκπροσώπου (χρόνος έως τον πρώτο ήχο) θα πρέπει να είναι ελάχιστος, ιδανικά κάτω από 300 χιλιοστά του δευτερολέπτου. Αν διστάσετε έστω και για μισό δευτερόλεπτο, ο καλών θα αντιληφθεί τον εκπρόσωπο ως αργό ή προβληματικό.
- Χειρισμός με φορτηγίδα. Μια πραγματική συνομιλία επιτρέπει τη διακοπή. Το VUI πρέπει να επιτρέπει στον καλούντα να μιλήσει ενώ μιλάει ο εκπρόσωπος, να τον αναγνωρίζει αμέσως, να διακόπτει το TTS και να επιστρέφει ομαλά στο ASR.
Όλα όσα βρίσκονται στην αντίθετη ροή είναι αόρατα στον καλούντα. Το μόνο που αντιλαμβάνονται είναι η φωνή. Αν είναι ζεστή και ανταποκρίνεται, ολόκληρο το σύστημα επικυρώνεται. Αν είναι ασταθές ή καθυστερημένο, ολόκληρη η επένδυση φαίνεται φθηνή.
Το στοιχείο που όλοι ξεχνούν: το στρώμα φορέα
Εδώ είναι το μέρος που παραλείπουν τα περισσότερα άρθρα για τα «συστατικά της φωνητικής τεχνητής νοημοσύνης», και είναι αυτό που αποφασίζει σιωπηλά αν τα άλλα πέντε θα νιώσουν ποτέ ανθρώπινα: το τηλεφωνικό δίκτυο από κάτω.
Κάθε προϋπολογισμός καθυστέρησης σε αυτό το άρθρο, ο χρόνος έως τον πρώτο ήχο κάτω των 300ms, η άμεση σύνδεση, η ροή ASR σε πραγματικό χρόνο, είναι ένας προϋπολογισμός που πρέπει να μοιραστεί ολόκληρος ο αγωγός. Εάν ο κορμός SIP που μεταφέρει την κλήση προσθέσει 200 χιλιοστά του δευτερολέπτου καθυστέρησης μονής κατεύθυνσης πριν καν το ASR σας λάβει ήχο, έχετε ήδη ξοδέψει το μεγαλύτερο μέρος του προϋπολογισμού σας σε μεταφορά και καμία ρύθμιση μοντέλου δεν το αγοράζει πίσω. Το τρέμουλο και η απώλεια πακέτων είναι χειρότερα από ό,τι φαίνονται: τα πακέτα που έχουν χαθεί ή αναδιαταχθεί αλλοιώνουν τον ήχο που μεταγράφει το ASR, επομένως μια «κακή» μεταγραφή είναι συχνά στην πραγματικότητα μια κακή διαδρομή, όχι ένα κακό μοντέλο.
Αυτός είναι ο λόγος για τον οποίο το επίπεδο φορέα ανήκει σε κάθε ειλικρινή αποτίμηση ενός συστήματος φωνητικής τεχνητής νοημοσύνης. Η διαδρομή στην οποία κινούνται οι κλήσεις σας καθορίζει το κατώτατο όριο καθυστέρησης που βρίσκεται πάνω από το AI, την ποιότητα ήχου με την οποία πρέπει να λειτουργήσει το ASR και αν το αναγνωριστικό καλούντος σας συνδέεται καν με αξιοπρεπή ρυθμό απάντησης. Ένας φωνητικός πράκτορας που βασίζεται σε μια φθηνή, μεταπωλημένη διαδρομή με υψηλή καθυστέρηση θα έχει χαμηλότερες επιδόσεις από έναν απλούστερο πράκτορα σε μια καθαρή, άμεση διαδρομή, και αυτός είναι και ο λόγος για τον οποίο... δρομολόγηση φωνής για ροές κλήσεων που βασίζονται σε τεχνητή νοημοσύνη αξίζει να σχεδιαστεί σκόπιμα αντί να αφεθεί στις προεπιλογές. Εάν επιλέγετε υποδομή, η Κανάλωση SIP και τερματισμός φωνής κάτω από το AI αξίζουν τον ίδιο έλεγχο με τα μοντέλα και η ποιότητα της διαδρομής θα πρέπει να ερμηνεύεται με τον τρόπο που περιγράφουμε στο πώς λειτουργεί ο τερματισμός φωνής: από την καθυστέρηση, το jitter και τον ρυθμό απόκρισης, όχι μόνο από την κάρτα ρυθμού.
Συνδέοντας τον αγωγό
Η διαδρομή από τον προφορικό λόγο ενός καλούντος έως την επίλυση ενός προβλήματος είναι απαιτητική και η δύναμη της συνομιλιακής Τεχνητής Νοημοσύνης δεν έγκειται σε ένα μόνο εργαλείο, αλλά στη συνεργασία των στοιχείων σε πραγματικό χρόνο:
- ASR αποτυπώνει τη φωνή μέσα από θόρυβο και προφορές.
- NLU αποκωδικοποιεί την πρόθεση και εξάγει τις λεπτομέρειες.
- DM διαχειρίζεται το πλαίσιο και καθοδηγεί τον διάλογο με πολλαπλές στροφές.
- LLM και επιχειρηματική λογική δημιουργήστε ανθρώπινες απαντήσεις και συνδεθείτε με ασφάλεια στα συστήματά σας.
- TTS παρέχει την απάντηση με φυσικό τόνο και σχεδόν μηδενική καθυστέρηση.
- Το στρώμα φορέα ορίζει τον προϋπολογισμό καθυστέρησης και ποιότητας εντός του οποίου λειτουργούν και οι πέντε.
Με καλή ενσωμάτωση, αυτό σταματά να είναι μια στοίβα τεχνολογιών και γίνεται ένας ψηφιακός υπάλληλος που χειρίζεται τον αυξανόμενο όγκο κλήσεων, μειώνει το λειτουργικό κόστος και προσφέρει μια συνεπή εμπειρία όλο το εικοσιτετράωρο.
Δημιουργία του φωνητικού σας πράκτορα
Καταλαβαίνετε τα στοιχεία. Το πιο δύσκολο κομμάτι είναι η παράδοσή τους με την καθυστέρηση και την ποιότητα ήχου που τα κάνουν να μοιάζουν ανθρώπινα, κάτι που εξαρτάται τόσο από το δίκτυο όσο και από τα μοντέλα και αξίζει να το σχεδιάσετε εκ των προτέρων. δημιουργήστε μια πλατφόρμα κλήσεων με τεχνητή νοημοσύνη στα σοβαρά. Η IDT Express παρέχει ένα Πλατφόρμα φωνητικής τεχνητής νοημοσύνης Χτισμένο στο δικό μας δίκτυο παρόχων, συνδυάζοντας ASR και NLU με εγγενή τηλεφωνία, έτσι ώστε το επίπεδο μεταφοράς να μην αποτελεί δεύτερη σκέψη. Αντί να συνδυάζετε ξεχωριστούς προμηθευτές για τον αγωγό και τις διαδρομές που βρίσκονται από κάτω, έχετε την αρχιτεκτονική, την ποιότητα κλήσεων και την παγκόσμια κάλυψη σε ένα μέρος.
Είστε έτοιμοι να αναπτύξετε έναν φωνητικό παράγοντα που συνδέεται καθαρά; Μιλήστε με την ομάδα μας σχετικά με την πλατφόρμα Voice AI.
Συχνές ερωτήσεις για την Τεχνητή Νοημοσύνη για Φωνή - Συνομιλίες
Τι είναι η Τεχνητή Νοημοσύνη συνομιλίας για φωνητικές κλήσεις; Πρόκειται για έναν αγωγό λογισμικού σε πραγματικό χρόνο που επιτρέπει σε έναν υπολογιστή να πραγματοποιεί μια προφορική τηλεφωνική συνομιλία: ακούγοντας τον καλούντα, κατανοώντας την πρόθεσή του, αποφασίζοντας τι θα κάνει, ενεργώντας σε συστήματα backend και απαντώντας με φυσική φωνή, όλα εντός του χρονισμού μιας κανονικής συνομιλίας.
Ποια είναι τα κύρια στοιχεία ενός συστήματος τεχνητής νοημοσύνης συνομιλίας; Πέντε: αυτόματη αναγνώριση ομιλίας (ASR), κατανόηση φυσικής γλώσσας (NLU), διαχείριση διαλόγου (DM), LLM με ενσωμάτωση επιχειρηματικής λογικής και μετατροπή κειμένου σε ομιλία (TTS). Μια έκτη εξάρτηση, το επίπεδο φορέα ή μεταφοράς, ορίζει την καθυστέρηση και τον προϋπολογισμό ποιότητας ήχου εντός του οποίου εργάζονται οι άλλοι.
Πώς διαφέρει η Τεχνητή Νοημοσύνη για φωνητική συνομιλία από ένα chatbot κειμένου; Ένα chatbot διαβάζει καθαρό, πληκτρολογημένο κείμενο χωρίς πίεση χρόνου. Ένας φωνητικός παράγοντας πρέπει να χειρίζεται πραγματικό ήχο, θόρυβο υποβάθρου, τόνους και διακοπές και πρέπει να ανταποκρίνεται εντός χιλιοστών του δευτερολέπτου, επομένως η καθυστέρηση και η ακρίβεια της ομιλίας έχουν πολύ μεγαλύτερη σημασία από ό,τι στο κείμενο.
Πόσο γρήγορα πρέπει να ανταποκριθεί ένας εκπρόσωπος φωνητικής τεχνητής νοημοσύνης; Ο χρόνος έως τον πρώτο ήχο, το χρονικό διάστημα μεταξύ του τερματισμού της κλήσης από τον καλούντα και της έναρξης της ομιλίας του εκπροσώπου, θα πρέπει ιδανικά να είναι κάτω από 300 χιλιοστά του δευτερολέπτου. Πέρα από αυτό, οι καλούντες αντιλαμβάνονται τον εκπρόσωπο ως αργό, διακόπτοντα ή κλείνουν την κλήση.
Γιατί έχει σημασία το τηλεφωνικό δίκτυο ή το SIP trunk για την τεχνητή νοημοσύνη φωνής; Επειδή ορίζει το κατώτατο όριο καθυστέρησης και την ποιότητα ήχου με την οποία πρέπει να λειτουργήσει η τεχνητή νοημοσύνη. Μια διαδρομή με υψηλή καθυστέρηση ή απώλειες καταναλώνει τον προϋπολογισμό χρόνου απόκρισης και καταστρέφει τον ήχο που μεταγράφει το ASR, επομένως μια καθαρή διαδρομή με χαμηλή καθυστέρηση αποτελεί προϋπόθεση για έναν παράγοντα που μοιάζει με άνθρωπο και όχι προαιρετικό.
Μπορώ να προσθέσω έναν φωνητικό παράγοντα τεχνητής νοημοσύνης στο υπάρχον τηλεφωνικό μου σύστημα; Ναι. Οι φωνητικοί πράκτορες συνδέονται μέσω διαδικτύου. SIP trunking και τερματισμό φωνής, και το Bring Your Own Carrier (BYOC) σάς επιτρέπει να δρομολογείτε κλήσεις με τεχνητή νοημοσύνη μέσω ενός παρόχου χονδρικής, διατηρώντας παράλληλα την υπάρχουσα πλατφόρμα και τους αριθμούς σας.
