Реальные записи звонков: разбор примеров

Что слушать в записи звонка

Текстовый транскрипт скрывает главное: трёхсекундную паузу перед ответом агента, имя, которое агент расслышал неверно, или фразу клиента, которую агент проигнорировал на полуслове. Запись — единственный источник правды об этих деталях. В этом уроке мы разбираем конкретные записи: что в них хорошо, что плохо и почему.

В каждом примере слушаем одни и те же параметры:

• Задержка отклика — время между последним словом клиента и первым словом агента. Норма для каскадного пайплайна — до 1,5 секунды; всё, что дольше двух секунд, клиент замечает как паузу.
• Точность ASR (automatic speech recognition — то же распознавание речи, что и STT; в разговорах о качестве распознавания чаще используют именно этот термин) — правильно ли агент воспринял слова: имена, номера, адреса. Ошибка ASR часто невидима в лог-файле, но слышна в записи.
• End-of-turn — когда именно агент решает, что клиент закончил говорить. Слишком рано — обрывает на полуслове. Слишком поздно — ставит неловкую паузу.
• Barge-in — поведение агента, когда клиент перебивает его. Поддержка прерываний — ключевая черта «живого» голоса.
• Логика диалога — движется ли разговор к цели или зависает в петле повторяющихся вопросов.
• Эскалация — вовремя ли агент решает передать звонок оператору и делает ли это плавно.

Большинство из этих проблем не проявляются в синтетических тестах, где агент отвечает на заготовленные реплики без пауз и без фонового шума. Они появляются в реальных звонках — с настоящей телефонной линией, живым человеком и непредсказуемым темпом речи.