一、傳統語音質檢存在的問題
人工質檢抽樣比覆蓋不足：集團的業務的迅猛發展，業務量的增加，導致質檢人員缺口增加，質檢抽樣比度則會大大下降。
人工質檢完成速度存在局限性：比如：熟練質檢員每日可以完成40-50通電話的質檢工作，而新質檢員則只能完成20-30通；質檢的滯后性。
人工質檢存在人為判斷誤差：情緒波動、工作疲勞或者人情等因素的影響；對于質檢人員，由于崗位限制更多的關注公平公正，而非對企業有價值部分需求挖掘。
人工質檢結果無法歸類分析：現有的質檢結果信息較單一，無法做分類匯總或者做類別交叉分析，也無法進行最根本原因分析。最終也無法形成相對比較正式規劃的數據報表。
二、質檢的技術運用
智能質檢系統：由“人工質檢”轉移到“機器自動智能質檢”，和由“部分錄音質檢”提升到“全部錄音質檢”。系統可自動的根據自定義的質檢表單對錄音進行智能質檢，實現企業服務標準化。
質檢使用技術：
- 語音轉文本：針對電信領域大量數據訓練優化后的連續自然語音識別引擎，可將語音轉為文本文件，便于搜索與挖掘。
- 關鍵詞檢出：對于一段指定語音，根據預設質檢詞語，檢測出相應的位置，可供人工質檢人員有目的測聽。
- 情緒檢測：通過語音及文本中的各種信息，分析對話者的情緒。
- 靜音檢測：可檢測出坐席未及時應答、冷場、技能不熟練、客戶等待超長、等情況。
- 語速檢測：分析出坐席人員說話的平均語速及實時語速，以作為其服務態度、熟練程度及服務質量的依據。
- 聲紋識別：分離客服與用戶語音，針對角色分析文本。對于催收語音進行質檢，對于用戶語音進行文本分析。
三、智能語音分析的實現
1、語音轉寫
基于非特定人的、連續自然語音的識別。可針對客服領域錄音、及特定業務進行優化，實現通話內容自動轉寫成文字。
將分離后的語音通過聲學模型轉換為對應的漢語音標符號，音標信息再通過超大詞匯網絡的語言模型識別出最終對應的文本內容。
根據地方口音及說法特點，通過大量語料訓練，不斷優化聲學模型及語言模型。
結合業務知識和服務范圍，優化關注業務的識別效果，修正語音轉寫結果。
2、關鍵詞檢出
通過分析指定語音段，檢測到指定關鍵詞，并返回該關鍵詞所在整條語音中的位置。
- 流程規范檢查：對錄音中的關鍵詞順序進行分析，檢查客服人員是否按照流程規定的順序說出合理話樹，關鍵詞是否完備
- 服務忌語檢查：檢查客服人員對話中是否包含服務忌語。
3、話者分離：
是指在用戶與坐席人員的語音交互錄音文件中，將“用戶”語音和“坐席人員”的語音進行分離，提供針對性分析應用基礎。
4、情緒檢測：
情緒檢測，能夠將客服領域通話錄音中的異常情緒檢測出來，得到包含發音人情緒異常的數據列表，給出對應的異常產生位置及可信度。
用戶可預先設置報警門限（基頻相對變化程度、語速門限、變化持續時間）。
- 成單錄音分析，提高成單率：針對成單錄音進行分析，找出關鍵因素，從而提高催收成功率；
- 熱點追蹤：對海量的語音文件進行分析，找出客戶客戶關注的焦點；
- 提高通話催收解決效率：確定并消除重復通話的驅動因素；
- 減少平均處理時間：確定長時間通話的原因；
- 改善客戶滿意度：了解客戶為什么投訴；
- 關鍵詞抓取：關鍵詞檢索，統計分析，如預計還款率、風險控制；
- 減少客戶投訴：投訴風險控制；
- 改善業務流程：利用客戶互動過程，找到流程中的低效率環節；
- 突發業務的預警：預警突發狀態；
漢云智能語音質檢系統實現方式、解決方案將在下篇文章分享
推薦：
- 教育培訓云呼叫中心解決方案
- 漢云通信語音通知，自動批量語音通知，保證到達率
