CTI論壇(ctiforum.com) （編譯/老秦）： “任何傻瓜都知道。重點(diǎn)是要了解。”- 艾爾伯特愛(ài)因斯坦
人工智能 (AI) 幫助實(shí)現聯(lián)絡(luò )中心未來(lái)的多種方式令人興奮。而且，由于 COVID-19 最初幾個(gè)月推動(dòng)的數字化采用，如果這個(gè)未來(lái)現在還沒(méi)有發(fā)生，那么它指日可待。
但是，無(wú)論聯(lián)絡(luò )中心 AI (CCAI) 發(fā)展得多么迅速，重要的是要了解它仍然與一個(gè)容易被忽視的因素--轉錄準確性--聯(lián)系在一起。而且，對于那些負責投資客戶(hù)服務(wù) AI 未來(lái)的人來(lái)說(shuō)，了解原因至關(guān)重要。
為了理解我們所說(shuō)的意思，機器需要知道我們正在說(shuō)的是什么
與愛(ài)因斯坦的 POV 相反，機器理解語(yǔ)音的能力確實(shí)歸結為它們準確知道所說(shuō)內容的能力。或者，更具體地說(shuō)，自然語(yǔ)言理解 (NLU) 完全取決于給定 AI 轉錄構成人類(lèi)語(yǔ)音的不同音高、口音、噪音和方言的能力。
而且，要在現代化聯(lián)絡(luò )中心中有所作為，需要實(shí)時(shí)了解所說(shuō)的內容。
輸入轉錄引擎，傳統上，這些引擎有單獨的聲學(xué)、發(fā)音和語(yǔ)言模型，每個(gè)模型都是單獨訓練的。讓這些模型協(xié)同工作需要大量的時(shí)間和精力。傳統的轉錄引擎難以調整并且提供相對較低的轉錄準確度。然而，轉錄架構在過(guò)去十年中發(fā)展迅速。
當今一流的語(yǔ)音引擎使用統一和優(yōu)化音頻和語(yǔ)言建模的端到端 (E2E) 模型。以這種方式轉錄的文本現在通過(guò)多個(gè) NLP 管道進(jìn)行處理，同步工作以生成結構化數據。然后，NLU 系統會(huì )解釋這些數據，以更好地理解所講內容的意圖、目標和突出部分。
具有諷刺意味的是，這種現代架構比它的前輩更簡(jiǎn)單、更準確。而且，也許最重要的是，E2E 轉錄引擎也更容易根據客戶(hù)特定的數據進(jìn)行微調。特別是在聯(lián)絡(luò )中心內，這意味著(zhù)他們的轉錄準確性會(huì )隨著(zhù)品牌和特定產(chǎn)品客戶(hù)交互的培訓而迅速提高。 E2E 正迅速成為現代轉錄引擎的黃金標準，也是我們在Cresta使用的方法。
但這讓我們回到了最初的觀(guān)點(diǎn)--像Cresta所使用的那樣出色的自然語(yǔ)言理解 (NLU) 僅與它所提供的結構化數據一樣好，這與轉錄的質(zhì)量一樣好。
這意味著(zhù)（反過(guò)來(lái)）實(shí)時(shí)指導幫助座席幫助客戶(hù)的能力與其轉錄引擎的準確性有關(guān)。正如非常非愛(ài)因斯坦的諺語(yǔ)所說(shuō)，“Garbage in, garbage out”。
測量轉錄準確度的行業(yè)標準
好的，那么我們如何定義"好的"轉錄準確度是什么？這是一個(gè)簡(jiǎn)單的問(wèn)題，但回答起來(lái)有點(diǎn)復雜。
讓我們從單詞錯誤率 (WER) 開(kāi)始，這是衡量語(yǔ)音到文本能力轉錄準確性的行業(yè)標準。 WER 的計算方法是對一段轉錄文本中的替換、插入和刪除進(jìn)行總計，然后將該數量除以實(shí)際說(shuō)出的單詞數。而且，與大多數技術(shù)一樣，隨著(zhù)提供語(yǔ)音到文本的平臺逐年改進(jìn)，它們各自的 WER 下降。
例如，2018 年，領(lǐng)先的語(yǔ)音轉文本平臺之一的 WER 約為 30%。到 2020 年，他們的估計平均值下降到 27%。到 2021 年，也就是一年后，另一項估計將相同的 WER 定為 12%。因此，隨著(zhù)轉錄引擎的改進(jìn)，"良好的轉錄準確性"的定義將保持不變。作為參考，今天的"現成"語(yǔ)音到文本產(chǎn)品（例如亞馬遜、谷歌、IBM Watson）的平均 WER 為 25%。
重要的是要注意，就像 NLU 的"Garbage in, garbage out"，WER 測量在很大程度上受到訓練數據質(zhì)量的影響。對于許多企業(yè)而言，針對特定業(yè)務(wù)術(shù)語(yǔ)的 WER 將比針對通用語(yǔ)言的 WER 重要得多。這就是為什么可調性如此重要的原因。
Cresta在現代轉錄引擎中尋找什么
綜上所述，有很多方法可以衡量現代轉錄引擎的質(zhì)量。因此，舉例來(lái)說(shuō)，除了我們自己的工程師在Cresta的轉錄引擎方面優(yōu)先考慮的轉錄準確性之外，還有以下三個(gè)主要標準：
1. 可定制性
對于聯(lián)絡(luò )中心應用程序，自定義和調整轉錄引擎的能力至關(guān)重要。每個(gè)企業(yè)都不同，快速調整轉錄模型以準確檢測品牌特定語(yǔ)言對于有效的人工智能驅動(dòng)功能是必須的。這樣做，可以顯著(zhù)提高特定客戶(hù)的 WER。Cresta的專(zhuān)有轉錄方法使我們的團隊能夠為每個(gè)客戶(hù)快速創(chuàng )建自定義轉錄模型。
2. 實(shí)時(shí)
延遲對于實(shí)時(shí)聯(lián)絡(luò )中心應用程序中使用的轉錄引擎至關(guān)重要。這是因為最初的（即非最終的）成績(jì)單首先浮出水面，然后隨著(zhù)更多上下文的收集進(jìn)行調整以變得更加準確。某些音頻片段的最終結果可能比最初的猜測（100ms 到 500ms）需要更長(cháng)的時(shí)間（500ms 到 2s 甚至更長(cháng)）。延遲是Cresta實(shí)時(shí)架構的核心，允許我們在對話(huà)展開(kāi)時(shí)向座席和經(jīng)理呈現高度準確的轉錄。
3. 可集成性
最后但并非最不重要的一點(diǎn)是可集成性。一流的轉錄引擎可以接收來(lái)自許多不同來(lái)源的音頻流，包括 SIPREC、Amazon Connect、直接來(lái)自座席桌面等。而且隨著(zhù)音頻系統的不斷發(fā)展，特別是隨著(zhù)向CCaaS和UCaaS的轉變，快速且簡(jiǎn)單的集成至關(guān)重要。考慮到這一點(diǎn)，Cresta旨在快速集成到云和混合環(huán)境中，幫助我們兌現我們的承諾，即充當客戶(hù)對話(huà)的真正智能層。
轉錄準確性和聯(lián)絡(luò )中心 AI 的未來(lái)
那么轉錄引擎的未來(lái)會(huì )怎樣呢？在未來(lái)的某個(gè)時(shí)候，聯(lián)絡(luò )中心人工智能能否實(shí)現完美的轉錄準確性？可能不是。由于語(yǔ)言本身在不斷地適應和發(fā)展，即使是人工轉錄服務(wù)也無(wú)法保持 100% 的準確率。
但 100% 的準確率并不是重點(diǎn)。在Cresta，我們相信 AI 的真正力量在于使用它來(lái)協(xié)助勞動(dòng)力，而不是追求自動(dòng)化。這意味著(zhù)提供有效的實(shí)時(shí)指導和生產(chǎn)力能力，幫助座席提供有影響力的客戶(hù)體驗。
聲明：版權所有 非合作媒體謝絕轉載
原文網(wǎng)址：https://cresta.com/blog/transcription-is-critical-to-contact-center-ai/
