SaluteSpeech: распознавание и синтез речи как части голосового сервиса

Превратить запись в текст и решить задачу клиента – разные операции. Речевой сервис переводит сообщение между звуком и текстом. Для полноценного помощника дополнительно нужны сценарий, знания, доступы и передача сотруднику.

Два направления работы

SaluteSpeech предоставляет распознавание и синтез речи. Распознавание переводит аудио в текст, синтез создаёт звук по тексту. В руководстве Сбера описаны способы подключения и ограничения распознавания.

Связный транскрипт не гарантирует точность каждого числа. Пропуск отрицания или неверная фамилия могут изменить смысл. Поэтому качество проверяют на материалах своего сценария.

Режим обработки зависит от задачи

Для готовой записи и разговора в реальном времени нужны разные решения. При синхронной обработке ответа ждут после отправки материала; для длинных записей и потока выбирают подходящий метод из документации.

Справка синхронного API отдельно описывает размеры и формат запросов. В частности, нельзя переносить поведение многоканального аудио из одного метода на все остальные: у указанного синхронного распознавания обрабатывается первый канал.

До реализации уточните формат файла, частоту, число каналов и необходимый режим. Запись с хорошим звуком в учебном примере может отличаться от телефонного разговора с шумом.

Как собрать голосовой маршрут

Участок	Ответственность
Телефония	Принять разговор и передать аудио
Распознавание	Получить текст с допустимым качеством
Сценарий и модель	Определить разрешённый ответ или действие
Проверяемый сервис	Подтвердить данные и результат операции
Синтез	Озвучить подготовленный текст
Оператор	Принять исключение и спорный вопрос

Салон может использовать такой маршрут для справки о времени работы. Ответ по конкретному заказу требует отдельной проверки клиента и прав. Перевод денег или медицинское решение не становятся разрешёнными только потому, что речь распознана правильно.

Синтез нужно слушать

Подготовьте текст с датами, суммами, названиями и сокращениями. Проверьте ударения и паузы. Длинная безошибочная письменная фраза может плохо восприниматься на слух, поэтому реплики стоит разбивать по задаче разговора.

Управление произношением и доступные голоса проверяют в выбранном методе. Не обещайте клонирование голоса или биометрическую идентификацию как стандартную часть любого речевого API без подтверждения поставщика.

Сравнение с альтернативой

Для выбора между SaluteSpeech, SpeechKit и другим допустимым сервисом используйте одинаковые записи и тексты. Оценивайте пропущенные слова, важные реквизиты, задержку и стоимость обработки. Общее заявление о лучшем качестве на всей банковской или бытовой речи не заменяет ваши испытания.

Отдельно считайте время сотрудника на исправления. Высокая средняя точность может скрывать ошибки именно в номерах заказов, ради которых собирается система.

Подготовка доступа и бюджета

Способ подключения и условия зависят от пользователя и проекта. Получайте доступ по действующей инструкции, храните секреты вне публичного кода и задайте минимальные права. До платного теста владелец должен согласовать расходы.

В бюджет входят аудиообработка, синтез, телефония, модель, размещение и поддержка. Лимиты и тарифы проверяйте у поставщика. Распознавание само по себе не гарантирует экономию штата или полное покрытие звонков.

Проверьте разделение участников

Если нужен анализ разговора, заранее определите, как отличить реплики клиента от оператора. Раздельные каналы и автоматическое определение говорящего – разные способы. Ошибка распределения может приписать обещание не тому участнику. Сохраните связь текста с аудио, чтобы сотрудник мог проверить спорный фрагмент.

Первый пилот

1. Согласуйте разрешённые учебные записи.
2. Соберите трудные слова и правильную расшифровку.
3. Проверьте выбранный метод на одинаковой выборке.
4. Испытайте повтор, прерывание и передачу человеку.
5. Сравните качество, задержку и затраты.

Для проектирования голосового процесса можно обратиться в TRUE. Не присылайте записи реальных клиентов до согласования режима обработки.