Звучат ли голоса ИИ естественно сегодня? Честная оценка качества голоса ИИ-секретаря

Два года назад ИИ, отвечающий на ваш телефон, выдавал себя первыми же тремя словами. Сегодня большинство звонящих завершают разговор, ни о чём не задумавшись, — а некоторые уверены, что говорили с человеком. Так что же в итоге? Вот честный разбор качества голоса ИИ-секретаря: что действительно звучит естественно сейчас, где ещё видны швы и почему собственным ушам стоит доверять больше, чем любой брошюре.

Если вы ведёте бизнес и раздумываете, доверить ли программе отвечать на звонки, голос решает всё. Пропущенный звонок — это потерянная запись, но звонок, на который ответило нечто, похожее на навигатор образца 2005 года, пожалуй, ещё хуже: он говорит клиенту, что вам было лень взять трубку и вы не потрудились даже звучать по-человечески. Так что честный вопрос не «впечатляет ли голос ИИ?». Он звучит так: «заметит ли мой клиент и будет ли ему это неприятно?»

Эта статья отвечает на него настолько прямо, насколько мы можем. Мы делаем телефонного ИИ-ассистента, так что мы заинтересованная сторона — именно поэтому мы укажем вам на единственную проверку, которая не врёт: позвоните сами и послушайте. Никакой текст этот вопрос не закроет. Но прежде чем звонить, полезно знать, на что обращать внимание.

Честный итог: лучше, чем вы думаете, но не идеально

Давайте вынесем вывод вперёд, а остальную часть статьи потратим на то, чтобы его обосновать. Современный синтез речи перешагнул порог, за которым в коротком, конкретном телефонном разговоре большинство звонящих уже не могут надёжно распознать, что голос синтетический. Роботизированной монотонности больше нет. Вдохи, лёгкие заминки, естественные подъёмы и спады интонации — то, по чему ваш мозг решает «это человек», — по большей части на месте.

Но «большинство звонящих, в большинстве случаев, в коротких звонках» несёт в этой фразе всю нагрузку. Растяните разговор, подкиньте по-настоящему странную просьбу или прислушайтесь к швам — и приметы проявятся. Технология очень хороша и несовершенна одновременно, и всякий, кто продаёт вам «неотличимо от человека, гарантированно», именно продаёт. Правдивая версия полезнее: голос уже достаточно хорош, чтобы больше не быть причиной сказать «нет».

Почему голоса вдруг стали хорошими

Большую часть последнего десятилетия компьютерная речь собиралась по кусочкам — из нарезанных записей диктора, сшитых вместе, или из старого движка, предсказывавшего один звуковой фрагмент за раз. Это работало в том смысле, в каком читается субтитр. Но это никогда не текло, потому что человеческая речь — не цепочка независимых звуков; то, как вы произносите слово, зависит от предыдущего слова, от формы всего предложения и от того, спрашиваете вы или утверждаете.

Перелом наступил, когда модели научились генерировать целое высказывание как один непрерывный кусок аудио, сформированный смыслом и пунктуацией сказанного. Вот почему современный голос знает, что нужно повысить тон в конце вопроса, замедлиться на номере телефона и дать фразе сойти на нет так, как это делают люди. Он не читает — он играет реплику. Именно это единственное изменение и отвечает за большую часть того скачка, который вы слышали.

Что «естественно» на самом деле значит в телефонном разговоре

«Естественно» — расплывчатое слово, так что разложим его на то, что действительно можно услышать. Телефонный разговор естественен, когда одновременно держатся четыре вещи. Пропустите хотя бы одну — и весь звонок ощущается фальшиво, даже если остальные безупречны.

• Тембр — сам звук голоса: есть ли в нём теплота, дыхание и фактура живого человека или плоский металлический блеск машины?
• Просодия — мелодика и ритм: ударения на нужных словах, вопросы, которые повышаются, фразы, которые не заканчиваются все на одну и ту же ноту.
• Темп и очерёдность реплик — ответ на скорости разговора и понимание, где вы закончили предложение, а где сделали паузу посреди мысли.
• Восстановление — что происходит, когда звонящий перебивает, бормочет, передумывает или спрашивает что-то совершенно неожиданное.

Вот ключевая мысль для оценки любого ИИ-секретаря: тембр и просодия по сути решены; настоящие различия живут в темпе и восстановлении. Два продукта могут использовать голос, звучащий одинаково человечно по отдельности, а на живом звонке ощущаться как небо и земля, потому что один изящно справляется с сумбурными человеческими моментами, а другой спотыкается. Когда будете тестировать, направьте внимание на две последние вещи, а не на две первые.

Приметы, которые всё ещё выдают

Раздел честности. Если знать, на что прислушиваться, синтетический голос всё ещё можно поймать чаще, чем следует из маркетинга. Ни одна из этих примет не критична для делового телефона, но делать вид, что их нет, значило бы оскорбить ваш ум.

Перебивания и наложение речи

Люди постоянно говорят друг поверх друга — и делают это плавно. Мы начинаем фразу, слышим, что собеседник заговорил, и уступаем, не сбиваясь. ИИ всё лучше умеет останавливаться, когда его перебивают, — эту функцию называют barge-in, — но именно восстановление после этого может дрогнуть. Оборвите его на полуслове, и слабая система может начать всю фразу заново, потерять нить или сделать паузу чуть длиннее нужного, прежде чем собраться. Хорошая впитывает перебивание и движется дальше. Это самая показательная проверка, какую вы можете провести.

Эмоциональный диапазон под давлением

Для нейтрального, дружелюбного звонка с записью текущие голоса убедительно тёплые. Но добавьте сильную эмоцию — по-настоящему рассерженного звонящего, сарказм, шутника — и голос остаётся ровным так, как человек бы не остался. Он не прозвучит холодно, но и не подхватит энергию звонящего так, как это сделал бы бойкий живой секретарь. Для большинства бизнесов это нормально; спокойный, ровный голос — вполне хорошая настройка по умолчанию. Но это примета, и это честный повод не пускать через автоматизацию самые деликатные, эмоциональные звонки.

По-настоящему необычная просьба

Тембр держится. Ломается содержание, и голос следует за содержанием вниз. Спросите что-то далеко за пределами мира этого бизнеса, и хорошо сделанный ассистент прямо скажет, что не может с этим помочь, и предложит принять сообщение. Это верный ответ — но у этого момента часто чуть другой ритм, чем у гладкого потока записи, и внимательный звонящий может уловить сдвиг. Примета здесь не в звуке; она в шве между «справляется с этим прекрасно» и «упирается в свой предел».

Акценты, диалекты и языки

Внутри вопроса «справится ли он с акцентами?» прячутся два разных вопроса. Первый — способен ли ассистент понять звонящего с сильным региональным акцентом или неносителя языка. Второй — звучит ли собственный голос ассистента родным и естественным на данном языке. Эти два не растут и не падают вместе, и стоит понимать, что именно вы проверяете.

На стороне вывода крупные языки звучат отлично — носитель часто не отличит. Небольшие языки и конкретные региональные диалекты могут звучать слегка «по-учебнику»: правильно, ясно, но с лоском диктора языкового курса, а не человека из соседнего двора. На стороне ввода понять сильный акцент или звонящего из шумной машины труднее, чем произвести чистую речь, — и именно здесь виден самый явный разрыв в качестве между серьёзным продуктом и дешёвым.

Это важно, если часть ваших клиентов не владеет местным языком как родным — смысл многоязычной линии в том, чтобы понятым чувствовали себя они, а не просто чтобы ассистент приятно звучал для вас. Это реальная способность, которую стоит проверять под нагрузкой, а не галочка, которой верят на слово.

А нужно ли ему вообще кого-то обмануть?

Во всём этом разговоре зашито допущение, которое стоит оспорить: что цель — сойти за человека. Для делового телефона это обычно не так — и погоня за этим может обернуться против вас.

На самом деле звонящему нужно быстрое: тёплое приветствие, ответ на вопрос, сделанная запись, сообщение, которое до вас дойдёт. Пришла ли теплота от человека или от хорошо сделанной модели, для него куда менее важно, чем возможность двигаться дальше по своим делам. «Это ассистент» звонящие прощают легко. Чего они не прощают — так это застревания в цикле, недослышанности или ощущения, что их принизили. Естественность зарабатывает вам пару секунд доброжелательности в начале звонка; удовлетворяет их на самом деле компетентность.

Есть и черта, которую стоит держать из принципа: ассистент не должен притворяться человеком, когда звонящий спрашивает напрямую. «Я говорю с живым человеком?» заслуживает прямого ответа. Голос, достаточно хороший, чтобы его приняли за человека, — это ровно тот голос, который должен быть честным, когда его спрашивают. Звучать естественно и вводить в заблуждение — разные вещи, и стремиться стоит только к первому.

Как самому оценить качество голоса — 10-минутный тест

Вы прочли достаточно мнений, включая наше. Вот как заменить их все доказательством. Любой стоящий рассмотрения телефонный ИИ-ассистент даст вам поговорить с ним до того, как вы на что-то решитесь. Позвоните и проведите этот тест намеренно — большинство просто говорят «здравствуйте, какой у вас график?» и уходят без всякой реальной информации.

1. 1
   Перебейте его на полуслове

   Дождитесь, пока он произнесёт несколько слов ответа, и вклиньтесь с новым вопросом. Останавливается ли он чисто и следует за вами или начинает заново, зависает, теряет нить? Одна эта проверка скажет вам больше, чем следующие четыре вместе взятые.
2. 2
   Спросите что-то чуть не по сценарию

   Не абракадабру — реальный, но неудобный вопрос, который клиент действительно может задать. Посмотрите, как он справляется с достижением своего предела. Хороший признаёт это и предлагает принять сообщение; плохой блефует или зацикливается.
3. 3
   Передумайте вслух

   Запишитесь на что-нибудь, а потом скажите: «вообще-то давайте лучше в четверг?». Реальные разговоры полны поправок на ходу. Посмотрите, поспевает ли он или запутывается от разворота.
4. 4
   Слушайте паузы, а не слова

   Закройте глаза и заметьте ритм. Приходят ли ответы на скорости разговора? Той ли длины паузы, что оставил бы человек, или на такт длиннее, на такт мертвее?
5. 5
   Продиктуйте номер телефона или необычное имя

   Назовите номер быстро или неочевидное имя. На числах, написаниях и необычных именах распознавание речи и повтор либо блещут, либо разваливаются. Попросите повторить данные вам обратно.

Оцените все пять — и вы узнаете о реальном качестве голоса этого продукта больше, чем скажет любая сравнительная таблица, и узнаете это применительно к вашему сценарию, на вашем языке, с теми причудами, которые приносят ваши настоящие звонящие.

Где находится наш собственный голос — и как бы мы предложили его проверить

Мы были бы плохими примерами собственного совета, если бы велели вам проверить всех остальных, а потом попросили поверить нам на слово. Итак: Vunoon использует голоса текущего поколения, которые в обычном звонке с записью или вопросом большинство людей не опознают как синтетические. Он приветствует звонящих, отвечает из профиля, который вы настроили, принимает записи и сообщения и присылает вам на почту сводку и расшифровку каждого звонка. Он сделан так, чтобы отвечать достаточно быстро, чтобы разговор сохранял ритм, и чтобы изящно передавать дело дальше — принять сообщение, устроить обратный звонок, — а не блефовать, упершись в свой предел. Когда звонящий спрашивает, говорит ли он с человеком, он не притворяется, что это так.

Мы также не собираемся утверждать, что он не уступит блестящему живому секретарю на накалённом, эмоциональном звонке, потому что уступает, и ни у одного честного поставщика не иначе. Что он делает надёжно — так это следит, чтобы на звонок ответили тепло в восемь вечера в воскресенье, а не оставили гудки в пустоту. И для большинства бизнесов настоящее сравнение не «ИИ против отличного секретаря», а «ИИ против автоответчика». В этом сравнении вопрос голоса почти отвечает сам за себя.

Так что не верьте этому абзацу. Прогоните пятишаговый тест на нас. Настройте за несколько минут, опишите свой бизнес и позвоните собственному ассистенту, чтобы услышать в точности, как он звучит на тех звонках, которые вы действительно получаете. Если он не дотянет до вашей планки, вы потеряли десять минут и кое-что узнали. Если дотянет — вы услышали доказательство сами, а это единственное доказательство, которое когда-либо имело значение.