Sierra công bố cẩm nang AI giọng nói cho doanh nghiệp: 7 tiêu chuẩn đánh giá hiệu năng

Voice AI là công nghệ cho phép phần mềm lắng nghe ngôn ngữ nói, hiểu ý định của người dùng và phản hồi thông qua giọng nói. Một AI voice agent (tác nhân giọng nói AI) dành cho doanh nghiệp bổ sung một khả năng quan trọng: nó có thể sử dụng ngữ cảnh của khách hàng và các hệ thống kinh doanh để hoàn thành công việc ngay trong cuộc hội thoại.

Điều đó nghe có vẻ đơn giản trong một bản demo được kiểm soát. Nhưng một cuộc gọi thực tế thì không. Mọi người thường ngắt lời, tạm dừng, thay đổi chủ đề, nói đè lên tiếng ồn nền, đánh vần tên, đọc số và yêu cầu các hành động đòi hỏi sự xác thực, chính sách và khả năng phán đoán. Hệ thống phải quản lý tất cả những điều đó trong thời gian thực mà không làm mất mạch câu chuyện của khách hàng.

Đối với một nhà lãnh đạo CX (trải nghiệm khách hàng), tiêu chuẩn đánh giá phải là toàn diện (end-to-end). Một giọng nói tự nhiên là hữu ích, nhưng một trải nghiệm giọng nói chỉ thực sự sẵn sàng cho khách hàng khi nó có thể nghe, suy luận, hành động, phục hồi và chuyển giao một cách đáng tin cậy.

Những điểm chính cần lưu ý

Voice AI là gì?

Voice AI là danh mục rộng lớn của trí tuệ nhân tạo được sử dụng để xử lý, hiểu, tạo hoặc phân tích giọng nói. Nó bao gồm nhận dạng giọng nói tự động (automatic speech recognition), tổng hợp giọng nói (speech synthesis), hiểu ngôn ngữ và các hệ thống suy luận dựa trên tương tác bằng lời nói.

Một AI voice agent sử dụng các khả năng đó để duy trì một cuộc hội thoại đa lượt và theo đuổi mục tiêu của khách hàng. Nó có thể truy xuất đơn hàng, khắc phục sự cố thiết bị, thay đổi lịch hẹn, thu thập thông tin có cấu trúc hoặc điều phối một trường hợp (case) với ngữ cảnh đã được thu thập sẵn.

Sự phân biệt này rất quan trọng vì nhiều sản phẩm có thể sử dụng giọng nói nhưng không đảm nhận cùng một công việc:

Bài viết này tập trung vào Voice AI doanh nghiệp hướng tới khách hàng. Các công cụ thay đổi giọng nói cho người tiêu dùng, tiện ích chuyển đổi văn bản và loa thông minh đa năng phục vụ các nhiệm vụ khác nhau. Để lựa chọn trường hợp sử dụng cho trung tâm liên lạc (contact-center), lợi ích và triển khai theo giai đoạn ngoài một hành trình giọng nói đơn lẻ, hãy sử dụng AI cho các trung tâm cuộc gọi: các trường hợp sử dụng, lợi ích và kế hoạch triển khai.

Cách thức hoạt động của một AI voice agent

Mọi cuộc gọi đều phụ thuộc vào nhiều hệ thống vận hành như một trải nghiệm thống nhất.

Khách hàng nghe thấy một cuộc hội thoại duy nhất. Doanh nghiệp vận hành một hệ thống thời gian thực bao gồm các mô hình giọng nói, khả năng suy luận của tác nhân, các công cụ, chính sách và cơ sở hạ tầng trung tâm liên lạc.

Tại sao giọng nói khó hơn văn bản

Văn bản đến dưới dạng một chuỗi các ký tự hiển thị. Giọng nói đến dưới dạng một tín hiệu trực tiếp và không hoàn hảo.

Người gọi có thể nói khi đang lái xe, sử dụng kết nối yếu, chuyển đổi ngôn ngữ, phát âm sai tên sản phẩm hoặc bắt đầu trả lời trước khi tác nhân nói xong. Một bản ghi âm có thể trông có vẻ hợp lý nhưng lại làm thay đổi một cái tên, con số hoặc ngày tháng quan trọng. Một phản hồi đúng vẫn có thể gây cảm giác khó chịu nếu nó bắt đầu quá muộn hoặc nói đè lên người gọi.

Đội ngũ kỹ thuật của Sierra mô tả Time to First Audio (thời gian đến âm thanh đầu tiên) là khoảng thời gian giữa lúc khách hàng kết thúc câu nói và phản hồi âm thanh liên quan đầu tiên. Kiến trúc độ trễ giọng nói của họ coi việc phát hiện kết thúc câu nói, suy luận của tác nhân và tổng hợp giọng nói là một quy trình có thể quan sát được thay vì chỉ là một số liệu tốc độ không phân biệt.

Khả năng nghe cũng phụ thuộc vào ngữ cảnh. Công việc của Sierra về chuyển đổi văn bản cho các cuộc gọi thực tế của khách hàng mô tả lý do tại sao tên riêng, thuật ngữ chuyên ngành, giọng địa phương, tiếng ồn nền và việc thay đổi ngôn ngữ giữa cuộc hội thoại lại bộc lộ những điểm yếu mà âm thanh thử nghiệm sạch không thể phát hiện ra.

Đây không phải là những chi tiết mang tính hình thức. Chúng quyết định việc tác nhân có xác định đúng khách hàng, hiểu đúng nhiệm vụ và thực hiện đúng hành động hay không.

Bảy bài kiểm tra toàn diện về độ sẵn sàng của cuộc gọi cho Voice AI doanh nghiệp

Đừng hỏi liệu một voice agent có “nghe giống con người” hay không. Hãy hỏi liệu nó có thể hoàn thành công việc đại diện trong các điều kiện đại diện hay không.

Mỗi bài kiểm tra nên được thực hiện trên các hành trình, ngôn ngữ, hồ sơ người gọi và điều kiện âm thanh mà quá trình triển khai sẽ thực sự gặp phải. Việc vượt qua một cuộc gọi theo kịch bản gần như không chứng minh được gì về sự biến đổi.

Các bài kiểm tra này đánh giá hành vi của cuộc gọi và nhiệm vụ của khách hàng. Chúng không thay thế cho các đánh giá khởi chạy riêng biệt về tích hợp điện thoại và trung tâm liên lạc, công suất và dự phòng, xác thực và xử lý dữ liệu, khả năng tiếp cận, bảo mật và quyền riêng tư, yêu cầu pháp lý, tính liên tục của doanh nghiệp, quyền sở hữu vận hành hoặc khía cạnh kinh tế.

Kiểm tra toàn bộ cuộc gọi, không phải các thành phần riêng lẻ

Một tiêu chuẩn đánh giá nhận dạng giọng nói có thể cho thấy liệu một mô hình có chuyển đổi âm thanh chính xác hay không. Một mẫu chuyển đổi văn bản thành giọng nói có thể cho thấy giọng nói có tự nhiên hay không. Không cái nào trong số đó xác định được liệu khách hàng có thể hoàn thành nhiệm vụ hay không.

Kiểm tra toàn diện (end-to-end) làm lộ ra các tương tác giữa các thành phần. Một lỗi chuyển đổi nhỏ có thể khiến quá trình suy luận đi sai hướng. Một cuộc gọi công cụ kéo dài có thể tạo ra vấn đề về lượt nói. Một chính sách chuyển giao tốt có thể thất bại vì việc chuyển cuộc gọi của trung tâm liên lạc làm mất gói ngữ cảnh.

Tiêu chuẩn đánh giá tau-voice của Sierra kết hợp việc chấm điểm hoàn thành nhiệm vụ mang tính xác định với âm thanh thực tế và giọng nói đồng thời trên 278 nhiệm vụ dịch vụ khách hàng có cơ sở. Nó kiểm tra xem hành vi giọng nói và trạng thái cơ sở dữ liệu kết quả có chính xác trong cùng một tương tác hay không.

Voice Sims của Sierra được thiết kế để kiểm tra các tương tác đó bằng cách sử dụng các ngôn ngữ, địa điểm, trạng thái cảm xúc, tiếng ồn, sự gián đoạn và kiểu giọng nói khác nhau. Phương pháp được công bố đánh giá khả năng nhận dạng, suy luận, tổng hợp, độ trễ, lượt nói, hành vi và các rào cản bảo vệ cùng nhau, sau đó theo dõi hiệu suất qua các bản phát hành.

Dù bạn sử dụng hệ thống kiểm tra nào, hãy yêu cầu ba thuộc tính:

Chọn những hành trình mà giọng nói có lý do để chiến thắng

Giọng nói có giá trị khi việc nói giúp giảm bớt nỗ lực hoặc khi điện thoại vốn đã là kênh tự nhiên cho nhiệm vụ đó. Nó có thể giúp khách hàng khắc phục sự cố trong khi vẫn rảnh tay, giải thích một tình huống phức tạp dễ dàng hơn là điền vào biểu mẫu, hoặc liên hệ với công ty trong một thời điểm dịch vụ khẩn cấp.

Bắt đầu với một hành trình có:

Đừng chọn một hành trình giọng nói chỉ vì lưu lượng cuộc gọi cao. Một chính sách được xác định kém, sự phụ thuộc vào hệ thống không đáng tin cậy hoặc kết quả không thể quan sát được sẽ trở thành vấn đề lớn hơn khi mở rộng quy mô.

Thiết kế trải nghiệm giọng nói xoay quanh khách hàng, không phải kịch bản

Tự động hóa cuộc gọi truyền thống thường yêu cầu người gọi phải học cách sử dụng hệ thống: chọn menu, cung cấp thông tin theo thứ tự cố định và bắt đầu lại khi lộ trình thay đổi.

Một voice agent có thể đảo ngược mối quan hệ đó. Khách hàng mô tả nhu cầu bằng ngôn ngữ của riêng họ. Tác nhân chỉ thu thập những thông tin còn thiếu, điều chỉnh trình tự và sử dụng ngữ cảnh để tiến tới trạng thái kết thúc.

Sự linh hoạt vẫn cần có cấu trúc. Hãy xác định:

Cấu trúc đó phải có khả năng kiểm tra được. Một lời nhắc về phong cách không thể thay thế cho logic hành trình, quyền hạn hoặc hành vi phục hồi.

Đo lường những gì đã xảy ra sau cuộc gọi

Thời lượng cuộc gọi, độ trễ phản hồi và tỷ lệ chuyển cuộc gọi là những tín hiệu vận hành hữu ích. Chúng không xác định được liệu khách hàng có đạt được mục tiêu hay không.