我們平時接觸到的和語音相關的應用，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的整合應用。由于聲音文件無法直接處理，所以通過ASR將聲音轉成文字之后再處理，比如語音輸入法、自動語音應答、語音搜索。通俗地說，就是將語音轉化成文字（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用更加實際可用。

　　百度百科是這樣介紹的：“自動語音識別技術（Automatic Speech Recognition）是一種將人的語音轉換為文本的技術。語音識別是一個多學科交叉的領域，它與聲學、語音學、語言學、數字信號處理理論、信息論、計算機科學等眾多學科緊密相連。”對于這樣一個非常專業(yè)的技術領域，要了解里面到底是什么技術、有哪些理論，對于普通人來說是非常困難的。我只能嘗試另辟蹊徑，從另外一個角度——應用發(fā)展的角度，幫助大家來理解自動語音識別技術。

　　語音識別技術的應用由來已久，但一直沒有出現(xiàn)很成熟的應用。準確地識別一通語音，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生海量的語音要識別。這也是為什么我在很久以前就有機會接觸到相關的產品，卻沒有產生實際的應用成果的原因。

　　直到最近幾年，自動語音識別又開始成為熱門的討論內容，一個又一個呼叫中心開始立項，擼起袖子大干起來。推動自動語音識別應用發(fā)展的力量主要來自兩個方面，一方面是技術的進步，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，自動語音識別技術的應用必然被限制在實驗室中或者某一狹窄的領域。幸運的是計算能力一直在提升，上世紀80年代又出現(xiàn)了人工神經網絡算法，所以應對千變萬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用。

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

　　當年在英語環(huán)境下應用不錯的產品，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。經過訓練的自動語音識別應用和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該已經很不錯了。

　　現(xiàn)在，自動語音識別的相關應用要有好的表現(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。這就是我從應用發(fā)展的角度理解自動語音識別技術應用。

　　與對待智能機器人的態(tài)度相類似，更經濟的做法是把自動語音識別應用在有限的業(yè)務范圍內，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，因為要識別的內容被限定在某個特定的范圍內。分析一下你的業(yè)務，其實要識別的有價值的內容應該也不會很多很多吧。而且，大多數的業(yè)務，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實際應用到業(yè)務中創(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，在中文領域甚至難于ASR，但最近停車場應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的應用場景。

　　IVR導航是一個最普遍的應用。第一次聽到呼叫中心應用語音識別是在2005年去香港的一次交流活動中，該應用可以根據客戶所說的地址自動播報電話號碼。當時沒有深入去了解，細節(jié)知之甚少。現(xiàn)在想來，香港是個不大的地方，地址非常有限，人家用的還是英語，能收到不錯的效果也是情理之中。如今我們用語音查詢保費、導航IVR菜單、語音查詢賬單，在內容上的難度要低于地址查詢，因為地址涉及到的字詞更多。這類應用還有一個特征，是單次互動，沒有復雜的交流過程，所以使用語音識別產品把語音轉成文字，再加一些簡單的關鍵詞理解，可能就上線應用了，本身技術難度不大。

　　如果和其他系統(tǒng)融合再深入些，我覺得有兩個場景是可以考慮的。

　　其一，關鍵詞輔助指引。在人工和客戶通話過程中，系統(tǒng)自動根據預設的關鍵字詞調取相關的知識庫內容展示在頁面上，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。這類應用逐漸開展的做法，可以是設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用，不過我個人很期待這樣的應用產生，因為實際上沒有什么技術難題了。

　　這種場景其實和早期語音識別廠商大力推薦的應用相同，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)根據客戶所說的內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，把產品賣得很貴。也有可能是因為產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賣產品，有些產品還有錄音系統(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用還是有信心。其二，輔助錄入。客戶說的話，直接轉化成文字變成需要錄入的內容，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用，個人認為沒有什么技術障礙，只要評估投入是否能接受，投入產出比是否達到了預期。應用實施剛開始，效果一般不會好的，因為語音輸入法的應用對象和場景具有普遍性和廣泛性，在某一專業(yè)領域會水土不服，接下來要做的就是“專業(yè)訓練”。

　　智能語音問答是自動語音識別最普遍的期望。注意，是期望，而不是應用，因為要實現(xiàn)機器與人交流，關鍵既有語音識別，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，所以組合起來的應用更是困難重重。個人關于智能問答更多的觀點，可以參見筆者發(fā)一于《客戶世界》雜志的另一篇文章《如何使用智能機器人》。

　　智能語音問答通常讓人聯(lián)想到呼入業(yè)務，這確實很難。如果從“有限內容”去匹配業(yè)務，就會發(fā)現(xiàn)在回訪（呼出）業(yè)務上應用智能語音問答，也許是個不錯的選擇。由于回訪業(yè)務中內容是預先設定的，整個溝通過程中涉及的內容大多數情況下是有限的，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鍵詞，通常就能滿足業(yè)務需要了，這就變成了實質上的“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用中比較普遍的場景，已經有不少公司實際開展了這樣項目，比如我曾經的東家平安保險、太平保險。

　　最近在很多公司力推的APP上，也開始使用自動語音識別，幫助客戶跳轉到相關的頁面，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字準確率。

　　對呼叫中心來說，除了大量的結構化數據之外，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，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，當應用語音識別將語音轉成文字之后，就存在了全量檢查、分析的可能。

　　最常見的應用場景是語音質檢，具體做法是使用語音識別產品，將錄音轉化為文字，再從這些文字中尋找需要檢查的內容。這是一種事后的應用，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。最先應用的是在電話銷售、電話回訪業(yè)務中，這類業(yè)務往往有很多監(jiān)管的要求，以避免各種誤導，撇清各種責任。還有用于日常質檢中檢查有沒有出現(xiàn)服務禁語惹了客戶。語音質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，所以語音質檢也要去找出錄音中座席不熟練、生疏的內容，幫助其提升技能。比如重復多次的話、停頓、不能適當主導通話內容，等等。

　　第三種，分析來電原因。對客戶關注熱點的變化，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，缺點是增加處理時間，而且不納入質檢差錯的話后小結，通常不準。先進一點的做法，根據操作頁面自動記錄，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，不管是服務小結還是頁面點擊，來電原因都是預設的，對歷史數據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，總的來說個人覺得現(xiàn)在應用效果一般，原因在于音轉字之后的非結構化文本分析，并不是現(xiàn)在這些語音識別廠商的強項。所以，如果要把語音質檢用好，出路可能是和大數據分析產品或專業(yè)的非結構化數據分析產品整合。在此之前，靠著一些“包含/不包含”“且/或”表達式建立起來的模型，終究應用范圍和效果有限。

　　至于廠商在自動語音識別產品推薦時提到的“情緒”“語音語調”，我覺得還是抱著試試看的心態(tài)去對待吧。

　　因為實時語音監(jiān)控分析和事后的質檢分析是不一樣的，同時也是實時關鍵詞識別的升級版，所以單獨說說這個應用。這通常是國外供應商經常描繪、卻很少見的應用場景，這是一種事中的應用。雙十一各大電商都有大大的電子顯示屏實時展現(xiàn)各種交易數據，看的一清二楚，人家那是結構化數據，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（能問出個結果來的幾率太低了）；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，自然變快了。只是，這樣的應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用，沒經過大量的實戰(zhàn)，投入使用的效果也不見得好。聲明一下，這里不是在黑廠商，而是描繪美好的未來，只不過這樣的應用可能要再等一等。

　　除了“有限范圍”這一原則外，以往的經驗告訴我，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用的效果。

　　其一，專業(yè)產品整合。除了自動語音識別本身不斷訓練、優(yōu)化，提高音轉字準確率之外，還要和其他關鍵關聯(lián)方整合應用。智能語音對話的關鍵關聯(lián)方是智能機器人，那要么智能語音產品中包含了這樣的功能，要么和智能機器人組合起來使用。智能語音分析的關鍵關聯(lián)方是大數據分析產品，各種分析模型。很多時候，這些整合使用的關聯(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)，越多的轉譯錄音時長，越多的服務器資源。而如果能通過結構化的數據篩選條件，先找出符合條件的錄音，再去轉譯的話，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；比如只取某某產品的客戶錄音轉譯，因為這個產品的咨詢、投訴是當前監(jiān)控的重點，舉個例子，因韓國部署薩德而使樂天瑪特超市受影響，那么這幾天樂天瑪特卡客戶的所有來電，就是監(jiān)控重點。

　　其四，在壓縮前轉譯。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暫存，轉譯后再壓縮。

　　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。