ASR

ASR (Automatic Speech Recognition) to technologia, dzięki której maszyna rozumie ludzką mowę - rozkłada nagranie głosu na słowa i zapisuje je jako tekst. To ona sprawia, że voicebot czy głosowy IVR wie, co klient powiedział, zamiast czekać na wciśnięcie klawisza.

ASR jest wejściową stroną rozmowy głosowej z automatem. Klient mówi, ASR przekłada to na tekst, a dalsza logika - rozpoznanie intencji - decyduje, co z tym zrobić. W parze z TTS, który zamienia tekst z powrotem na mowę, tworzy pełną rozmowę: system słyszy i odpowiada głosem.

Od czego zależy jakość rozpoznawania?

Od kilku rzeczy naraz. Jakość nagrania i łącza, akcent i tempo mówienia, hałas w tle, a przede wszystkim dopasowanie silnika do języka i słownictwa branży. Polski jest dla ASR trudniejszy niż angielski - odmiana, wymowa liczb i dat czy nazwy własne potrafią sprawić kłopot, jeśli silnik nie był na nie trenowany.

Przykład praktyczny

ASR w praktyce contact center

Rozpoznawanie mowy przydaje się nie tylko botom. Ten sam silnik potrafi transkrybować rozmowy konsultantów - zamieniać nagrania na tekst, który da się przeszukać i przeanalizować pod kątem jakości albo zgodności z procedurą. Z godzin nagrań powstaje przeszukiwalna baza wiedzy o tym, o czym naprawdę rozmawiają klienci.

Nowsze silniki ASR, oparte na uczeniu maszynowym, radzą sobie znacznie lepiej z mową potoczną i szumem niż starsze rozwiązania. Wciąż jednak nie są nieomylne, dlatego przy sprawach krytycznych, jak podanie numeru konta, łączy się je z potwierdzeniem, żeby błąd rozpoznania nie poszedł dalej.