Adaptasi ucapan

Saat melakukan permintaan deteksi maksud, Anda dapat secara opsional memberikan phrase_hints untuk memberikan petunjuk kepada pengenal ucapan. Petunjuk ini dapat membantu pengenalan dalam status percakapan tertentu.

Adaptasi ucapan otomatis

Fitur adaptasi ucapan otomatis meningkatkan akurasi pengenalan ucapan agen Anda dengan otomatis menggunakan status percakapan untuk meneruskan frasa pelatihan dan entity yang relevan sebagai petunjuk konteks ucapan untuk semua permintaan deteksi maksud. Fitur ini dinonaktifkan secara default.

Mengaktifkan atau menonaktifkan adaptasi ucapan otomatis

Untuk mengaktifkan atau menonaktifkan adaptasi ucapan otomatis:

Konsol

  1. Buka konsol Dialogflow CX.
  2. Pilih project GCP Anda.
  3. Pilih agen Anda.
  4. Klik Setelan Agen.
  5. Klik tab Speech and IVR.
  6. Aktifkan atau nonaktifkan Aktifkan adaptasi ucapan otomatis.
  7. Klik Simpan.

API

Lihat metode get dan patch/update untuk jenis Agent.

Pilih protokol dan versi untuk referensi Agen:

Protokol V3 V3beta1
REST Resource agen Resource agen
RPC Antarmuka agen Antarmuka agen
C++ AgentsClient Tidak tersedia
C# AgentsClient Tidak tersedia
Go AgentsClient Tidak tersedia
Java AgentsClient AgentsClient
Node.js AgentsClient AgentsClient
PHP Tidak tersedia Tidak tersedia
Python AgentsClient AgentsClient
Ruby Tidak tersedia Tidak tersedia

Desain agen untuk peningkatan pengenalan ucapan

Dengan mengaktifkan adaptasi ucapan otomatis, Anda dapat membangun agen dengan cara yang memanfaatkannya. Bagian berikut menjelaskan cara meningkatkan kualitas pengenalan ucapan dengan melakukan perubahan tertentu pada frasa pelatihan dan entitas agen Anda.

Frasa latihan

  • Jika Anda menentukan frasa pelatihan dengan frasa seperti "hidung tersumbat", ucapan pengguna akhir yang terdengar serupa akan dikenali secara andal sebagai "hidung tersumbat", bukan "stuff he knows".
  • Jika Anda memiliki parameter wajib yang memaksa Dialogflow untuk meminta pengisian formulir, adaptasi ucapan otomatis akan sangat cenderung ke entitas yang diisi.

Dalam semua kasus, adaptasi ucapan otomatis hanya memengaruhi pengenalan ucapan, bukan membatasinya. Misalnya, meskipun Dialogflow meminta parameter yang diperlukan kepada pengguna, pengguna tetap dapat memicu intent lain seperti intent "bicara dengan agen" tingkat teratas.

Entity sistem

Jika Anda menentukan frasa pelatihan yang menggunakan @sys.number entitas sistem , dan pengguna akhir mengatakan "Saya mau dua", frasa tersebut dapat dikenali sebagai "dua", "2", "dua", atau "dua".

Dengan adaptasi ucapan otomatis diaktifkan, Dialogflow menggunakan entity @sys.number sebagai petunjuk selama pengenalan ucapan, dan parameter lebih mungkin diekstrak sebagai "2".

Entity kustom

  • Jika Anda menentukan entitas kustom untuk nama produk atau layanan yang ditawarkan oleh perusahaan Anda, dan pengguna akhir menyebutkan istilah ini dalam ucapan, istilah tersebut akan lebih mungkin dikenali. Frasa pelatihan "Saya suka Dialogflow", dengan "Dialogflow" dianotasi sebagai entity @product, akan memberi tahu adaptasi ucapan otomatis untuk memilih "Saya suka Dialogflow", "Saya suka Cloud Speech", dan semua entri lainnya dalam entity @product.

  • Sangat penting untuk menentukan sinonim entitas yang bersih saat menggunakan Dialogflow untuk mendeteksi ucapan. Bayangkan Anda memiliki dua entri entitas @product, yaitu "Dialogflow" dan "Dataflow". Sinonim untuk "Dialogflow" mungkin adalah "Dialogflow", "dialogue flow", "dialogue builder", "Speaktoit", "speak to it", "API.ai", "API dot AI". Sinonim ini bagus karena mencakup variasi yang paling umum. Anda tidak perlu menambahkan "the dialogue flow builder" karena "dialogue flow" sudah mencakupnya.

  • Ucapan pengguna dengan entitas angka yang berurutan tetapi berbeda dapat menimbulkan ambiguitas. Misalnya, "Saya ingin dua paket enam belas" dapat berarti 2 jumlah paket 16, atau 216 jumlah paket. Adaptasi ucapan dapat membantu memperjelas kasus ini jika Anda menyiapkan entitas dengan nilai yang dieja:
    • Tentukan entitas quantity dengan entri:
      zero
      one
      ...
      twenty
    • Tentukan entity product atau size dengan entri:
      sixteen pack
      two ounce
      ...
      five liter
    • Hanya sinonim entitas yang digunakan dalam adaptasi ucapan, sehingga Anda dapat menentukan entitas dengan nilai referensi 1 dan satu sinonim one untuk menyederhanakan logika pemenuhan Anda.

Entity Regexp

Entitas ekspresi reguler dapat memicu adaptasi ucapan otomatis untuk urutan alfanumerik dan digit seperti "ABC123" atau "12345" jika dikonfigurasi dan diuji dengan benar.

Untuk mengenali urutan ini melalui suara, terapkan keempat persyaratan di bawah:

1. Persyaratan entri ekspresi reguler

Meskipun ekspresi reguler apa pun dapat digunakan untuk mengekstrak entitas dari input teks, hanya ekspresi tertentu yang akan memberi tahu adaptasi ucapan otomatis untuk memihak urutan alfanumerik atau digit yang dieja saat mengenali ucapan.

Dalam entitas ekspresi reguler, setidaknya satu entri harus mengikuti semua aturan berikut:

  • Harus cocok dengan beberapa karakter alfanumerik, misalnya: \d, \w, [a-zA-Z0-9]
  • Tidak boleh berisi spasi kosong   atau \s, meskipun \s* dan \s? diizinkan
  • Tidak boleh berisi grup pengambilan atau non-pengambilan ()
  • Tidak boleh mencoba mencocokkan karakter khusus atau tanda baca seperti: ` ~ ! @ # $ % ^ & * ( ) - _ = + , . < > / ? ; ' : " [ ] { } \ |

Entri ini dapat memiliki set karakter [] dan pengukur pengulangan seperti *, ?, +, {3,5}.

Lihat Contoh.

2. Persyaratan definisi parameter

Tandai entity regexp sebagai parameter formulir yang wajib diisi, sehingga entity tersebut dapat dikumpulkan selama pengisian formulir. Hal ini memungkinkan adaptasi ucapan otomatis sangat condong ke pengenalan urutan, bukan mencoba mengenali maksud dan urutan secara bersamaan. Jika tidak, "Di mana paket saya untuk ABC123" mungkin salah dikenali sebagai "Di mana paket saya 4ABC123".

3. Persyaratan anotasi frasa pelatihan

Jangan gunakan entitas ekspresi reguler untuk anotasi frasa pelatihan maksud. Hal ini memastikan bahwa parameter diselesaikan sebagai bagian dari pengisian formulir.

4. Persyaratan pengujian

Lihat Menguji adaptasi ucapan.

Contoh

Misalnya, entitas regexp dengan satu entri ([a-zA-Z0-9]\s?){5,9} tidak akan memicu pengenal urutan ucapan karena berisi grup tangkapan. Untuk memperbaikinya, cukup tambahkan entri lain untuk [a-zA-Z0-9]{5,9}. Sekarang Anda akan mendapatkan manfaat dari pengenal urutan saat mencocokkan "ABC123", tetapi NLU akan tetap mencocokkan input seperti "ABC 123" berkat aturan asli yang memungkinkan adanya spasi.

Contoh ekspresi reguler berikut disesuaikan untuk urutan alfanumerik:

^[A-Za-z0-9]{1,10}$
WAC\d+
215[2-8]{3}[A-Z]+
[a-zA-Z]\s?[a-zA-Z]\s?[0-9]\s?[0-9]\s?[0-9]\s?[a-zA-Z]\s?[a-zA-Z]

Contoh ekspresi reguler berikut disesuaikan untuk urutan digit:

\d{2,8}
^[0-9]+$
2[0-9]{7}
[2-9]\d{2}[0-8]{3}\d{4}
Solusi Regexp

Dukungan bawaan adaptasi ucapan otomatis untuk entitas ekspresi reguler bervariasi menurut bahasa. Periksa Token class ucapan untuk $OOV_CLASS_ALPHANUMERIC_SEQUENCE dan $OOV_CLASS_DIGIT_SEQUENCE bahasa yang didukung.

Jika bahasa Anda tidak tercantum, Anda dapat mengatasi batasan ini. Misalnya, jika Anda ingin ID karyawan yang terdiri dari tiga huruf diikuti dengan tiga digit dikenali secara akurat, Anda dapat membuat agen dengan entity dan parameter berikut:

  • Tentukan entity digit yang berisi 10 entri entity (dengan sinonim):
    0, 0
    1, 1
    ...
    9, 9
  • Tentukan entitas letter yang berisi 26 entri entitas (dengan sinonim):
    A, A
    B, B
    ...
    Z, Z
  • Tentukan entity employee-id yang berisi satu entri entity (tanpa sinonim):
    @letter @letter @letter @digit @digit @digit
  • Gunakan @employee-id sebagai parameter dalam frasa pelatihan.

Adaptasi ucapan manual

Adaptasi ucapan manual memungkinkan Anda mengonfigurasi frasa adaptasi ucapan secara manual untuk alur atau halaman. Fitur ini juga menggantikan konteks ucapan implisit yang dihasilkan oleh adaptasi ucapan otomatis saat fitur tersebut diaktifkan.

Setelan adaptasi ucapan tingkat alur dan tingkat halaman memiliki hubungan hierarkis, yang berarti halaman mewarisi setelan adaptasi ucapan dari tingkat alur secara default dan tingkat halaman yang lebih terperinci selalu menggantikan tingkat alur jika halaman memiliki setelan yang disesuaikan.

Untuk setelan adaptasi ucapan, setelan tingkat alur, dan setelan tingkat halaman dapat diaktifkan secara terpisah. Jika setelan adaptasi tingkat alur tidak diaktifkan, Anda tetap dapat memilih Sesuaikan di tingkat halaman untuk mengaktifkan adaptasi ucapan manual untuk halaman tertentu tersebut. Demikian pula, jika Anda menonaktifkan adaptasi ucapan manual di setelan tingkat alur, halaman dalam alur dengan Sesuaikan yang dipilih tidak akan terpengaruh.

Namun, setelan tingkat alur dan setelan tingkat halaman tidak dapat dinonaktifkan secara terpisah. Jika alur mengaktifkan adaptasi ucapan manual, Anda tidak dapat menonaktifkannya untuk halaman di alur melalui pilihan Sesuaikan. Oleh karena itu, jika Anda ingin menggunakan campuran adaptasi ucapan manual dan adaptasi ucapan otomatis untuk halaman dalam alur, Anda tidak boleh mengaktifkan adaptasi ucapan manual di tingkat alur dan hanya boleh menggunakan setelan adaptasi tingkat halaman. Anda dapat melihat tabel di bawah untuk memahami kombinasi setelan alur dan halaman yang harus digunakan untuk kasus adaptasi Anda.

Efek target Penggunaan setelan adaptasi yang direkomendasikan
Menonaktifkan penyesuaian otomatis untuk alur Alur diaktifkan tanpa set frasa (halaman dalam alur secara default menggunakan setelan alur).
Menonaktifkan penyesuaian otomatis untuk halaman Alur dinonaktifkan dan halaman diaktifkan (Sesuaikan dipilih) tanpa kumpulan frasa.
Hanya gunakan adaptasi ucapan manual untuk semua halaman dalam alur Alur diaktifkan. Menyesuaikan halaman yang memerlukan penggunaan kumpulan frasa yang berbeda dari alur.
Menggabungkan penggunaan adaptasi otomatis dan manual dalam alur Alur dinonaktifkan. Sesuaikan halaman yang ingin Anda terapkan adaptasi manual.
Hanya gunakan adaptasi ucapan otomatis untuk semua halaman dalam alur Alur dinonaktifkan.

Mengaktifkan atau menonaktifkan adaptasi ucapan manual

Untuk mengaktifkan atau menonaktifkan adaptasi ucapan manual di tingkat alur atau halaman:

Setelan Alur

  1. Buka konsol Dialogflow CX.
  2. Pilih project GCP Anda.
  3. Arahkan kursor ke alur di bagian Flows.
  4. Klik tombol opsi .
  5. Pilih Setelan Alur di menu dropdown.
  6. Centang atau hapus centang pada kotak Aktifkan adaptasi ucapan manual.
  7. Mengedit, menambahkan, atau menghapus set frasa dalam tabel set frasa
  8. Klik Simpan.

Setelan Halaman

  1. Buka konsol Dialogflow CX.
  2. Pilih project GCP Anda.
  3. Arahkan kursor mouse ke halaman di bagian Halaman.
  4. Klik tombol opsi .
  5. Pilih Setelan Halaman di menu dropdown.
  6. Gunakan tingkat alur dipilih secara default dan jika dipilih, frasa adaptasi tingkat alur akan digunakan kembali untuk halaman ini. Anda dapat memilih Sesuaikan untuk mengonfigurasi frasa adaptasi yang berbeda dengan setelan tingkat alur. Meskipun adaptasi ucapan manual dinonaktifkan di tingkat alur, Anda tetap dapat mengaktifkan dan mengonfigurasi adaptasi ucapan manual untuk halaman dalam alur tersebut melalui opsi Sesuaikan.
  7. Mengedit, menambahkan, atau menghapus set frasa dalam tabel set frasa adaptasi
  8. Klik Simpan.

Konfigurasi set frasa manual untuk peningkatan pengenalan ucapan

1. Kata dan frasa

Dalam set frasa adaptasi, Anda dapat menentukan frasa satu kata atau multi-kata dengan referensi opsional ke token class ucapan. Misalnya, Anda dapat menambahkan frasa seperti "tarif menarik", "nomor pelacakan adalah $OOV_CLASS_ALPHANUMERIC_SEQUENCE", atau "$FULLPHONENUM". Frasa yang diberikan ini meningkatkan kemungkinan frasa tersebut ditranskripsikan dibandingkan frasa lain yang mirip secara fonetik. Saat Anda menambahkan frasa multi-kata tanpa penguatan, bias diterapkan ke seluruh frasa dan bagian berkelanjutan dalam frasa. Secara umum, jumlah frasa harus tetap sedikit dan Anda hanya boleh menambahkan frasa yang sulit dikenali dengan benar oleh pengenalan ucapan tanpa adaptasi ucapan. Jika Speech-to-Text sudah dapat mengenali frasa dengan benar, maka tidak perlu menambahkan frasa ini ke setelan adaptasi ucapan. Jika Anda melihat beberapa frasa yang sering salah dikenali oleh Speech-to-Text di halaman atau alur, Anda dapat menambahkan frasa yang benar ke setelan adaptasi yang sesuai.

Contoh koreksi kesalahan pengenalan

Berikut contoh cara menggunakan adaptasi ucapan untuk memperbaiki masalah pengenalan. Misalnya, Anda sedang mendesain agen perdagangan perangkat ponsel, dan pengguna dapat mengucapkan sesuatu yang menyertakan frasa "jual ponsel" atau "ponsel" setelah agen mengajukan pertanyaan pertamanya "ada yang bisa kami bantu?". Lalu, bagaimana cara menggunakan adaptasi ucapan untuk meningkatkan akurasi pengenalan pada kedua frasa tersebut?

Jika Anda menyertakan kedua frasa dalam setelan adaptasi, Speech-to-Text mungkin masih bingung karena kedua frasa tersebut terdengar mirip. Jika Anda hanya memberikan satu frasa dari dua frasa, Speech-to-Text mungkin salah mengenali satu frasa sebagai frasa lainnya. Untuk meningkatkan akurasi pengenalan ucapan untuk kedua frasa, Anda perlu memberikan lebih banyak petunjuk konteks ke Speech-to-Text untuk membedakan kapan Speech-to-Text harus mendengar "jual ponsel" dan kapan Speech-to-Text harus mendengar "ponsel". Misalnya, Anda mungkin melihat orang sering menggunakan "jual ponsel" sebagai bagian dari ucapan seperti "cara menjual ponsel", "ingin menjual ponsel", atau "apakah Anda menjual ponsel", sedangkan "ponsel" sebagai bagian dari ucapan seperti "beli ponsel", "tagihan ponsel", dan "layanan ponsel". Jika Anda memberikan frasa yang lebih tepat ini ke model, bukan frasa asli singkat "ponsel" dan "jual ponsel", Speech-to-Text akan mempelajari bahwa "jual ponsel" sebagai frasa verba lebih mungkin mengikuti setelah kata-kata seperti "cara", "ingin", dan "apakah Anda", sementara "ponsel" sebagai frasa nomina lebih mungkin mengikuti setelah kata-kata seperti "beli" atau diikuti oleh kata-kata seperti "tagihan" atau "layanan". Oleh karena itu, sebagai aturan praktis untuk mengonfigurasi frasa adaptasi, biasanya lebih baik memberikan frasa yang lebih tepat seperti "cara menjual ponsel" atau "apakah Anda menjual ponsel" daripada hanya menyertakan "jual ponsel".

2. Token class ucapan

Selain kata-kata bahasa natural, Anda juga dapat menyematkan referensi ke token kelas ucapan ke dalam frasa. Token kelas ucapan mewakili konsep umum yang biasanya mengikuti format tertentu dalam penulisan. Misalnya, untuk nomor alamat dalam alamat seperti "123 Main Street", orang biasanya akan melihat format numerik "123" dari nomor alamat dalam alamat, bukan versi yang dieja sepenuhnya "one-hundred twenty-three". Jika Anda mengharapkan format tertentu dalam hasil transkripsi, terutama untuk urutan alfanumerik, lihat daftar token class yang didukung untuk mengetahui token yang tersedia untuk bahasa dan kasus penggunaan Anda.

Jika halaman sudah memiliki rute atau parameter maksud dengan referensi ke entitas sistem, berikut tabel referensi untuk pemetaan antara entitas sistem umum dan token kelas ucapan:

Entity sistem Token class ucapan
@sys.date $MONTH $DAY $YEAR
@sys.date-time $MONTH $DAY $YEAR
@sys.date-period $MONTH $DAY $YEAR
@sys.time $TIME
@sys.time-period $TIME
@sys.age $OPERAND
@sys.number $OPERAND
@sys.number-integer $OPERAND
@sys.cardinal $OPERAND
@sys.ordinal $OPERAND
@sys.percentage $OPERAND
@sys.duration $OPERAND
@sys.currency-name $MONEY
@sys.unit-currency $MONEY
@sys.phone-number $FULLPHONENUM
@sys.zip-code $POSTALCODE atau $OOV_CLASS_POSTALCODE
@sys.address $ADDRESSNUM $STREET $POSTALCODE
@sys.street-address $ADDRESSNUM $STREET $POSTALCODE
@sys.temperature $OOV_CLASS_TEMPERATURE
@sys.number-sequence $OOV_CLASS_DIGIT_SEQUENCE
@sys.flight-number $OOV_CLASS_ALPHANUMERIC_SEQUENCE

3. Nilai penguatan

Jika menambahkan frasa tanpa nilai penguatan tidak memberikan efek bias yang cukup kuat, Anda dapat menggunakan nilai penguatan untuk lebih memperkuat efek bias adaptasi ucapan.

Penguatan menerapkan bias tambahan jika ditetapkan ke nilai yang lebih besar dari 0 dan tidak lebih dari 20. Jika boost kosong atau 0, efek bias default membantu mengenali seluruh frasa dan bagian berkelanjutan dalam frasa. Misalnya, frasa yang tidak di-boost "apakah Anda bersedia menjual ponsel" membantu mengenali frasa tersebut dan juga frasa serupa seperti "Saya menjual ponsel" dan "Halo, apakah Anda bersedia".

Saat peningkat positif diterapkan, efek bias lebih kuat, tetapi hanya berlaku untuk frasa yang sama persis. Misalnya, frasa yang ditingkatkan "jual ponsel" membantu mengenali "bisakah Anda menjual ponsel", tetapi tidak "apakah Anda menjual ponsel".

Oleh karena itu, Anda akan mendapatkan hasil terbaik jika memberikan frasa dengan dan tanpa penguatan.

Nilai penguatan yang lebih tinggi dapat menghasilkan negatif palsu (NP) yang lebih sedikit, yang merupakan kasus ketika kata atau frasa muncul dalam audio, tetapi tidak dikenali dengan benar oleh Speech-to-Text (kurang bias). Namun, penguatan juga dapat meningkatkan kemungkinan positif palsu (PP); yaitu, kasus saat kata atau frasa muncul dalam transkripsi meskipun tidak muncul dalam audio (terlalu banyak bias). Anda biasanya perlu menyesuaikan frasa bias untuk menemukan titik kompromi yang baik antara kedua masalah bias tersebut.

Anda dapat mempelajari lebih lanjut cara menyetel nilai peningkat untuk frasa di dokumen Cloud Speech tentang peningkat.

Kapan harus menggunakan adaptasi ucapan otomatis atau manual

Secara umum, jika Anda tidak yakin apakah adaptasi ucapan akan meningkatkan kualitas pengenalan ucapan untuk agen Anda (tidak ada pola kesalahan transkripsi yang jelas), sebaiknya coba adaptasi ucapan otomatis terlebih dahulu sebelum menggunakan adaptasi ucapan manual. Untuk keputusan yang lebih bernuansa, pertimbangkan faktor-faktor berikut untuk memutuskan antara adaptasi ucapan otomatis atau adaptasi ucapan manual:

1. Pengisian formulir

Adaptasi ucapan otomatis berfungsi sangat baik dengan pengisian formulir karena menggunakan konteks tata bahasa ABNF untuk parameter formulir dan menerapkan aturan tata bahasa berdasarkan jenis entitasnya. Karena adaptasi ucapan manual belum mendukung tata bahasa ABNF, Adaptasi Ucapan Otomatis umumnya lebih disukai daripada adaptasi ucapan manual untuk halaman pengisian formulir. Namun, untuk halaman yang hanya memiliki parameter entity sistem dan entity regexp sederhana yang didukung oleh token class ucapan, Anda juga dapat menggunakan adaptasi ucapan manual untuk mendapatkan efek bias yang mirip dengan adaptasi ucapan otomatis tanpa perlu menyesuaikan entity regexp.

2. Kompleksitas transisi halaman atau alur

Untuk halaman atau alur sederhana dengan beberapa rute maksud, adaptasi ucapan otomatis kemungkinan akan menghasilkan frasa bias yang representatif dan berperforma cukup baik.

Namun, jika halaman atau alur memiliki banyak rute maksud (untuk halaman, pertimbangkan juga jumlah rute tingkat alur), atau jika ada maksud yang memiliki frasa pelatihan yang tidak penting dan terlalu panjang atau pendek (Misalnya, seluruh kalimat atau satu kata dengan hanya satu atau dua suku kata), kemungkinan besar model adaptasi ucapan tidak akan berfungsi dengan baik dengan frasa ini. Anda harus mencoba menonaktifkan adaptasi ucapan untuk halaman terbuka dengan kompleksitas tinggi terlebih dahulu dengan mengaktifkan adaptasi ucapan manual dengan set frasa kosong (penggantian adaptasi kosong). Setelah itu, evaluasi apakah ada frasa khusus yang tidak ambigu yang masih perlu diberikan ke Speech-to-Text untuk meningkatkan kualitas pengenalan.

Gejala lain dari masalah kompleksitas ini adalah melihat berbagai masalah kurang atau lebih bias saat adaptasi ucapan otomatis diaktifkan. Mirip dengan kasus di atas, Anda juga perlu menguji dengan penonaktifan adaptasi ucapan untuk halaman tertentu terlebih dahulu. Jika perilaku salah terus terjadi setelah menonaktifkan adaptasi ucapan, Anda dapat menambahkan frasa yang ingin dikoreksi ke setelan adaptasi ucapan dan bahkan menambahkan nilai peningkat untuk lebih memperkuat efek bias jika diperlukan.

Menguji adaptasi ucapan

Saat menguji kemampuan adaptasi ucapan agen Anda untuk frasa pelatihan atau kecocokan entity tertentu, Anda tidak boleh langsung menguji kecocokan dengan ucapan suara pertama dalam percakapan. Anda hanya boleh menggunakan input suara atau peristiwa untuk seluruh percakapan sebelum kecocokan yang ingin Anda uji. Perilaku agen Anda saat diuji dengan cara ini akan serupa dengan perilaku dalam percakapan produksi sebenarnya.

Batasan

Batasan berikut berlaku:

  • Adaptasi ucapan tidak tersedia untuk semua kombinasi bahasa dan model ucapan. Lihat halaman dukungan bahasa Cloud Speech-to-Text untuk memverifikasi apakah "adaptasi model" tersedia untuk kombinasi model ucapan dan bahasa Anda.

  • Saat ini, adaptasi ucapan manual belum mendukung class kustom atau tata bahasa ABNF. Anda dapat mengaktifkan adaptasi ucapan otomatis atau menggunakan permintaan deteksi niat runtime untuk memanfaatkan fitur adaptasi ini.

  • Nilai peningkat yang sama dapat berperforma berbeda untuk berbagai model ucapan dan bahasa, jadi berhati-hatilah saat mengonfigurasinya secara manual untuk agen yang menggunakan beberapa bahasa atau model ucapan. Saat ini, adaptasi ucapan manual berlaku untuk semua bahasa di agen, sehingga agen multilingual hanya boleh menggunakan frasa yang tidak bergantung pada bahasa atau memisahkan setiap bahasa ke dalam agen yang berbeda. Karena perilaku pemberian bias default (tidak memberikan peningkat atau 0 peningkat) biasanya berfungsi cukup baik untuk semua bahasa dan model, Anda tidak perlu mengonfigurasi nilai peningkat khusus bahasa kecuali jika pemberian bias yang lebih kuat diperlukan untuk kasus penggunaan pengenalan Anda. Anda dapat mempelajari lebih lanjut cara menyetel nilai peningkat dalam panduan Cloud Speech-to-Text ini.

  • Mengenali urutan karakter yang panjang merupakan tantangan. Jumlah karakter yang direkam dalam satu giliran secara langsung terkait dengan kualitas audio input Anda. Jika Anda telah mengikuti semua pedoman entitas ekspresi reguler dan mencoba menggunakan token kelas ucapan yang relevan dalam setelan adaptasi ucapan manual, tetapi masih kesulitan merekam seluruh urutan dalam satu giliran, Anda dapat mempertimbangkan beberapa alternatif yang lebih bersifat percakapan:
    • Saat memvalidasi urutan terhadap database, pertimbangkan untuk melakukan referensi silang terhadap parameter lain yang dikumpulkan seperti tanggal, nama, atau nomor telepon untuk memungkinkan kecocokan yang tidak lengkap. Misalnya, selain hanya meminta nomor pesanan pengguna, minta juga nomor teleponnya. Sekarang, saat webhook Anda mengkueri database untuk status pesanan, webhook tersebut dapat mengandalkan nomor telepon terlebih dahulu, lalu menampilkan pesanan yang paling cocok untuk akun tersebut. Hal ini dapat menyebabkan Dialogflow salah mendengar "ABC" sebagai "AVC", tetapi tetap menampilkan status pesanan yang benar untuk pengguna.
    • Untuk urutan yang sangat panjang, pertimbangkan untuk mendesain alur yang mendorong pengguna akhir untuk menjeda di tengah agar bot dapat mengonfirmasi saat Anda melanjutkan.
Sebelumnya
Cloning suara
Berikutnya
Setelan ucapan lanjutan