Телефония и ИИ
Разделение голосов в моно-записи звонков
В моно-файле клиент и сотрудник записаны в одном канале. Мы делим запись на реплики по голосам, чтобы по ней можно было считать, слушать и подписывать звонок.
Открываешь запись звонка и видишь одну дорожку. Клиент и сотрудник на ней вперемешку, и невозможно сказать, сколько говорил каждый, перебивал ли администратор и что именно сказал клиент. С двумя дорожками это решается за минуту, с одной нужна отдельная работа.
Эта страница про то, как такая работа устроена и от чего зависит результат. Если после чтения нужна оценка на ваших записях, пришлите образцы, и мы посмотрим.
Моно и стерео: в чём разница для звонка
Стерео-запись хранит разговор на двух каналах: в одном голос звонящего, в другом голос ответившего. Разделять нечего, дорожки уже раздельны. Моно-запись сводит оба голоса в один канал, и после сведения обратно их так просто не развести.
У большинства облачных АТС запись звонка отдаётся файлом mp3, чаще всего моно. У МегаФон ВАТС это mp3 с частотой 8 кГц в моно. Формат записи у остальных провайдеров мы уточняем при подключении: стерео-запись по каналам включаем, если ваш тариф её отдаёт, а в моно разделяем по голосам. У Asterisk стерео включается настройкой записи.
Почему разделить голоса сложнее, чем кажется
Первая трудность в качестве звука. Телефонная запись узкополосная, 8 кГц, и многие различия голосов, которые слышны в студии, здесь теряются. Мужской и женский голос различить по-прежнему несложно, а два похожих женских голоса уже могут слиться.
Вторая трудность в перебиваниях. Когда клиент и сотрудник говорят одновременно, в моно-файле остаётся смесь. Отделить её нельзя, можно только пометить участок как наложение. Третья в коротких репликах: «да», «угу», «понял» дают мало материала, и отнести их к одному из двух голосов тяжело.
Поэтому честный результат диаризации выглядит как набор реплик с границами, среди которых есть участки, помеченные как неуверенные.
Что такое диаризация и чем она помогает
Диаризация отвечает на вопрос «кто говорит когда». Система находит в записи участки речи и группирует их по голосам: это один говорящий, это другой. Имена она не знает, получаются метки «голос 1» и «голос 2».
Дальше на этих метках строится всё остальное. Расшифровка получает реплики с автором, и видно, кто задал вопрос, а кто ответил. Можно посчитать, как долго говорил сотрудник и сколько ждал клиент. Можно найти место, где клиент назвал дату или услугу, и передать эту реплику ассистенту, который заполнит карточку. Для расшифровки звонков и анализа звонков разделённые реплики заметно полезнее сплошного текста.
Чем это отличается от определения конкретного сотрудника
Диаризация говорит «здесь два голоса, первый сказал это, второй то». Какой из них сотрудник, а какой клиент, она сама не называет. Определение сотрудника отвечает на следующий вопрос: кто именно из ваших администраторов ответил на звонок. Для этого голос сотрудника сравнивается с эталоном, который мы берём из его реальных звонков.
Одно без другого работает плохо. Чтобы сравнить голос с эталоном, надо сначала взять речь сотрудника отдельно от речи клиента. Это и делает диаризация. Подробно про второй шаг, включая тарифы, биометрию и согласия, на странице про определение сотрудника по голосу.
Получите план в течение 24 часов, как усилить ваш бизнес с помощью ИИ
Как это связано с подписью звонка и аналитикой
Подпись звонка именем сотрудника нужна, чтобы в Битрикс24 появился ответственный, а в отчётах человек, на которого можно смотреть. Без разделения голосов она невозможна для моно-записей: сравнивать пришлось бы смесь двух людей. Когда голоса разделены, сравнение идёт только с речью ответившего.
Дальше подпись попадает в отчёты. Звонок привязан к администратору, и по нему можно считать конверсию по администраторам: от обращения до записи и прихода. Привязку в этом случае даёт либо телефония, либо голос. Отчёты по входящим строятся по метаданным без анализа содержания разговоров, а разделение голосов нужно тем функциям, которые читают сам разговор.
Что нужно от вас
Образцы записей
Несколько звонков из вашей телефонии в том формате, в каком они у вас хранятся: mp3, моно или стерео, как есть, без обработки.
Разбор формата
Смотрим, сколько каналов в файле, какая частота, есть ли шум и перебивания. По этому уже видно, чего ждать.
Пилот на ваших записях
Прогоняем записи через разделение и показываем результат: где реплики разошлись чисто, где участки неуверенные. Точность замеряем на ваших записях, на пилоте.
Подключение
Если результат подходит, подключаемся к вашей АТС по SIP, API или вебхукам и настраиваем получение записей под вашу АТС и тариф.
От чего зависит результат
Наложения голосов остаются наложениями, их помечаем отдельно. Громкая связь и шумный зал ухудшают результат. Если у двух людей очень похожие голоса, система может принять их за одного. Совсем короткие звонки дают мало речи для разделения. Процентов точности здесь нет: на вашей линии результат может оказаться другим, чем на чужой.
Если запись стерео, задача проще, и разделение голосов по каналам делается без этих оговорок. Формат мы проверяем на ваших файлах, а не по документации провайдера.
Страницы по теме
Определение сотрудника по голосу
Следующий шаг после разделения голосов: кто именно из сотрудников ответил.
Расшифровка звонков
Реплики с автором читаются проще сплошного текста.
Анализ звонков
Разбор разговоров опирается на то, что сказал клиент и что сотрудник.
Asterisk
Единственный случай, где стерео-запись у нас подтверждена.
UIS
Телефония, где в журнале уже есть ответивший сотрудник.
Речевая аналитика
Определение термина, внутри которого работает разделение голосов.
Частые вопросы
Да, диаризацией: система группирует участки речи по голосам. Участки, где оба говорят одновременно, остаются наложением и помечаются как неуверенные.
Диаризация делит запись на голоса без имён. Определение сотрудника сравнивает голос с эталоном и называет, кто из ваших сотрудников ответил. Подробности на странице про определение по голосу.
Это зависит от провайдера и тарифа, поэтому мы смотрим на ваших файлах. У МегаФон ВАТС это mp3, моно, 8 кГц. Стерео-запись по каналам включаем, если ваш тариф её отдаёт; в моно разделяем по голосам.
Несколько записей из вашей телефонии без обработки. Желательно с примерами перебиваний и из разных часов работы.
Процентов не называем. Точность замеряем на ваших записях, на пилоте.
Хуже. Если несколько человек говорят в один микрофон, голоса смешиваются, и такой звонок может остаться без разделения и без подписи.
Диаризация сама по себе эталонов голосов не хранит. Согласия нужны на следующем шаге, при определении конкретного сотрудника: как правило, это биометрические данные. Формулировку стоит согласовать с юристом.
Отдельного тарифа на одно разделение голосов у нас нет, оно работает внутри определения сотрудника по голосу: от 5 900 ₽/мес. Цены и условия в блоке дополнительных продуктов.
Продукт команды PapAI Soft
Записи звонков с АТС — в оценку по регламенту
CANAL берёт записи разговоров, расшифровывает их и оценивает работу менеджеров по чек-листу из вашего регламента, с цитатой под каждым выводом. Подключение самостоятельное, бесплатный тариф без карты.
