Wakala wa sauti tuliyokuwa karibu kuizindua aliendelea kuwakatisha wapigaji maneno, jambo lililofanya kiwango cha kukatwa kwa mazungumzo (truncation rate) kufikia 18 % na kutulazimu kuandika upya mantiki ya mwisho wa zamu (end-of-turn logic) siku kumi tu kabla ya uzinduzi. Kwa kuongeza ukaguzi wa sarufi na utambuzi wa ishara za kusikiliza (back-channel detection) kwenye kanuni ya muda wa kimya (silence-timeout rule), tulipunguza vikatisho hadi 3 % na kuondoa ukimya mrefu ulioufanya mfumo uonekane haujibu vizuri.

Kwa nini muda mmoja wa kimya haukutosha

Muundo wetu wa awali ulichukulia kituo chochote cha sekunde 700 ms kama ishara kwamba mtumiaji amemaliza kuzungumza. Katika maonyesho ya kudhibitiwa—mtumiaji mmoja akitoa sentensi kamili katika chumba chenye utulivu—kanuni hiyo inafanya kazi vizuri. Hata hivyo, wapigaji halisi hupumzika ili kufikiria, hugawanya namba katika makundi, na kuweka maneno kama “uh-huh” au “mm-hmm” kuonyesha kuwa wanasikiliza. Wakala alitafsiri kila kituo kati ya hivyo kama mwisho wa zamu.

Kuchambua simu 312 za uzalishaji kulifichua matatizo mawili. Kwanza, wakala aliingilia kati wakati mzungumzaji alikuwa bado akiandaa sentensi inayofuata, jambo lililoharibu 18 % ya zamu. Pili, tulipopandisha muda wa kimya hadi 1500 ms ili kuzuia vikatisho, mfumo ukawa mzito na kuanza kukwama kwenye laini zenye kelele. Kelele za nyuma ziliendelea kuweka upya hesabu ya kimya, hivyo wakala hakuwahi kuamua kuwa mtumiaji amemaliza.

Ishara tatu zinachukua nafasi ya namba moja

Tuliondoka kwenye muda maalum wa kimya na kujenga mashine ndogo ya hali (state machine) inayofuatilia ishara tatu:

  • Muda wa kimya – jinsi ambavyo mtumiaji amekuwa kimya kwa muda mrefu.
  • Sarufi – je, nakala ya mazungumzo (transcript) inaishia na kitengo kamili cha kisintaksia au neno lililoachwa kama vile “the” au “and”?
  • Utambuzi wa back-channel – je, sauti ya mwisho ilikuwa zamu halisi (kwa mfano, jibu la maneno) au uthibitisho mfupi kama “yeah”?

Kwa ishara hizi, tulifafanua mipaka miwili ya kimya:

  1. Nakala iliyokamilika – wakati maandishi yaliyochambuliwa yanaonekana kukamilika, tunatumia muda mfupi wa 550 ms. Wakala anabaki kuwa mwepesi na kujibu haraka.
  2. Nakala isiyokamilika (dangling transcript) – wakati neno la mwisho linadokeza kuwa mtumiaji yuko katikati ya sentensi, tunaongeza muda hadi 1300 ms, tukimpa mzungumzaji nafasi ya kuendelea.

Kinga mbili za ziada huzuia vikatisho visivyo vya kweli:

  • Muda wa chini wa usemi – “mm-hmm” fupi haichukuliwi kama zamu kamili, hivyo wakala anasubiri usemi mrefu zaidi kabla ya kuamua.
  • Kikomo cha juu (Hard cap) – bila kujali kelele za nyuma, kikomo cha juu cha kimya kinamlazimu wakala kujibu baada ya muda unaofaa, kuzuia kukwama kwa muda mrefu.

Matokeo na maana yake kwa AI ya sauti

Baada ya kutekeleza mfumo wa ishara tatu, kiwango cha kukatwa kwa mazungumzo kilishuka kutoka 18 % hadi 3 %. Wapigaji hawakuwa wanamsikia wakala akizungumza juu yao tena, na lile tatizo la awali la “ukimya mrefu” lilitoweka. Wakala anahisi kuwa anajibu kwa wakati na ana adabu, akilingana na jinsi binadamu wanavyosimamia zamu za mazungumzo.

Kwa watengenezaji wanaojenga wasaidizi wa sauti, somo ni wazi: namba moja ya kudumu kwenye faili ya usanidi (config file) haiwezi kunasa miondoko ya mwingiliano wa sauti. Mashine ya hali (state machine) nyepesi inayochambua urefu wa kimya, ukamilifu wa kisarufi, na ishara za back-channel inaweza kuboresha sana usahihi wa kuchukua zamu bila kuongeza mzigo mkubwa wa kicompyuta.

Changamoto zinazoweza kutokea na maswali ya wazi

Kuongeza uchambuzi