Számos olyan cég van, amely óriási méretű hang-adatbázison ül, s eddig alig tudott mit kezdeni vele. A hangfelismerés, hangbányászat jóvoltából azonban akár robbanásszerű fejlődés következhet be a verbális információ keresésében, hasznosításában.
– A beszédtechnológia a hetvenes évek óta fejlődik; várható-e forradalmi áttörés, amely a beszédfelismerés, hangbányászat „hangrobbanás-szerű” terjedéshez vezet?
– Folyamatos a fejlődés a technológia területén, viszont a különböző alkalmazási szinteken ugrásszerű fejlődés is bekövetkezhetett. Míg kezdetben például egy call center beszédfelismerő rendszere csak arra volt képes, hogy, mondjuk, betelefonáláskor odakapcsoljon minket a kért munkatárshoz, addig ma már bonyolult, átfogó elemzéseket, statisztikákat lehet készíteni a felvett hangállomány szöveges átiratának feldolgozásával.
– Mi a lényege a technológiának?
– Van egy, a beszédet szöveggé alakító beszédfelismerő motor, amely mint technológia nyelv- és témafüggetlennek tekinthető. Nagy kihívás, hogy ennek a motornak minden egyes tématerület nyelvét külön-külön meg kell tanítanunk, és célszerű folyamatosan tovább tanítani, hisz a nyelv is folyamatosan változik. A tanulási folyamatnak két fontos része van. Egyrészt meg kell tanítani a hangok akusztikai jellemzőire különböző környezetekben, másrészt meg kell tanítani magukat a szavakat és kiejtésüket, illetve egymásutániságuk, azaz a szókapcsolatok létrejöttének jellemzőit. Mindkét tanítási folyamat statisztikai elemzésen és modellezésen alapul, amelyekhez akár több ezer órányi hangfelvételt és ennek szöveges változatát használjuk fel.
– Magában a hanganyagban nem lehet keresni? Például keresek egy mély, de reszketeg hangú, enyhén raccsoló férfit.
– Ez a kérdés már átvezet a beszélőfelismerés világába, de nem tudok róla, hogy a világon bárhol is foglalkoznának az egyéni jellemzők ilyen szintű elemzésével és keresésével, s eddig igényként sem merült fel a piacon.
– Mi a helyzet az érzelemfelismeréssel?
– Lehetséges, csak kicsit nehézkes. Több száz órányi hanganyag átvizsgálása után azt tapasztaltuk, hogy ezrelékekben sem igen fejezhető ki azon esetek száma, amikor akusztikailag egyértelműen azonosítható érzelmek csengenek ki a beszédből. Például egy dühös ügyfél kiabálni kezd, vagy valaki jókedvében hahotára fakad. Hatékonyabb módszer, ha a rendszer érzelmekre utaló szavakra keres rá az átiratban. Az igazán jó rendszerek ötvözik a két módszert.
– Mely cégekre céloznak a fejlesztők a hangbányászattal?
– Minden olyan szervezetre, amely nagy méretű hang-adatbázissal rendelkezik. Kiemelt és kézenfekvő terület a call centerek világa, ahol évente több tízezer órányi beszédanyag képződik az ügyfelek és az ügyintéző verbális kommunikációjából. Ennek a hatalmas mennyiségnek eddig csak néhány ezrelékét tudták szúrópróba-szerűen, „manuálisan” átnézni, míg a többségét ellenőrizetlenül tárolják, így nem tudhatjuk, hogy miről beszélget az ügyfél az ügyintézővel.
Beszédelemzéssel minden egyes hívás elemezhető, így kiderülhet, hogy az egyes ügyintézők mennyire tartják a protokollt, mennyire hatékonyan értékesítenek, miről beszélgettek az ügyféllel. Ettől javul az ügyfélkiszolgálás minősége, mert a szövegállományból már sokféle statisztikát, elemzést lehet készíteni, passzív adatbázisunkat tehát aktív információforrássá változtatjuk. A használható információforrás pedig üzleti haszonnal jár. Például növelni tudjuk az ügyfél-elégedettséget, amivel visszatartjuk őket az elvándorlástól; monitorozni tudjuk az ügyintéző tevékenységét, s ha elakad, azonnali segítséget lehet neki nyújtani. A panaszokat is hatékonyabban lehet kezelni, például úgy, hogy egy megfelelő ajánlattal megelőzzük a lemorzsolódást.
|
Szakmai pálya: |
|---|
|
Tizenhét éve foglalkozik gépi beszédfelismeréssel és a gépi beszédminőség vizsgálatával a BME Távközlési és Médiainformatikai Tanszéke Beszédtechnológiai Laboratóriumában, valamint az AITIA International beszédtechnológiai részlegén. |
– Egyéb terület?
– Például a média, azaz a rádió- és tévéműsorok. Itt is hatalmas hang- és videóanyagot tárolnak publikus és belső szervereken, s eddig gondot okozott a visszakeresés. De ugyanez a helyzet a parlamenti beszédekkel, bírósági tárgyalásokkal vagy a kórházi műtétek közben felvett hanganyaggal.
– S ebben mi az üzlet?
– Az online médiaszolgáltatók esetében például az, hogy egy adott műsorhoz annak tartalma alapján tudnak reklámot rendelni, s nem látatlanban hirdetnek. A célzott hirdetések általában hatékonyabbak, így mindenki jól jár.
Mártonffy Attila
