Голосовой ИИ‑агент: проблемы с произношением чисел на телефонных линиях
Тесты показывают, что даже при современном синтезе речи ИИ‑агенты часто ошибаются в чтении дат и чисел, особенно в условиях 8 кГц телефонного канала.
В недавнем материале Habr AI протестированы голосовые ИИ‑агенты, работающие через обычные телефонные линии (8 кГц). Несмотря на то, что современные TTS‑модели способны генерировать естественное звучание, в реальных условиях их слабое место – корректное произношение чисел и дат.
Тестовый сценарий включал фразы вроде «Привезём 15.07.2026». Робот‑читатель произносил её по‑разному: от «пятнадцать точка ноль семь» до «пятнадцать июля две тысячи двадцать‑шестого», а иногда даже «пятнадцать точка ноль семь два шесть». Такие вариации создают путаницу, особенно в бизнес‑звонках, где точность данных критична.
Кроме того, при чтении телефонных номеров (например, 123‑456‑7890) агент часто разбивал их на произвольные группы, превращая в «один два три четыре пять шесть семь восемь девять ноль», что делает невозможным запись номера «со слуха». На телефонных каналах с ограниченной полосой пропускания (8 кГц) разница между «хорошим» и «отличным» TTS почти исчезает, а ошибки в цифрах становятся заметнее.
Авторы статьи подчёркивают, что проблема не в качестве синтеза голоса, а в алгоритмах преобразования текста в речь (text‑to‑speech) и в отсутствии контекстуального понимания числовых выражений. Для решения требуется более продвинутая пост‑обработка, учитывающая типы данных (даты, номера, суммы) и правила их произношения в разных языковых и технических средах.
Ссылка на оригинал: https://habr.com/ru/articles/1090760/
Для разработчиков голосовых ассистентов это сигнал: необходимо внедрять специализированные модули «числового парсинга», которые будут корректировать произношение дат, сумм и номеров. Студентам стоит обратить внимание на техники пост‑обработки TTS и на создание кастомных правил для разных доменов (банковские операции, логистика и т.д.). Без этого даже самый «чистый» голос может стать препятствием в реальном бизнес‑коммуникационном процессе.
