Mi történik egy hívás alatt, technikailag?
Amikor beszélsz egy AI hangasszisztenssel, három dolog fut egymás után, másodperc törtrészei alatt, körbe-körbe, amíg tart a beszélgetés.
- Beszédfelismerés (STT): a rendszer az elhangzott hangból szöveget készít. Itt dől el, hogy egyáltalán érti-e, amit mondasz.
- Nyelvi feldolgozás: a szövegből kiderül a szándék — időpontot kér, árat kérdez, panaszt tesz —, és megszületik a válasz. A SmartHivasnál ez kizárólag a vállalkozás megadott adataiból és a weboldalából épített tudásbázisból dolgozik.
- Beszédszintézis (TTS): a válaszból hang lesz. Itt dől el, hogy természetesen szól-e, vagy gépiesen.
Miért a magyar nyelv a nehéz része?
A hangalapú AI angolul évek óta jól működik, magyarul viszont sokáig használhatatlan volt, és ennek nyelvi okai vannak. A magyar toldalékoló nyelv: ugyanaz a szótő tucatnyi alakban jelenhet meg, és a jelentés a végződéseken múlik. Ehhez jönnek a hangzók, amelyek más nyelvekben nem léteznek, és a szabad szórend, ami miatt a mondat szerkezetéből nem lehet visszakövetkeztetni a szerepekre.
A telefonvonal ezt tovább nehezíti: a hangminőség rosszabb, mint egy mikrofonos felvételé, gyakran zajos a háttér, és a hívó nem tagoltan beszél, hanem úgy, ahogy szokott.
Ezért nem elég egy idegen nyelvre készült rendszert lefordítani. A gyakorlati különbség ott látszik, hogy a hívó fel kell-e emelje a hangját, meg kell-e ismételnie magát, vagy egyszerűen beszélhet, ahogy egy emberrel tenné.
Miben más, mint egy hangmenü vagy egy chatbot?
Három dolgot szoktak összekeverni, pedig alapvetően különböznek.
- A hangmenü (IVR) előre felvett közleményeket játszik le, és gombnyomásra ágazik el. Nem ért beszédet, csak lejátszik.
- A chatbot írásban kommunikál a weboldalon. Más csatorna, más ügyfél: aki chatel, jellemzően tájékozódik; aki telefonál, jellemzően dönteni készül.
- Az AI hangasszisztens szabad beszédet ért telefonon, és beszélgetésben válaszol. Nincs menü és nincs gombnyomás.
Miből dolgozik, és mi történik az adataival?
Ez a rész gyakran kimarad a technológiai leírásokból, pedig üzletileg ez a legfontosabb. Egy hangasszisztens akkor hasznos, ha a te vállalkozásodról tud beszélni — nem általánosságban a világról.
A SmartHivas a beállításkor megadott szolgáltatásaidból, áraidból és nyitvatartásodból dolgozik, valamint a weboldaladból automatikusan épített tudásbázisból, amit kézzel is szerkeszthetsz. Amire nincs adata, arról nem talál ki semmit: átirányítja a hívást élő munkatárshoz, vagy visszahívási igényt rögzít.
Az adatkezelésben pedig egy tudatos korlátozás van a rendszerben: nem készül hangfelvétel, és nem tárolódik beszélgetés-átirat. A hívásból metaadat és strukturált összefoglaló marad. Ez azt is jelenti, hogy utólag szó szerint visszahallgatni nem lehet — cserébe a hívóid beszélgetései nem hevernek sehol.