Основные выводы:
- HD Voice, также называемая голосовой связью высокой четкости, представляет собой широкополосную телефонию, которая передает речь в диапазоне от 50 Гц до 7 кГц, по сравнению с диапазоном от 300 Гц до 3,4 кГц при стандартном узкополосном вызове.
- Распознавание речи не может восстановить частоты, которые были отсечены сетью до того, как аудио достигло системы. Сквозная передача через нативный кодек сохраняет эти частоты в неизменном виде от вызывающего абонента до приложения, и именно поэтому это важно для голосового ИИ.
- Ваша модель распознавания речи настолько хороша, насколько хороши аудиоданные, которые она получает. При стандартном телефонном звонке аудио теряет все детали речи, выходящие за пределы 3,4 кГц.
Что такое HD Voice?
HD Voice — это обозначение широкополосной голосовой связи. Оно охватывает несколько кодеков, включая AMR-WB (G.722.2), G.722 и Opus, которые захватывают более широкий спектр речи, чем традиционная узкополосная связь.
Дополнительный диапазон сохраняет детали согласных звуков и дыхания, которые позволяют легко различать речь. Узкополосная связь была разработана для того, чтобы два человека могли понимать друг друга, и она до сих пор хорошо справляется с этой задачей.
Голосовому ИИ требуется более широкий спектр, чем тот, для которого были созданы телефонные звонки
Представьте, что клиент диктует агенту номер своего полиса или заказа: помните, как мы говорим «С» как в слове «Сиерра» или «Ф» как в слове «Фокстрот»? Вы знаете, почему мы все так делаем. При обычном звонке буквы «С» и «Ф» звучат почти идентично.
Это происходит потому, что стандартное телефонное аудио, называемое узкополосным, отсекает все частоты выше ~3,4 кГц. Оно было разработано во времена аналоговых медных линий, когда получателем был другой человек. Люди хорошо умеют заполнять пробелы с помощью контекста и интонации, даже если связь плохая.
Теперь на линии ИИ. Когда ИИ-агент принимает вызов, аудио проходит через распознаватель речи, движок преобразования речи в текст, который переводит аудио в письменный текст. Вся последующая обработка зависит от этого распознанного текста: понимание того, что нужно вызывающему абоненту, проверка звонков на соответствие внутренним политикам, оценка тональности. Похоже, что звуки «с» и «ф» несут большую часть своей детализации в высоких частотах, которые удаляет узкополосная связь. Меньшее количество сигналов на входе приводит к большему количеству ошибок, а одна неправильно распознанная буква может направить весь рабочий процесс по неверному пути.
Не каждый HD-вызов остается HD при доставке
Маркировка HD Voice иногда может вводить в заблуждение. Отправка широкополосного аудио не гарантирует, что модель получит его в том же виде.
Каждый вызов проходит через пограничные контроллеры сессий (SBC) с обеих сторон, и SBC согласовывают кодек. Во время установки SIP-вызова одна сторона предлагает список поддерживаемых кодеков, а другая отвечает теми, которые она также может использовать. Затем вызов фиксируется на определенном кодеке для этого сегмента. Если обе стороны поддерживают один и тот же широкополосный кодек, вызов остается широкополосным. Если нет, он переходит на узкополосный. Без возможности отслеживания каждого вызова вы не узнаете, какие из них переключились на узкополосный режим.
Когда конечные точки представляют несовпадающие профили кодеков, традиционные сети операторов выполняют перекодирование сигнала в процессе передачи. Этот непрерывный процесс декодирования и повторного кодирования увеличивает задержку, отбрасывает невосстановимую акустическую информацию и часто создает аудиопрофиль, который получает более низкие оценки по объективным критериям Mean Opinion Score (MOS), чем чистый несжатый узкополосный поток. В исследовании мобильной телефонии распознаватель речи, обученный и протестированный на широкополосном аудио, имел на 6,9% более низкий относительный уровень ошибок в словах, чем тот, который был обучен и протестирован на узкополосном аудио. Результаты зависят от модели и условий вызова.
Спросите, как ваш провайдер предоставляет HD Voice
Некоторые операторы и поставщики CPaaS рекламируют HD Voice, направляя потоки через сети, которые не могут сохранить широкополосные кодеки на всем пути следования. На выходе получается перекодированный сигнал.
Спросите, как ваш провайдер измеряет и тарифицирует использование HD, и можете ли вы видеть, какие вызовы остались широкополосными.
Нативная сквозная передача сохраняет HD-качество вызова
Настоящая голосовая связь HD работает через нативную сквозную передачу кодеков.
Вместо преобразования аудио «на лету» сеть оператора позволяет конечным точкам напрямую согласовывать широкополосные кодеки через границы сетей, передавая полезную нагрузку от источника к месту назначения без потери высокой четкости. Когда обе конечные точки поддерживают широкополосный режим, вызов остается в HD. Если одна из точек не поддерживает его, автоматически выбирается узкополосный кодек.
Широкополосное аудио улучшает транскрипцию
Небольшие улучшения суммируются в цепочке обработки. Ошибка транскрипции на первом этапе превращается в неверно понятое намерение на втором и неправильную оценку тональности на третьем. Для людей более чистое аудио снижает утомляемость слушателя и количество повторных вопросов, поэтому агенты тратят меньше времени, прося клиентов повторить сказанное.
Три команды, которые ощущают разницу с HD Voice
- Команды, занимающиеся голосовым ИИ и транскрипцией в реальном времени, получают более чистый поток 7 кГц для распознавания речи и анализа намерений.
- Корпоративные контакт-центры могут обеспечить агентам и клиентам более четкое аудио, что сокращает количество повторных вопросов, уменьшает время обработки вызова и способствует повышению удовлетворенности клиентов.
- Корпоративные платформы для совместной работы (UC): инструменты для бизнес-коллаборации требуют стабильного, естественного качества звука на различных конечных точках без неожиданного перекодирования в процессе передачи.
Если вы передаете аудио вызова в модель, потоковая передача медиа в нашем Voice API перенаправляет это аудио через WebSocket в реальном времени.
Как мы обеспечиваем HD Voice
HD Voice от Bandwidth настроен на прямую передачу через сеть Bandwidth.
Никакого перекодирования на сетевом уровне
- Наша архитектура позволяет согласовывать кодек AMR-WB напрямую между конечными точками без перекодирования на сетевом уровне.
Платите только за успешную широкополосную доставку
Поскольку согласование сети между операторами является недетерминированным, вызовы регистрируются и тарифицируются по тарифу HD Voice только тогда, когда широкополосный режим успешно согласован, что дает инженерным командам прозрачные метрики использования непосредственно в записях о деталях вызовов.
Технические руководители теперь сталкиваются с простой архитектурной оценкой: будет ли ваш голосовой трафик проходить через сети операторов, которые сжимают ваше аудио, или ваша инфраструктура поможет сохранить HD-качество, необходимое вашему голосовому ИИ.
[2] ] WTIMIT: The TIMIT Speech Corpus Transmitted Over the 3G AMR Wideband Mobile Network












