Kuulostaako tekoälyääni jo luonnolliselta? Rehellinen arvio tekoälyvastaajan äänenlaadusta

Kaksi vuotta sitten puhelimeen vastannut tekoäly paljastui jo kolmesta ensimmäisestä sanasta. Nykyään useimmat soittajat käyvät koko keskustelun läpi ilman epäilyksen häivää — ja jotkut vannovat puhuneensa ihmisen kanssa. Kumpi se sitten on? Tässä on rehellinen katsaus tekoälyvastaajan äänenlaatuun: mikä kuulostaa aidosti luonnolliselta, missä saumat yhä näkyvät ja miksi kannattaa luottaa omiin korviin enemmän kuin mihinkään esitteeseen.

Jos pyörität yritystä ja pohdit, kannattaako antaa ohjelmiston vastata puheluihisi, ääni ratkaisee kaiken. Vastaamatta jäänyt puhelu on menetetty varaus, mutta puhelu, johon vastaa jokin 2005-vuoden navigaattorin kuuloinen, on kiistatta vielä pahempi — se kertoo soittajalle, ettet välittänyt tarpeeksi vastataksesi itse etkä viitsinyt saada sitä edes kuulostamaan inhimilliseltä. Oikea kysymys ei siis ole "onko tekoälyääni vaikuttava?" Se on "huomaisiko asiakkaani sen, ja haittaisiko se häntä?"

Tämä juttu vastaa siihen niin suoraan kuin osaamme. Me rakennamme tekoälypuhelinassistenttia, joten meillä on peliin panosta — juuri siksi ohjaamme sinut sen yhden testin luo, joka ei valehtele: soita itse ja kuuntele. Mikään määrä tekstiä ei ratkaise tätä. Mutta ennen kuin soitat, on hyvä tietää, mitä kannattaa kuunnella.

Rehellinen ydin: parempi kuin luulet, ei täydellinen

Laitetaan johtopäätös heti kättelyssä ja käytetään loput artikkelista sen ansaitsemiseen. Nykyaikainen puhesynteesi on ylittänyt kynnyksen, jonka jälkeen useimmat soittajat eivät lyhyessä, keskittyneessä puhelussa pysty luotettavasti erottamaan sitä synteettiseksi. Robottimainen yksitoikkoisuus on poissa. Hengenvedot, pienet epäröinnit, äänenkorkeuden luontevat nousut ja laskut — ne asiat, joiden perusteella aivosi päättävät "tämä on ihminen" — ovat pääosin paikoillaan.

Mutta "useimmat soittajat, useimmiten, lyhyissä puheluissa" tekee lauseessa oikeaa työtä. Venytä keskustelua, heitä sille aidosti outo pyyntö tai kuuntele saumoja tarkasti, niin merkit tulevat esiin. Teknologia on samaan aikaan erittäin hyvää ja epätäydellistä, ja kuka tahansa, joka myy sinulle "erottamaton ihmisestä, taatusti", myy. Totuudenmukaisempi versio on hyödyllisempi: se on tarpeeksi hyvä, ettei ääni ole enää syy sanoa ei.

Miksi äänet yhtäkkiä muuttuivat hyviksi

Suurimman osan viime vuosikymmenestä tietokoneen puhe koottiin — ääninäyttelijän pätkittyjä nauhoituksia liimattiin yhteen tai vanhempi moottori ennusti yhden äänteen kerrallaan. Se toimi siinä mielessä, että tekstityksen voi lukea. Se ei koskaan soljunut, koska ihmispuhe ei ole toisistaan riippumattomien äänteiden jono; se, miten sanan sanot, riippuu edellisestä sanasta, lauseen muodosta ja siitä, kysytkö vai kerrotko.

Käänne tuli, kun mallit oppivat tuottamaan koko lausuman yhtenä jatkuvana äänenpätkänä, jonka muotoilee sanotun merkitys ja välimerkit. Siksi nykyaikainen ääni osaa nostaa kysymyksen lopussa, hidastaa puhelinnumeron kohdalla ja antaa sivulauseen häipyä pois niin kuin ihmiset oikeasti tekevät. Se ei lue — se esittää repliikin. Tuo yksittäinen muutos selittää suurimman osan kuulemastasi harppauksesta.

Mitä "luonnollinen" oikeasti tarkoittaa puhelussa

"Luonnollinen" on epämääräinen sana, joten pilkotaan se asioihin, jotka voit oikeasti kuulla. Puhelinkeskustelu on luonnollinen, kun neljä asiaa pitää yhtä aikaa. Jää yksikin niistä puuttumaan, ja koko puhelu tuntuu vinolta, vaikka muut olisivat virheettömiä.

• Sointiväri — äänen raaka sointi: onko siinä aidon ihmisen lämpöä, hengitystä ja tekstuuria vai koneen litteä kiilto?
• Prosodia — melodia ja rytmi: painot oikeissa sanoissa, kysymykset jotka nousevat, lauseet jotka eivät kaikki putoa samalle iskulle.
• Tahti ja vuorottelu — vastaaminen keskustelun tahdissa ja sen tunnistaminen, milloin olet lopettanut lauseen ja milloin vain pitänyt tauon kesken ajatuksen.
• Palautuminen — mitä tapahtuu, kun soittaja keskeyttää, mumisee, muuttaa mielensä tai kysyy jotain ihan puskista.

Tässä on avainoivallus minkä tahansa tekoälyvastaajan arviointiin: sointiväri ja prosodia on pohjimmiltaan ratkaistu; tahti ja palautuminen ovat siellä, missä todelliset erot elävät. Kaksi tuotetta voi käyttää ääntä, joka kuulostaa erikseen yhtä inhimilliseltä, ja silti tuntua elävässä puhelussa aivan erilaiselta, koska toinen käsittelee sotkuiset inhimilliset hetket sulavasti ja toinen kompuroi. Kun testaat, kohdista huomiosi kahteen viimeiseen, ei kahteen ensimmäiseen.

Merkit, jotka yhä paljastavat sen

Rehellisyysosio. Jos tiedät, mitä kuunnella, saat synteettisen äänen yhä kiinni useammin kuin markkinointi antaisi ymmärtää. Mikään näistä ei ole este yrityksen puhelinlinjalle, mutta niiden olemattomaksi teeskenteleminen loukkaisi älyäsi.

Keskeytykset ja päällekkäin puhuminen

Ihmiset puhuvat jatkuvasti toistensa päälle, ja sulavasti. Aloitamme lauseen, kuulemme toisen alkavan ja väistämme lyömättä tahtia harhaan. Tekoäly alkaa olla hyvä pysähtymään keskeytettäessä — ominaisuus nimeltä barge-in — mutta sen jälkeinen palautuminen on kohta, jossa se voi horjua. Katkaise se kesken lauseen, ja heikompi järjestelmä saattaa aloittaa koko lauseensa alusta, kadottaa langan tai pysähtyä hitusen liian pitkäksi aikaa ennen kokoontumista. Hyvä imee keskeytyksen itseensä ja jatkaa. Tämä on yksittäinen paljastavin testi, jonka voit tehdä.

Tunneskaala paineen alla

Neutraalissa, ystävällisessä varauspuhelussa nykyiset äänet ovat vakuuttavan lämpimiä. Paina vahvaan tunteeseen — aidosti järkyttynyt soittaja, sarkasmi, joku joka vitsailee — ja ääni pysyy tasakölisenä tavalla, jolla ihminen ei pysyisi. Se ei kuulosta täsmälleen kylmältä, mutta se ei myöskään vastaa soittajan energiaan niin kuin terävä ihmisvastaanottaja tekisi. Useimmille yrityksille tämä on ihan hyvä; rauhallinen, tasainen ääni on täysin kelpo oletusarvo. Mutta se on merkki, ja se on rehellinen syy olla reitittämättä herkimpiä, tunnepitoisimpia puheluitasi automaation läpi.

Todella epätavallinen pyyntö

Sointiväri kestää. Mikä murtuu, on sisältö, ja ääni seuraa sisältöä alamäkeen. Kysy jotain kaukana yrityksen maailmasta, ja hyvin rakennettu assistentti sanoo suoraan, ettei se voi auttaa siinä, ja tarjoutuu ottamaan viestin. Se on oikea vastaus — mutta hetkellä on usein hieman eri poljento kuin sujuvassa varausvirrassa, ja tarkkaavainen soittaja saattaa huomata muutoksen. Merkki ei tässä ole ääni; se on sauma "käsittelee tämän kauniisti" ja "saavuttaa rajansa" välillä.

Aksentit, murteet ja kielet

Kysymyksen "osaako se käsitellä aksentteja?" sisällä piilee kaksi erillistä kysymystä. Toinen on, pystyykö assistentti ymmärtämään soittajaa, jolla on vahva alueellinen aksentti tai joka ei puhu kieltä äidinkielenään. Toinen on, kuulostaako assistentin oma ääni tietyssä kielessä äidinkieliseltä ja luonnolliselta. Ne eivät nouse ja laske yhtä matkaa, ja kannattaa tietää, kumpaa on testaamassa.

Tuotannon puolella suuret kielet kuulostavat erinomaisilta — äidinkielinen puhuja ei useinkaan erota sitä. Pienemmät kielet ja tietyt alueelliset murteet voivat kuulostaa hieman "oppikirjamaisilta": oikein, selkeästi, mutta kielikurssin kertojan kiillolla eikä naapurista tulevan ihmisen tavoin. Syötteen puolella vahvan aksentin tai meluisassa autossa istuvan soittajan ymmärtäminen on vaikeampaa kuin puhtaan puheen tuottaminen, ja siinä näet selvimmän laatueron vakavasti otettavan tuotteen ja halvan välillä.

Tällä on merkitystä, jos osa asiakkaistasi ei puhu paikallista kieltä äidinkielenään — monikielisen linjan idea on, että he tuntevat tulevansa ymmärretyiksi, ei vain se, että assistentti kuulostaa mukavalta sinun korvaasi. Se on aito kyvykkyys, jota kannattaa painetestata, ei ruutu, johon luottaa uskon varassa.

Tarvitseeko sen edes huijata ketään?

Tähän koko keskusteluun on leivottu oletus, joka ansaitsee haastamisen: että tavoitteena on käydä ihmisestä. Yrityksen puhelinlinjalla se ei yleensä ole — ja sen tavoitteleminen voi kääntyä itseään vastaan.

Se, mitä soittaja oikeasti haluaa, on nopea: lämmin tervehdys, vastaus kysymykseensä, tehty varaus, viesti joka tavoittaa sinut. Sillä, tuliko lämpö ihmiseltä vai hyvin rakennetulta mallilta, on hänelle paljon vähemmän väliä kuin sillä, että hän pääsee jatkamaan päiväänsä. Soittajat antavat "tämä on assistentti" -asian helposti anteeksi. Mitä he eivät anna anteeksi, on jumiin jääminen silmukkaan, väärin kuulluksi tuleminen tai pieneksi tekeminen. Luonnollisuus ansaitsee sinulle muutaman sekunnin hyvää tahtoa puhelun alkuun; pätevyys on se, mikä oikeasti tyydyttää heidät.

On myös periaatteellinen raja, joka kannattaa pitää: assistentin ei pidä teeskennellä olevansa ihminen, kun soittaja kysyy sitä suoraan. "Puhunko oikean ihmisen kanssa?" ansaitsee suoran vastauksen. Ääni, joka on tarpeeksi hyvä sekoittuakseen ihmiseen, on juuri se ääni, jonka pitäisi olla rehellinen kysyttäessä. Luonnolliselta kuulostaminen ja harhaanjohtavuus ovat eri asioita, ja vain ensimmäinen on tavoittelemisen arvoinen.

Miten arvioida äänenlaatua itse — 10 minuutin testi

Olet lukenut tarpeeksi mielipiteitä, meidänkin. Tässä on, miten korvaat ne kaikki todisteilla. Mikä tahansa harkitsemisen arvoinen tekoälypuhelinassistentti antaa sinun puhua sille ennen sitoutumista. Soita sille ja tee tämä tarkoituksella — useimmat vain sanovat "hei, mitkä ovat aukioloaikanne?" ja jäävät ilman mitään oikeaa tietoa.

1. 1
   Keskeytä se kesken lauseen

   Odota, kunnes se on muutaman sanan verran vastauksen sisällä, ja tunge sitten väliin uudella kysymyksellä. Pysähtyykö se siististi ja seuraa sinua, vai aloittaako alusta, jäätyykö tai kadottaako langan? Tämä yksi testi kertoo enemmän kuin seuraavat neljä yhteensä.
2. 2
   Kysy jotain hieman käsikirjoituksen ulkopuolelta

   Ei siansaksaa — aito mutta hankala kysymys, jonka asiakas voisi oikeasti esittää. Tarkkaile, miten se käsittelee rajansa saavuttamista. Hyvä myöntää sen ja tarjoutuu ottamaan viestin; huono bluffaa tai jää silmukkaan.
3. 3
   Muuta mieltäsi ääneen

   Varaa jotain, sano sitten "itse asiassa, sopisiko sittenkin torstai?" Oikeat keskustelut ovat täynnä suunnanmuutoksia. Katso, pysyykö se mukana vai menkö se sekaisin peruutuksesta.
4. 4
   Kuuntele taukoja, älä sanoja

   Sulje silmäsi ja huomaa rytmi. Tulevatko vastaukset keskustelun tahdissa? Ovatko tauot sen pituisia kuin ihminen jättäisi, vai hitusen liian pitkiä, hitusen liian kuolleita?
5. 5
   Anna sille puhelinnumero tai outo nimi

   Sano numero nopeasti tai nimi, joka ei ole ilmeinen. Numerot, kirjoitusasut ja epätavalliset nimet ovat kohta, jossa puheentunnistus ja takaisinluku joko loistavat tai hajoavat. Pyydä sitä toistamaan tiedot takaisin.

Pisteytä kaikki viisi, niin tiedät tuon tuotteen todellisesta äänenlaadusta enemmän kuin mikään vertailutaulukko voisi kertoa — ja tiedät sen sinun käyttötapauksestasi, sinun kielelläsi, niine erikoisuuksineen, jotka oikeat soittajasi tuovat mukanaan.

Missä oma äänemme on — ja miten pyytäisimme sinua tarkistamaan sen

Olisimme huonoja esimerkkejä omasta neuvostamme, jos kehottaisimme sinua testaamaan kaikkia muita ja pyytäisimme sitten uskomaan meitä sanaan. Joten: Vunoon käyttää nykysukupolven ääniä, joita useimmat eivät tavallisessa varaus- tai tiedustelupuhelussa tunnista synteettisiksi. Se tervehtii soittajia, vastaa asettamasi profiilin pohjalta, ottaa varauksia ja viestejä ja lähettää sinulle sähköpostilla yhteenvedon ja tekstityksen jokaisesta puhelusta. Se on rakennettu vastaamaan riittävän nopeasti, jotta keskustelun rytmi säilyy, ja luovuttamaan vuoron sulavasti — ottamaan viestin, pyytämään sinua soittamaan takaisin — sen sijaan että bluffaisi, kun se osuu rajaansa. Kun soittaja kysyy, puhuuko hän ihmisen kanssa, se ei teeskentele muuta.

Emme myöskään aio väittää, että se vetää vertoja loistavalle ihmisvastaanottajalle kuumassa, tunnepitoisessa puhelussa, koska ei se vedä, eikä yhdenkään rehellisen toimittajan tuote vedä. Mitä se luotettavasti tekee, on varmistaa, että puheluun vastataan lämpimästi sunnuntai-iltana kello 20 sen sijaan että se soisi tyhjyyteen — ja useimmille yrityksille oikea vertailu ei ole "tekoäly vastaan loistava vastaanottaja", vaan "tekoäly vastaan vastaaja". Sillä vertailulla äänikysymys vastaa lähes itse itseensä.

Älä siis usko tätä kappaletta. Aja viisivaiheinen testi meillä. Ota se käyttöön muutamassa minuutissa, kuvaile yrityksesi ja soita omalle assistentillesi kuullaksesi täsmälleen, miltä se kuulostaa käsitellessään niitä puheluita, joita oikeasti saat. Jos se ei ylitä rimaasi, olet menettänyt kymmenen minuuttia ja oppinut jotain. Jos ylittää, olet kuullut todisteen itse — joka on ainoa todiste, jolla koskaan oli väliä.