Adaptación de voz

Cuando realizas una solicitud de detección de intent, tienes la opción de suministrar contexto de voz para proporcionar sugerencias al reconocedor de voz. Estas sugerencias pueden ayudarte con el reconocimiento en una situación de conversación específica.

Nota: Proporcionar contenido explícito no vacío speech_contexts para una solicitud de detección de intent anula las sugerencias de contexto de voz implícitas generadas por la adaptación de voz automática para la entrada configuración de audio (voz a texto).

Adaptación de voz automática

La función de adaptación de voz automática mejora la precisión del reconocimiento de voz de tu agente mediante el uso automático del estado de la conversación para pasar entidades relevantes y frases de entrenamiento como sugerencias de contexto de voz en todas las solicitudes de detección de intent. Esta función está habilitada de forma predeterminada.

Habilita o inhabilita la adaptación automática de voz

Para habilitar o inhabilitar la adaptación automática de voz, haz lo siguiente:

1. Ve a la consola de Dialogflow ES.
2. Selecciona tu agente cerca de la parte superior del menú de la barra lateral izquierda.
3. Haz clic en el botón de configuración  ubicado junto al nombre del agente.
4. Selecciona la pestaña Voz.
5. Desplázate hacia la sección Mejorar la calidad del reconocimiento de voz.
6. Activa o desactiva Habilitar la adaptación de voz automática.

Diseño del agente para mejoras en el reconocimiento de voz

Si habilitas la adaptación automática de voz, puedes compilar tu agente para aprovecharla. En las siguientes secciones, se explica cómo se puede mejorar el reconocimiento de voz con ciertos cambios en las frases de entrenamiento, los contextos y las entidades del agente.

Frases y contextos de entrenamiento

• Si defines frases de entrenamiento con una frase como “es 3 de diciembre”, un enunciado del usuario que suene similar se reconoce de manera correcta como “es 3 de diciembre” y no “estrés de diciembre”.

• Cuando una sesión tiene activos contextos, la adaptación de voz automática sesgará la mayoría a las frases de entrenamiento de intents en las que todos los contextos de entrada están activos. Por ejemplo, con dos contextos activos “pago-factura” y “confirmación”, todos los intents siguientes influirán en la adaptación de voz automática: intents con un solo contexto de entrada “pay-bill”, intents con un solo contexto en el contexto de entrada “confirmation” y los intents con dos contextos de entrada “pay-bill” y “confirmation”.

  Nota: La adaptación de voz automática solo tiene en cuenta los contextos que estuvieron activos al final del turno anterior de la conversación. Los contextos activados dentro de la solicitud en curso no afectan el proceso la adaptación de voz para esta solicitud. Contextos activados a través del El método contexts de la API no afecta la adaptación de voz automática para la solicitud de seguimiento. Contextos activados mediante sí afectan la entrada de un evento o el outputContexts de una respuesta de webhook la adaptación de voz automática para la solicitud de seguimiento.

• Cuando una sesión no tiene contextos activos, la adaptación de voz automática penalizará las frases de entrenamiento de los intents sin contextos de entrada.

• Cuando tienes un parámetro obligatorio que obliga a Dialogflow a relleno de ranuras instrucciones, adaptación de voz automática se personalizará fuertemente la entidad que se está completando.

En todos los casos, la adaptación de voz automática solo restringe el reconocimiento de voz, no la limita. Por ejemplo, aunque Dialogflow le solicite a un usuario un parámetro obligatorio, los usuarios aún podrán activar otros intents, como un intent “hablar con un agente”.

Entidades del sistema

Si defines una frase de entrenamiento que usa @sys.number. entidad del sistema , y el usuario final dice: “Quiero dos”, puede reconocerse como “para”, “demasiado”, “2” o “dos”.

Cuando la adaptación de voz automática está habilitada, Dialogflow usa la entidad @sys.number como pista durante el reconocimiento de voz, y es más probable que el parámetro se extraiga como "100".

Entidades personalizadas

• Si defines un entidad personalizada para los nombres de productos o servicios ofrecidos por su empresa, y el usuario final menciona estos términos en una declaración, es más probable que que se reconozcan. Una frase de entrenamiento “Me encanta Dialogflow”, en la que “Dialogflow” se anota como la entidad @product, le indicará una adaptación de voz automática a la biografía para “Me encanta Dialogflow”, “Me encanta Cloud Speech” y otras entradas en la entidad @product.

• Es muy importante definir sinónimos de entidad limpia cuando se usa Dialogflow para detectar la voz. Imagina que tienes dos entradas de entidad @product: “Dialogflow” y “Dataflow”. Tus sinónimos de “Dialogflow” pueden ser “Dialogflow”, “flujo de diálogo”, “compilador de diálogo”, “Speakoit”, “hablar con él”, “API.ai”, “IA de punto de API”. Estos son sinónimos adecuados, ya que abarcan las variaciones más comunes. No es necesario que agregues “el compilador de flujo de diálogo” porque el “flujo de diálogo” ya lo cubre.

Nota: ¿Por qué es importante? Considera que tienes dos entidades “Dialogflow“ y “Dataflow”, y dos sinónimos son “el compilador de flujos de diálogo” y “Google Cloud Dataflow”. Un usuario final podría decir de forma razonable “Google Cloud Dialogflow”, pero como no hay una palabra clave “Google Cloud Dialogflow”, el reconocimiento de voz probablemente escuche “Google Cloud Dataflow” porque las definiciones de la entidad se restringen para esa frase. Del mismo modo, si alguien dice “el compilador de flujo de datos”, es probable que escuchemos “el compilador de flujos de diálogo”, ya que es la única entidad definida con “compilador”. En su lugar, obtendrás un mejor rendimiento si solo defines las frases clave como se indica en la viñeta anterior. En resumen, ten cuidado de no agregar datos genéricos a las definiciones de entidades, ya que estas son las frases de entrenamiento de intent diseñadas. Una frase de entrenamiento “Google Cloud Dataflow”, en la que “Dataflow” está anotado como la entidad @product que permite la adaptación de voz automática para escuchar “Google Cloud Dataflow” y “Google Cloud Dialogflow” con el mismo peso. Consulta Diseño de agentes para conocer más prácticas recomendadas.

• Las declaraciones de usuario con entidades numéricas consecutivas, pero distintas pueden ser ambiguas. Por ejemplo, “Quiero dos dieciséis paquetes” podría significar 2 cantidades de 16 paquetes o 216 cantidades de paquetes. La Adaptación de voz puede ayudar a evitar la ambigüedad de estos casos si configuras las entidades con valores deletreados:
  • Define una entidad quantity con entradas:
    zero
one
...
twenty
  • Define una entidad product o size con entradas:
    sixteen pack
two ounce
...
five liter
  • Solo se usan los sinónimos de entidad en la adaptación de voz, por lo que puedes definir una entidad con valor de referencia 1 y sinónimo único one para simplificar tu lógica de entrega.

Entidades de expresión regular

Entidades de expresión regular puede activar la función de voz automática adaptación para secuencias alfanuméricas y de dígitos como “ABC123” o "12345" cuándo configurar y probar correctamente.

Para reconocer estas secuencias por voz, implementa los cuatro requisitos que se indican a continuación:

1. Requisito de entrada de la expresión regular

Si bien se puede usar cualquier expresión regular para extraer entidades de entradas de texto, solo ciertas expresiones indicarán a la adaptación automática de la voz al sesgo para secuencias de dígitos o alfanuméricos deletreados al reconocer la voz.

En la entidad de expresión regular, al menos una entrada debe seguir todas estas reglas:

• Debe coincidir con algunos caracteres alfanuméricos, como \d, \w, [a-zA-Z0-9]
• No debe contener espacios en blanco   ni \s, aunque se permiten \s* y \s?
• No debe contener grupos de captura o no de captura ()
• No debes intentar hacer coincidir ningún carácter especial o puntuación como los siguientes: ` ~ ! @ # $ % ^ & * ( ) - _ = + , . < > / ? ; ' : " [ ] { } \ |

Esta entrada puede tener grupos de caracteres [] y cuantificadores de repetición, como *, ?, + y {3,5}.

Consulta los ejemplos.

2. Requisito de definición de parámetro

Marca la entidad de expresión regular como parámetro de intent obligatorio para que pueda recopilarse durante el llenado de ranuras. Esto permite que la adaptación de voz automática establezca un sesgo sólido para el reconocimiento de secuencias en lugar de intentar reconocer una intención y una secuencia al mismo tiempo. De lo contrario, “Where is my package for ABC123” podría no reconocerse como “Where is my package 4ABC123”?

3. Requisito de anotación de frases de entrenamiento

No uses la entidad regexp para una Anotación de la frase de entrenamiento de intents. Esto garantiza que el parámetro se resuelva como parte del relleno de ranuras.

4. Requisito de prueba

Consulta Prueba la adaptación de voz.

Ejemplos

Por ejemplo, una entidad de expresión regular con una sola entrada ([a-zA-Z0-9]\s?){5,9} no activará el reconocedor de la secuencia de voz porque contiene un grupo de captura. Para solucionar este problema, agrega otra entrada para [a-zA-Z0-9]{5,9}. Ahora harás lo siguiente: beneficiarse del reconocedor de secuencias cuando hace coincidir "ABC123", pero la CLN seguirá coincidiendo con entradas como “ABC 123” gracias al original que permite los espacios.

Los siguientes ejemplos de expresiones regulares se adaptan a secuencias alfanuméricas:

^[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]

Los siguientes ejemplos de expresiones regulares se adaptan a las secuencias de dígitos:

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

Solución alternativa de expresiones regulares

La compatibilidad integrada de la adaptación de voz automática para las entidades de expresión regular varía según el idioma. Marca Tokens de clase de voz. para $OOV_CLASS_ALPHANUMERIC_SEQUENCE y $OOV_CLASS_DIGIT_SEQUENCE idiomas admitidos.

Si tu idioma no aparece en la lista, puedes solucionar esta limitación. Por ejemplo, si quieres un ID de empleado que sea tres letras seguidas de tres dígitos para reconocerse con precisión, podrías compila tu agente con las siguientes entidades y parámetros:

• Define una entidad digit que contenga 10 entradas de entidad (con sinónimos):
  0, 0
1, 1
...
9, 9
• Define una entidad letter que contenga 26 entradas de entidad (con sinónimos):
  A, A
B, B
...
Z, Z
• Define una entidad employee-id que contenga una sola entrada de entidad (sin sinónimos):
  @letter @letter @letter @digit @digit @digit
• Usa @employee-id como parámetro en una frase de entrenamiento.

Nota: La entrada de entidad employee-id requiere espacios en blanco entre entidades consecutivas para que sea una definición de entidad válida. Debido a esto, no se establece una consulta de texto “ABC123” que tenga una coincidencia de texto de “A B C 1 2 3” porque la adaptación de voz automática penalizará los espacios.

Prueba la adaptación de voz

Cuando pruebes las capacidades de adaptación de voz de tu agente para una frase de entrenamiento o una coincidencia de entidad particular no deberías pasar directamente a la prueba de la coincidencia con el primer enunciado de voz de una conversación. Debes usar solo entradas de voz o eventos para toda la conversación antes de la coincidencia que quieres probar. El comportamiento de tu agente cuando se prueba de esta manera será similar al comportamiento en las conversaciones de producción reales.

Nota: Si quieres probar el primer turno de conversación de un agente de telefonía que normalmente usa el BIENVENIDO evento, debes invocar este evento antes de probar la coincidencia.

Limitaciones

Se aplica la siguiente limitación:

• La adaptación de voz no está disponible para todos los modelos de voz ni todas las combinaciones de idiomas. Consulta la página de compatibilidad de idiomas de Cloud Speech para verificar si “adaptación del modelo” está disponible para tu modelo de voz y tu combinación de idioma.

• La adaptación de voz automática no funciona para Actions on Google (Asistente de Google), ya que Actions on Google realiza el reconocimiento de voz antes de enviar los datos a Dialogflow.

• Es un desafío reconocer secuencias de personajes largos. El número de capturados en un solo turno, están directamente relacionados. a la calidad del audio de entrada. Por ejemplo, si tu integración funciona con audio de llamadas telefónicas, debes habilita los modelos de voz mejorados para reconocer de manera confiable secuencias alfanuméricas más largas que cuatro o cinco caracteres o secuencias de dígitos de más de 10 caracteres. Si seguiste todos los lineamientos de entidades de expresión regular y todavía tienen problemas para capturar toda la secuencia en un solo turno, puedes considerar algunas alternativas más conversacionales:
  • Cuando valides la secuencia en una base de datos, considera hacer una referencia cruzada de otros parámetros recopilados, como las fechas, los nombres o los números de teléfono, a fin de permitir coincidencias incompletas. Por ejemplo, en lugar de pedir a un usuario a su número de pedido, también pídele su número de teléfono. Ahora, cuando tu webhook consulta a tu base de datos por el estado del pedido, primero puede aparecer en el número de teléfono y, luego, mostrar el orden coincidente más cercano para esa cuenta. Esto podría permitir que Dialogflow escuche incorrectamente “ABC” como “AVC” y aún muestra el estado correcto del pedido para el usuario.
  • Para secuencias más largas, considera diseñar un flujo que aliente a los usuarios finales a pausarse en el medio para que el bot pueda confirmarse a medida que avanzas. Lee este instructivo para obtener más detalles.