„Girdisi, kad robotas” beveik niekada nereiškia, kad balsas blogas. Šiuolaikiniai balsai lietuviškai skamba pakankamai gerai. Robotišku agentą daro trys dalykai, ir nė vienas jų nėra susijęs su balso kokybe.
1. Pauzė prieš atsakymą
Žmonių pokalbyje atsakymas prasideda per maždaug du šimtus milisekundžių. Balso agentui reikia pereiti keturis sluoksnius: išgirsti, suprasti, sugalvoti, ištarti. Kiekvienas prideda savo dalį.
Bendra latencija virš dviejų sekundžių jaučiasi kaip gedimas. Pašnekovas spėja pagalvoti, kad ryšys nutrūko, ir pradeda kalbėti antrą kartą — o tada agentas atsako į pirmą frazę, ir pokalbis galutinai susivelia.
Tikslas — po pusantros sekundės. Trys pigiausi būdai ten patekti:
- Sutrumpinkite laukimą po pašnekovo sakinio. Tai didžiausias vienkartinis laimėjimas, dažnai visa sekundė.
- Apribokite atsakymo ilgį. Trumpesnis atsakymas pradeda skambėti anksčiau, nes sintezė nelaukia viso teksto.
- Rinkitės greitesnį balso modelį — jei tarimas nenukenčia. Lietuvių kalbai tai ne visada įmanoma, ir tada verta rinktis tarimą.
2. Agentas įsiterpia arba miega
Sistema turi nuspręsti, kada pašnekovas baigė kalbėti. Sprendimas priimamas pagal tylos trukmę, ir čia lietuvių kalba turi savo specifiką.
Lietuviškai kalbama ilgesniais sakiniais su pauzėmis viduryje: „Na… tai mes, tiesą pasakius, dar svarstome.” Jei riba nustatyta ties puse sekundės, agentas įsiterps po „na”. Jei ties dviem — atrodys mieguistas.
Pradėkite nuo maždaug sekundės ir koreguokite pagal įrašus. Agentas šokinėja — kelkite. Atrodo apsnūdęs — leiskite. Telefone riba turi būti didesnė nei naršyklėje, nes ryšys nukerta sakinių galus.
Atskirai patikrinkite, ar agentą galima pertraukti. Galimybė nutraukti jį vidury sakinio yra bene pusė viso natūralumo įspūdžio. Be jos net tobulas balsas skamba kaip automatinis atsakiklis.
3. Per ilgi atsakymai
Trečia priežastis paprasčiausia ir dažniausia. Modelis pagal nutylėjimą atsako išsamiai — trimis pastraipomis su punktais. Perskaitykite tai balsu ir suprasite problemą.
Žmogus telefone kalba trumpai. Du sakiniai, tada laukia reakcijos. Agentas, kalbantis keturiasdešimt sekundžių be pauzės, skamba kaip įrašas, nesvarbu kokiu balsu.
Riba turi būti nustatyta dviese: prašymu prompte ir technine riba modelio nustatymuose. Vienas be kito neveikia — prašymo modelis kartais nepaiso, o techninė riba be prašymo nukerta sakinį per vidurį.
Ko taisyti nereikia
Dažna klaida — pradėti nuo balso keitimo. Balsas kaltas rečiausiai, o jo keitimas suvalgo valandas.
Antra dažna klaida — bandyti prompte prašyti „kalbėk natūraliau”. Tai nieko nekeičia. Natūralumas atsiranda iš laiko ir ilgio, ne iš prašymo.
Kaip rasti tikrąją priežastį
Perklausykite dešimt įrašų ir kiekvienam užrašykite vieną dalyką: kurioje sekundėje pašnekovas suprato, kad kalba su mašina.
Jei tai įvyko po pirmo agento atsakymo — kalta latencija. Jei vidury pokalbio — atsakymų ilgis. Jei žmogus buvo pertrauktas — pauzės matavimas.
Trys iteracijos pagal tikrus įrašus duoda daugiau nei bet koks pradinis konfigūravimas. Būtent tai skiria „veikia” nuo „nesijaučia”.
Konkrečios reikšmės kiekvienam nustatymui, atskirai naršyklei ir telefonui, — vadove. Kaip skamba tinkamai suderintas agentas, galite išgirsti demonstracijoje.