我們平時接觸到的和語音相關(guān)的應(yīng)用，不管展現(xiàn)形式是什么，其核心是自動語音識別(Automatic Speech Recognition，ASR)，很多時候再加上和其他技術(shù)的集成應(yīng)用。由于聲音文件無法直接處理，所以通過 ASR 將聲音轉(zhuǎn)成文字之后再處理，比如語音輸入法、自動語音應(yīng)答、語音搜索。通俗地說，就是將語音轉(zhuǎn)化成文字(STT)，過程正好和語音合成(TTS)相反。接下來要討論的是呼叫中心在哪些場景中可以使用 ASR?如何使用才能讓語音應(yīng)用更加實際可用。

一、語音識別技術(shù)的發(fā)展

語音識別技術(shù)的應(yīng)用由來已久，但一直沒有出現(xiàn)很成熟的應(yīng)用。準確地識別一段語音，是件非常困難的事。除了不同語種的差別，即使是漢語，在加入方言、口音、同音字詞這些因素后也會產(chǎn)生海量的語音要識別，直到最近幾年，自動語音識別又開始成為熱門的討論內(nèi)容，一個又一個呼叫中心開始立項。推動自動語音識別應(yīng)用發(fā)展的力量主要來自兩個方面，一方面是技術(shù)的進步，另一方面是持久的訓練。

在更快的計算能力和更高級的算法出現(xiàn)以前，自動語音識別技術(shù)的應(yīng)用必然被限制在實驗室中或者某一狹窄的領(lǐng)域。幸運的是計算能力一直在提升，上世紀 80 年代又出現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)算法，所以應(yīng)對千變?nèi)f化的語音才變得越來越容易，也因此而誕生了今天眾多的智能語音應(yīng)用。

技術(shù)進步是持久訓練得以產(chǎn)生效果的基礎(chǔ)，因為當計算機沒有能力處理海量數(shù)據(jù)的時候，再多的訓練產(chǎn)生再多的數(shù)據(jù)也是沒有用的。自動語音識別技術(shù)應(yīng)用發(fā)生質(zhì)的變化依賴于計算能力和算法這些基礎(chǔ)軟硬件的升級換代，這取決于基礎(chǔ)科學技術(shù)領(lǐng)域的進步。你是不是聯(lián)想到《三體》小說中關(guān)于基礎(chǔ)物理的觀點?基礎(chǔ)物理學的發(fā)展才能推動科技發(fā)生質(zhì)的飛躍，基礎(chǔ)物理學沒有新的發(fā)現(xiàn)和理論，科學技術(shù)就會被限制在某個層次上。

當年在英語環(huán)境下應(yīng)用不錯的產(chǎn)品，到了中文環(huán)境就水土不服，那就是因為訓練太少。相信很多人在了解某個語音產(chǎn)品時，問得最多的一個熱點問題就是“方言識別效果怎么樣?”，以前得到的答案是“只支持普通話”，后來得到的答案是“可以支持帶口音的普通話”。其中的差別在哪?不是技術(shù)發(fā)生什么變化了，只是訓練的多了，見識的語音足夠多了。經(jīng)過訓練的自動語音識別應(yīng)用和10年前確實不可同日而語了，如果再拋開那些表示語氣的字詞，對句子核心意思的翻譯準確率應(yīng)該已經(jīng)很不錯了。

現(xiàn)在，自動語音識別的相關(guān)應(yīng)用要有好的表現(xiàn)，還得像過去的幾年一樣，要不斷去訓練訓練再訓練，不同地域口音方言的訓練、不同行業(yè)專業(yè)詞匯的訓練、不同聲音采樣率精度的訓練。自動語音識別哪家投入的針對性訓練多、優(yōu)化多，哪家的應(yīng)用表現(xiàn)就好。一句話， 聽多識廣，總能優(yōu)化，也總要優(yōu)化。這就是從應(yīng)用發(fā)展的角度理解自動語音識別技術(shù)應(yīng)用。

與對待智能機器人的態(tài)度相類似，更經(jīng)濟的做法是把自動語音識別應(yīng)用在有限的業(yè)務(wù)范圍內(nèi)，焦點放在“要識別什么”，而不是“還有什么不能識別”。比如，手機上的用于識別操作指令，效果就不錯，因為要識別的內(nèi)容被限定在某個特定的范圍內(nèi)。分析一下你的業(yè)務(wù)，其實要識別的有價值的內(nèi)容應(yīng)該也不會很多很多吧。而且，大多數(shù)的業(yè)務(wù)，識別語音并不需要很高很高的準確率。這就為今天自動語音識別技術(shù)實際應(yīng)用到業(yè)務(wù)中創(chuàng)造了機會。字符識別(OCR)是一個很好的可以類比的例子，從普遍性來說 OCR 還是不成熟的，在中文領(lǐng)域甚至難于 ASR，但最近停車場應(yīng)用在車牌識別方面卻非常普遍。

下面就具體說說呼叫中心一些和自動語音識別相關(guān)的應(yīng)用場景。

二、第一類應(yīng)用，簡單指令或有限字詞的識別

IVR 導(dǎo)航是一個最普遍的應(yīng)用，該應(yīng)用可以根據(jù)客戶所說的地址自動播報電話號碼，如今我們用語音查詢保費、導(dǎo)航 IVR 菜單、語音查詢賬單，在內(nèi)容上的難度要低于地址查詢，因為地址涉及到的字詞更多。這類應(yīng)用還有一個特征，是單次互動，沒有復(fù)雜的交流過程，所以使用語音識別產(chǎn)品把語音轉(zhuǎn)成文字，再加一些簡單的關(guān)鍵詞理解，可能就上線應(yīng)用了，本身技術(shù)難度不大。

如果和其他系統(tǒng)融合再深入些，有兩個場景是可以考慮的。

其一，關(guān)鍵詞輔助指引。在人工和客戶通話過程中，系統(tǒng)自動根據(jù)預(yù)設(shè)的關(guān)鍵字詞調(diào)取相關(guān)的知識庫內(nèi)容展示在頁面上，大大提高了座席獲取知識庫知識的效率，尤其是在知識被碎片化成 FAQ 的情況下。如果有比較好的智能機器人支持，效果當然更加不凡。這類應(yīng)用逐漸開展的做法，可以是設(shè)置需要識別的字詞過濾，這樣可以把少量已知或準確率高的知識和對話聯(lián)動起來，避免大量低準確率或無效的知識聯(lián)動干擾。目前還鮮有看到這方面的應(yīng)用，不過我個人很期待這樣的應(yīng)用產(chǎn)生，因為實際上沒有什么技術(shù)難題了。

這種場景其實和早期語音識別廠商大力推薦的應(yīng)用相同，只不過前面提到過那時的賣點是促進銷售。那時的基本邏輯是，系統(tǒng)根據(jù)客戶所說的內(nèi)容自動提示座席該客戶存在什么樣的銷售機會，而不依賴于“座席要足夠敏感”“座席不要忘了說”。隨之帶來的是銷售業(yè)績上升，給企業(yè)帶來更好的收益。

也許是“畫”出來的收益太大了，所以廠商一般都獅子大開口，把產(chǎn)品賣得很貴。也有可能是因為產(chǎn)品進入市場急于收回研發(fā)成本而很貴，才“畫”了這樣的收益賣點。現(xiàn)在看起依然還是貴的，特別是那些按 License 賣產(chǎn)品，有些產(chǎn)品還有錄音系統(tǒng)問題，也許要改造甚至更換錄音系統(tǒng)，投入不小。不過，已經(jīng)有廠商愿意用利益分成的方法進行合作，多少可以說明廠商對這一應(yīng)用還是有信心。其二，輔助錄入。客戶說的話，直接轉(zhuǎn)化成文字變成需要錄入的內(nèi)容，節(jié)省一些錄入時間，或者避免座席錄入的隨意性和不可控性。

這其實和語音輸入法是一樣的應(yīng)用，只不過語音換成了對方客戶的聲音，或者客戶和座席兩個人的聲音對于這樣的擴展應(yīng)用，個人認為沒有什么技術(shù)障礙，只要評估投入是否能接受，投入產(chǎn)出比是否達到了預(yù)期。應(yīng)用實施剛開始，效果一般不會好的，因為語音輸入法的應(yīng)用對象和場景具有普遍性和廣泛性，在某一專業(yè)領(lǐng)域會水土不服，接下來要做的就是“專業(yè)訓練”。

三、第二類應(yīng)用，智能語音問答

智能語音問答是自動語音識別最普遍的期望。注意，是期望，而不是應(yīng)用，因為要實現(xiàn)機器與人交流，關(guān)鍵既有語音識別，也有智能問答，是兩者的組合。智能問答現(xiàn)在面臨的理解難題和題庫難題，決定了智能問答的還不夠成熟，所以組合起來的應(yīng)用更是困難重重。智能語音問答通常讓人聯(lián)想到呼入業(yè)務(wù)，這確實很難。如果從“有限內(nèi)容”去匹配業(yè)務(wù)，就會發(fā)現(xiàn)在回訪(呼出)業(yè)務(wù)上應(yīng)用智能語音問答，也許是個不錯的選擇。由于回訪業(yè)務(wù)中內(nèi)容是預(yù)先設(shè)定的，整個溝通過程中涉及的內(nèi)容大多數(shù)情況下是有限的，相當于是限定了自動語音識別的字詞范圍和智能機器人的問答范圍，所以智能語音問答應(yīng)付這種場景會容易很多。更簡單一些的回訪，即使不用任何智能問答的成分，僅去識別客戶回答中的某些關(guān)鍵詞，通常就能滿足業(yè)務(wù)需要了，這就變成了實質(zhì)上的“有限字詞的識別”。所以回訪是自動語音識別在智能語音問答類應(yīng)用中比較普遍的場景回訪是自動語音識別在智能語音問答類應(yīng)用中比較普遍的場景，已經(jīng)有不少公司實際開展了這樣項目。

最近在很多公司力推的 APP 上，也開始使用自動語音識別，幫助客戶跳轉(zhuǎn)到相關(guān)的頁面，回答客戶的一些問題。如何理解、回答，和電話渠道面臨的困難是一樣的，優(yōu)勢在于 16K 的采樣率有助于提高音轉(zhuǎn)字準確率。

四、第三類應(yīng)用，智能語音分析

對呼叫中心來說，除了大量的結(jié)構(gòu)化數(shù)據(jù)之外，還有大量的錄音，大家都認為這既是一個需要監(jiān)控的高風險地帶，也是一個值得挖掘的寶藏。可是傳統(tǒng)的技術(shù)，無法對錄音進行分析，只能靠人工去聽，費時費力，分析的樣本不夠典型，質(zhì)檢覆蓋率非常低。自動語音識別可以很好地解決這個問題，當應(yīng)用語音識別將語音轉(zhuǎn)成文字之后，就存在了全量檢查、分析的可能。

最常見的應(yīng)用場景是語音質(zhì)檢，具體做法是使用語音識別產(chǎn)品，將錄音轉(zhuǎn)化為文字，再從這些文字中尋找需要檢查的內(nèi)容。這是一種事后的應(yīng)用，細化一下有三種用途：

第一種，提高問題檢出率。通常用于合規(guī)檢查，該說的話是不是說了，不該說的話是不是真的沒說。最先應(yīng)用的是在電話銷售、電話回訪業(yè)務(wù)中，這類業(yè)務(wù)往往有很多監(jiān)管的要求，以避免各種誤導(dǎo)，撇清各種責任。還有用于日常質(zhì)檢中檢查有沒有出現(xiàn)服務(wù)禁語惹了客戶。語音質(zhì)檢理論上可以做到檢查所有錄音，達到 100%的覆蓋，這樣就不用擔心傳統(tǒng)方法未抽檢到的錄音中是否有座席心存僥幸。

第二種，輔助提升技能。質(zhì)檢的定位越來越被認可是幫助座席提升技能而不是扣分的，所以語音質(zhì)檢也要去找出錄音中座席不熟練、生疏的內(nèi)容，幫助其提升技能。比如重復(fù)多次的話、停頓、不能適當主導(dǎo)通話內(nèi)容，等等。

第三種，分析來電原因。對客戶關(guān)注熱點的變化，一般通過來電原因來分析。記錄每一通電話的來電原因，傳統(tǒng)的做法是話后小結(jié)，缺點是增加處理時間，而且不納入質(zhì)檢差錯的話后小結(jié)，通常不準。先進一點的做法，根據(jù)操作頁面自動記錄，只是有時候遇到同頁面不同原因時，不容易細分，同時也受座席操作影響。這些做法還有一個共同缺點是，不管是服務(wù)小結(jié)還是頁面點擊，來電原因都是預(yù)設(shè)的，對歷史數(shù)據(jù)不能按新的來電原因統(tǒng)計。而通過語音來分析，準確性會提升，而且對歷史錄音也可以按照新的維度去統(tǒng)計分析。

上述三種用途，總的來說效果一般，原因在于音轉(zhuǎn)字之后的非結(jié)構(gòu)化文本分析，并不是現(xiàn)在這些語音識別廠商的強項。所以，如果要把語音質(zhì)檢用好，出路可能是和大數(shù)據(jù)分析產(chǎn)品或?qū)I(yè)的非結(jié)構(gòu)化數(shù)據(jù)分析產(chǎn)品集成。在此之前，靠著一些“包含/不包含”“且/或”表達式創(chuàng)建起來的模型，終究應(yīng)用范圍和效果有限。

五、第四類應(yīng)用，實時語音監(jiān)控分析

因為實時語音監(jiān)控分析和事后的質(zhì)檢分析是不一樣的，這通常是國外供應(yīng)商經(jīng)常描繪、卻很少見的應(yīng)用場景，這是一種事中的應(yīng)用。雙十一各大電商都有大大的電子顯示屏實時展現(xiàn)各種交易數(shù)據(jù)，看的一清二楚，人家那是結(jié)構(gòu)化數(shù)據(jù)，好辦。想象一下，如果呼叫中心的監(jiān)控大屏，也有一個大大的電子顯示屏，實時展現(xiàn)現(xiàn)在來電客戶所關(guān)注的問題，能夠馬上發(fā)現(xiàn)一些熱點的異常變化，是不是很酷?這樣就不用在來電量發(fā)生突然變化的時候，去問座席“有什么異常嗎/有什么來電特別多嗎”了，也不用等不怎么準不怎么細化的來電語音分析了;也不用等事后的語音分析了。反應(yīng)，自然變快了。只是，這樣的應(yīng)用所帶來的好處和所投入的成本相比，似乎還很不般配。反過來因為沒有太多的應(yīng)用，沒經(jīng)過大量的實戰(zhàn)，投入使用的效果也不見得好。

六、對于自動語音識別技術(shù)應(yīng)用的一些建議

除了“有限范圍”這一原則外，在現(xiàn)有條件下有些辦法可以有助于提高自動語音識別應(yīng)用的效果。

其一，專業(yè)產(chǎn)品集成。除了自動語音識別本身不斷訓練、優(yōu)化，提高音轉(zhuǎn)字準確率之外，還要和其他關(guān)鍵關(guān)聯(lián)方集成應(yīng)用。智能語音對話的關(guān)鍵關(guān)聯(lián)方是智能機器人，那要么智能語音產(chǎn)品中包含了這樣的功能，要么和智能機器人組合起來使用。智能語音分析的關(guān)鍵關(guān)聯(lián)方是大數(shù)據(jù)分析產(chǎn)品，各種分析模型。很多時候，這些集成使用的關(guān)聯(lián)方好壞，甚至更為重要。

其二，搭建自有系統(tǒng)。有些廠商是提供云服務(wù)的方式進行語音識別的，優(yōu)點是便宜，缺點是云端的模型優(yōu)化不能完全按照自有的業(yè)務(wù)特點進行(私有云除外)。而自有系統(tǒng)，就可以按照一些專業(yè)、特有詞匯進行語料庫的訓練優(yōu)化，現(xiàn)在識別準確率方面的利器就是訓練。如果有廠商駐場優(yōu)化，那是更好。

其三，預(yù)先篩選錄音。一套語音識別系統(tǒng)還是很貴的，尤其是一套自有的系統(tǒng)，越多的轉(zhuǎn)譯錄音時長，越多的服務(wù)器資源。而如果能通過結(jié)構(gòu)化的數(shù)據(jù)篩選條件，先找出符合條件的錄音，再去轉(zhuǎn)譯的話，錄音時長就少多了，也不用擔心隨機采集到的樣本量太少。比如電銷只取銷售成功的錄音，因為銷售失敗的不是監(jiān)管重點;比如只取某某產(chǎn)品的客戶錄音轉(zhuǎn)譯，因為這個產(chǎn)品的咨詢、投訴是當前監(jiān)控的重點。

其四，在壓縮前轉(zhuǎn)譯。通常為節(jié)省存儲，電話錄音會被壓縮得很厲害。由于電話本身 8K 采樣率已經(jīng)先天不足，再被壓縮的話語音識別效果就更差了。所以可以采取先高品質(zhì)暫存，轉(zhuǎn)譯后再壓縮。

其五，雙聲道錄音。這個大家都明白的，把客戶錄音和座席錄音分開來，就可以做更多、更精準的分析。

一方面，自動語音識別的應(yīng)用開展得如火如荼，很多人都非常樂觀，大步邁進;另一方面，連李開復(fù)都在三亞演講提及語音識別還是不成熟的技術(shù)，他看到的一個一個計劃 99%會死掉。從兩個方面去理解，要期望解決所有問題，那還不成熟;要解決特定問題，還是可以樂觀的。用專業(yè)人士的話說就是“先做好垂直領(lǐng)域，解決單領(lǐng)域的實際問題”，金融是人工智能短期看好的領(lǐng)域，中期才輪到醫(yī)療，無人駕駛就是長期了。

實際上，長期來說又是對計算能力、算法的基礎(chǔ)軟硬件提出的挑戰(zhàn)。再一次聯(lián)系《三體》小說中的觀點，基礎(chǔ)物理學的發(fā)展才能推動科技發(fā)生質(zhì)的飛躍，基礎(chǔ)物理學沒有新的發(fā)現(xiàn)和理論，科學技術(shù)就會被限制在某個層次上。立足當下，用好現(xiàn)有產(chǎn)品;展望未來，期待下一次質(zhì)的飛躍。