CN105979106B - 一种呼叫中心系统的铃音识别方法和系统 - Google Patents

Abstract

本发明涉及一种呼叫中心系统的铃音识别方法和系统，首先根据输入的电话号码进行呼叫；然后向被叫用户发起传真请求，通过SDP解析进行传真机初步识别；再对铃音状态进行识别，其中基于呼通后5秒的音频片段，对被叫未应答前振铃状态是标准回铃音还是彩铃进行识别；被叫端摘机后，基于摘机接听后的语音片段的语音分析，进行传真机摘机、自动应答机摘机、自然人摘机和接通无人回话的识别。通过上述方法，能准确地识别号码状态及终端类型，减小铃音状态识别的计算量，迅速给出识别结果，提高识别效率。

Description

一种呼叫中心系统的铃音识别方法和系统

技术领域

本发明涉及通信领域，尤其涉及一种呼叫中心系统的铃音识别方法和系统。

背景技术

不可用号码的存在降低了呼叫中心坐席人员的工作效率，且资源严重浪费，这给呼叫中心的坐席人员和企业老板都带来了烦恼。随着呼叫中心市场的不断成熟，呼入型业务基本饱和，呼出业务量不断增多，如何对外呼号码进行准确的状态识别和筛选(洗号)，以提高拨号效率，已经成为外呼型呼叫中心需要解决的重要问题。

呼叫中的状态识别分为接听前振铃被叫方状态和接听后终端类别；接听前振铃被叫方状态又分为：关机、停机、暂时无法接通、正在通话、空号、无人接听、来电提醒、呼入限制、网络忙、呼出限制、线路忙、用户拒接、呼叫转移、回铃音标准嘟嘟声、彩铃；接听后终端类别又分为：传真机摘机识别、自动应答机摘机识别、自然人摘机识别、接通无人回话。

现有的自动外呼及洗号系统一般是通过信令处理技术来实现状态识别。一般情况下，号码识别需根据当前呼叫失败的原因来判断，通常会利用呼叫过程中产生的信令来检测。基于信令检测的方式在准确性和效率上存在问题，不能满足呼叫中心自动外呼和洗号的功能要求。检测准确性差是因为在中国三大运营商网络中，没有统一标准来反映被叫用户的状态，甚至同一个运营商的同一个本地网都会出现不同的反映。因此，经常会出现号码状态无法识别或识别错误的情况。其次，由于PSTN(Public Switched Telephone Network，公共交换电话网络)普遍实施了呼叫失败后语音提示的功能，语音提示时长可达60秒，然后才发送信令，这会严重影响信令检测效率。

自动外呼及洗号系统的另一种方法是采用语音识别检测技术。语音识别就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令，主要包括特征提取、模式匹配准则及模型训练这三个方面。语音识别检测可用于对用户呼叫失败的情况进行自动分类。语音识别技术的关键是铃音匹配，首先将模拟语音信号转换为数字信号，再同音库中的样本进行比对，当匹配值满足条件时匹配成功，选当前一条结果返回，实现号码状态识别。这种方式的识别率比信令检测方式的高，能够较为有效的解决准确性问题，但语音识别需要进行语音样本的频域分析后再进行铃音匹配，其中引入了大量运算，这就造成算法冗杂，识别速度慢，在效率上存在明显不足。

发明内容

鉴于上述分析，本发明旨在提供一种呼叫中心系统的铃音识别方法和系统，用以解决现有方法识别准确率和识别效率低、识别速度慢的问题。

本发明的目的主要是通过以下技术方案实现的：

提供一种呼叫中心系统的铃音识别方法，包括以下步骤：

S1、呼叫中心系统从呼叫列表中调取电话号码作为被叫用户，呼叫被叫用户，建立呼叫中心系统与被叫用户之间的语音通道；

S2、呼叫中心系统向被叫用户发起传真请求；

S3、呼叫中心系统通过语音片段分析对被叫未应答前振铃铃音状态进行识别；

S4、如果步骤S2中识别为支持T38的网关上的传真机，则直接上报摘机后振铃铃音状态的识别结果为传真机；否则通过语音片段分析对摘机后振铃铃音状态进行识别；

S5、将识别结果与对应的电话号码相关联，保存到数据库中。

其中，步骤S2具体包括：通过SIP的re-INVITE消息向被叫用户发起传真媒体流的协商和建立请求，其中re-INVITE消息中带有传真能力描述的SDP offer，被叫用户返回带有SDP(answer)内容的200消息，呼叫中心系统对所述返回的SDP(answer)内容进行解析。

步骤S3呼叫中心系统通过语音片段分析对被叫未应答前振铃铃音状态进行识别进一步包括：从时域和频域对呼通后5秒的音频片段进行分析。

被叫未应答前振铃状态可以分为正常振铃状态和异常振铃状态。

对于异常振铃状态的识别，采用快速傅里叶变换提取语音片段的特征值，再与语音数据库匹配。

正常振铃状态分为标准回铃音和彩铃，正常振铃状态的识别进一步包括步骤：

S31、获取呼通后的音频片段，采用并行方式进行标准回铃音和彩铃的识别；

S32、将音频能量值满足设定阈值E1的时刻识别为语音片段开始时刻T1，再次小于该阈值的时刻为语音结束时刻T2，T2在语音片段时段内，截取T1到T2时刻之间的语音片段数据，将所截取的语音片段数据进行快速傅里叶变换，如果450Hz的数据占截取的语音片段的权重超过设定阈值E2，即识别为标准回铃音；

S33、将音频能量值超过阈值E3的时刻判断为语音开始时刻T3，如果在T3时刻到音频片段结束这一时间段内，满足音频能量值E3的语音片段采样个数大于阈值A1，且语音片段总持续时间T4占的百分比超过设定阈值P1，即识别为彩铃；

S34、识别过程返回一个识别结果。

步骤S4中，呼叫中心系统通过语音片段分析对摘机后振铃铃音状态进行识别的步骤，进一步包括：基于被叫端摘机接听后的前5秒语音片段从时域和频域进行语音片段分析。

摘机后振铃铃音状态的识别包括：传真机摘机识别、自动应答机摘机识别、自然人摘机识别、接通无人回话这四种状态的识别，具体步骤为：

S41、获取摘机接听后的语音片段，采用并行方式进行传真机摘机识别、自动应答机摘机识别、自然人摘机识别、接通无人回话四种状态的识别；

S42、当语音片段内的有声片段满足传真机的识别设定阈值A3，并且语音片段经快速傅里叶变换后，语音片段的频率为2100Hz，则识别为传真机应答；

S43、将识别出有声音的时刻作为开始时刻T5，如果在语音片段的时长内识别为有声音的时间段之和T6占T5到语音片段结束这个时间段的百分比超过阈值P2，则识别为自动应答机；

S44、当语音片段的时长内，有声片段的时间和T6满足自然人阈值A2，则识别为自然人应答；

S45、当语音片段内的有声片段为0，则识别为接通无人回话状态；

S46、识别过程返回一个识别结果。

本发明还提供一种实现上述铃音识别方法的用于呼叫中心系统的铃音识别系统，包括：

呼叫模块，其用于从呼叫列表中调取电话号码作为呼叫的被叫用户，呼叫被叫用户，建立呼叫中心系统与被叫用户之间的语音通道；

终端状态和类别识别模块，其包括SDP解析模块和语音处理模块，SDP解析模块用于解析被叫用户返回的SDP(answer)内容，语音处理模块进一步包括被叫未应答前振铃铃音状态识别模块、摘机后振铃铃音状态识别模块；

储存模块，其用于将识别结果与对应的电话号码相关联地保存到数据库中；

其中，被叫未应答前振铃铃音状态识别模块，其通过基于频域和时域的语音片段分析对正常振铃状态中的标准回铃音和彩铃进行识别；摘机后振铃铃音状态识别模块，其接收SDP解析模块的解析结果，如果从返回的SDP(answer)中解析出包含m＝image、t38的字段，则直接上报摘机后振铃铃音状态的识别结果为传真机，否则呼叫中心系统通过基于时域和频域的语音片段分析对摘机后振铃铃音状态进行识别。

本发明有益效果如下：通过对语音片段进行分别从时域和频域的分析，可以准确地识别号码状态及终端类型，使铃音状态识别的计算量小、能迅速给出识别结果；避免了提取频域特征值、再匹配铃音库的过程，提高了识别效率。此外，对传真机识别包括了SDP解析和语音分析，实现双重保证，确保能从不支持T38协议的网关中将传真机识别出来。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为呼叫中心系统的铃音识别方法的示意图

图2为被叫未应答前振铃铃音的示意图

图3为呼叫中心系统的铃音识别系统的示意图

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与实施例一起用于阐释本发明的原理。

具体实施例一，公开了一种呼叫中心系统的铃音识别方法，并以5秒语音片段为例，如图1所示，具体包括以下步骤：

步骤S1、呼叫中心系统从呼叫列表中调取电话号码作为呼叫的被叫用户，呼叫被叫用户，建立呼叫中心系统与被叫用户之间的语音通道。

步骤S2、首先进行传真机识别，具体地，

呼叫中心系统发起传真请求，通过SIP的re-INVITE消息向被叫用户发起传真媒体流的协商和建立请求，其中re-INVITE消息中带有传真能力描述的SDP offer；

被叫用户通过返回带有SDP(answer)内容的200消息，与呼叫中心系统完成传真能力的协商；

呼叫中心系统对所述SDP(answer)内容进行解析，如果从返回的SDP(answer)中解析出包含m＝image、t38字段，则判断被叫方为在支持T38的网关上的传真机。

步骤S3、呼叫中心系统对被叫未应答前振铃铃音状态进行识别，上述状态识别分别从时域和频域进行，且均基于5秒语音片段(如图2所示)进行分析。需要注意的是：被叫未应答前振铃状态识别是基于呼通后5秒的音频片段进行的语音分析。音频片段的起始标识是开始进行语音分析的时刻，终止标识是根据采样频率和采样点数计算得到的。

具体地，被叫未应答前振铃状态又分为正常振铃状态和异常振铃状态；正常振铃状态分为标准回铃音和彩铃；标准回铃音为嘟嘟声，彩铃是一段连续音频流，一般是一段音乐或一段搞笑音频等。异常振铃状态包括关机、停机、暂时无法接通、正在通话、空号、无人接听、来电提醒、呼入限制、网络忙、呼出限制、线路忙、用户拒接、呼叫转移等。

以中国为例，标准回铃音在时域上为5秒一个周期，响1秒停4秒；在频域上是450Hz。根据上述时域和频域的两种特性进行标准回铃音的识别。彩铃通常为连续语音片段，时域上的特征表现为5秒周期内的绝大多数都识别为有声采样。

基于上述特性，基于5秒语音片段对标准回铃音和彩铃进行识别，包括以下步骤：

获取呼通后5秒的音频片段，采用并行方式进行以下识别；

将音频能量值满足设定阈值E1的时刻识别为语音片段开始时刻T1，再次小于该阈值的时刻为语音结束时刻T2(T2在5秒内)，截取T1到T2时刻之间的语音片段数据，将所截取的语音片段数据进行快速傅里叶变换，如果450Hz左右的数据占截取的语音片段(T2-T1)的权重超过设定阈值E2即识别为标准回铃音；

将音频能量值超过阈值E3的时刻判断为语音开始时刻T3，如果从语音开始时刻T3到5秒音频结束这段时间(5-T3)内满足音频能量值E3的语音片段采样个数大于阈值A1，且语音片段总持续时间T4占(5-T3)的百分比超过设定阈值P1，即识别为彩铃；

识别过程返回一个识别结果。

针对上述异常振铃状态，采用快速傅里叶变换提取呼通后5秒音频片段的特征值，再与语音数据库匹配，得出异常振铃的具体状态。

步骤S4、呼叫中心系统对摘机后振铃铃音状态进行识别，所述摘机后状态分为传真机摘机识别、自动应答机摘机识别、自然人摘机识别、接通无人回话这四种状态。摘机后振铃铃音状态的识别原理如下：

传真机在支持T38的网关上，SDP会带回m＝image、t38的字段，SDP的解析在步骤S2中进行；在不支持T38的网关上，即使是传真机应答，SDP也不会带回m＝image、t38的字段，此时在步骤S4中基于被叫端摘机接听后的前5秒语音片段、从时域和频域上语音分析，以识别摘机后振铃铃音状态。

如果步骤S2中能从返回的SDP(answer)中解析出包含m＝image、t38字段，则停止摘机后振铃铃音状态识别的过程，上报摘机后状态识别结果为传真机，此时无需再进行应答机、自然人和无人回话的识别；

如果从返回的SDP中解析不出m＝image、t38字段时，则对摘机接听后的前5秒语音片段进行语音分析。音频片段的起始标识是开始进行语音分析的时刻，终止标识是根据采样频率和采样点数计算得到的。

具体地，如果是传真机，摘机后在一段长静音后会有一个尖锐的“滴”声，该“滴”声在频域上大多在2100Hz左右，根据上述长静音和频率这两个特性，可以对SDP没有带回m＝image和t38这两个字段的传真机进行识别。

如果是自动应答机应答，则时域上是一段连续的人声片段，并且人声部分占5秒内的绝大多数时间，从这一条件出发，进行自动应答机识别。

如果是自然人摘机，则一般在类似“喂！你好”的声音片段后是一段长静音，根据这个特点进行自然人摘机识别。

根据接通后5秒内基本是长静音状态这一特征，可以识别接通无人通话状态。

具体地，在摘机后状态识别中，对摘机接听后的前5秒语音片段进行语音分析中的过程包括：

获取摘机接听后的前5秒语音片段，采用并行方式进行识别；

当这5秒语音片段内的有声片段很小，满足传真机的识别设定阈值A3，并且经快速傅里叶变换后，语音片段的频率为2100Hz，则识别为传真机应答；

将识别出有声音的时刻作为开始时刻T5，如果5秒内识别为有声音的时间段之和T6占(5-T5)的百分比超过阈值P2，则识别为自动应答机；

当5秒内有声片段的时间和T6满足自然人阈值A2，则识别为自然人应答；

当5秒语音片段内的有声片段几乎为0，则识别为接通无人回话状态；

识别过程返回一个识别结果。

本实施例中，E1是识别为有效语音的能量阈值(PCM语音数据的能量值，是一个16位无符号整型数据)，E2是标准回铃音占分析语音片段的权重阈值，E3是彩铃识别音频能量阈值，A1是5秒内识别为彩铃的语音片段采样个数的阈值，P1是采样音频片段的时间占比阈值，A3是传真机应答语音的识别阈值，P2是有声音时间段的时间占比阈值，A2是自然人应答的识别阈值。具体设定E1＝1000、E2＝50、E3＝2100、A1＝15000、P1＝60％、P2＝50％、A2＝1000、A3＝1000。这些设定值是经过测试调整得到的，本发明并不限于以上取值，可以根据实际情况酌情修改。

摘机后状态的识别结果中会带有一个识别率的值，这个值是一个规定的特定值，用来标识该识别结果的级别高低，以规避识别冲突。当后续识别出更高级的结果时，以最高级别结果为准。

需要说明的是，被叫未应答前的异常振铃状态，如关机、停机、暂时无法接通、正在通话、空号、无人接听、来电提醒、呼入限制、网络忙、呼出限制、线路忙、用户拒接、呼叫转移等，采用匹配语音库的方法实现识别，且这些状态的优先级高于标准回铃音和彩铃。

步骤S5、将识别结果与对应的电话号码相关联地保存到数据库中。

上述实施例中的标准回铃音识别是以中国标准为准的，选取5秒语音片段作为分析基准。但是，本发明并不局限于5秒语音片段，可以根据实际情况选取合适时间长度的语音片段。替换的实施例可以针对其他国家标准进行标准回铃音识别。以美国为例，采用440Hz和480Hz两个频率组合，以6秒一个周期，响2秒，停4秒。

本发明的另一个具体实施例，公开了一种实现上述铃音识别方法的用于呼叫中心系统的铃音识别系统(如图3所示)，包括：

呼叫模块，其用于从呼叫列表中调取电话号码作为呼叫的被叫用户，呼叫被叫用户，建立呼叫中心系统与被叫用户之间的语音通道；

终端状态和类别识别模块，其包括SDP解析模块和语音处理模块，SDP解析模块用于解析被叫用户返回的SDP(answer)内容，语音处理模块进一步包括被叫未应答前振铃铃音状态识别模块、摘机后振铃铃音状态识别模块；

储存模块，其用于将识别结果与对应的电话号码相关联地保存到数据库中；

其中，被叫未应答前振铃铃音状态识别模块，其通过基于频域和时域的语音片段分析对正常振铃状态中的标准回铃音和彩铃进行识别；摘机后振铃铃音状态识别模块，其接收SDP解析模块的解析结果，如果从返回的SDP(answer)中解析出包含m＝image、t38的字段，则直接上报摘机后振铃铃音状态的识别结果为传真机，否则呼叫中心系统通过基于时域和频域的语音片段分析对摘机后振铃铃音状态进行识别。

综上所述，本发明实施例提供了一种呼叫中心系统的铃音识别方法和系统，将识别限定在5秒语音片段上的时域和频域分析，能准确地识别号码状态及终端类型，减小了计算量，迅速给出识别结果，避免了提取频域特征值并匹配铃音库的过程，提高了识别效率。其中，传真机的摘机识别中采用SDP解析和语音分析进行双重保障，确保将不支持T38协议的网关中的打印机也识别出来。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种呼叫中心系统的铃音识别方法，其特征在于，包括以下步骤：

S1、呼叫中心系统从呼叫列表中调取电话号码作为被叫用户，呼叫被叫用户，建立呼叫中心系统与被叫用户之间的语音通道；

S2、呼叫中心系统向被叫用户发起传真请求；

步骤S2具体包括：通过SIP的re-INVITE消息向被叫用户发起传真媒体流的协商和建立请求，其中re-INVITE消息中带有传真能力描述的SDP offer，被叫用户返回带有SDP内容的200消息，呼叫中心系统对所述返回的SDP内容进行解析；

S3、呼叫中心系统通过语音片段分析对被叫未应答前振铃铃音状态进行识别；S4、如果步骤S2中识别为支持T38的网关上的传真机，则直接上报摘机后振铃铃音状态的识别结果为传真机；否则通过语音片段分析对摘机后振铃铃音状态进行识别；

传真机在支持T38的网关上，SDP会带回m＝image、t38的字段，SDP的解析在步骤S2中进行；在不支持T38的网关上，即使是传真机应答，SDP也不会带回m＝image、t38的字段，此时在步骤S4中基于被叫端摘机接听后的前5秒语音片段、从时域和频域上语音分析，以识别摘机后振铃铃音状态；

如果步骤S2中能从返回的SDP中解析出包含m＝image、t38字段，则停止摘机后振铃铃音状态识别的过程，上报摘机后状态识别结果为传真机，此时无需再进行应答机、自然人和无人回话的识别；

S5、将识别结果与对应的电话号码相关联，保存到数据库中；步骤S3呼叫中心系统通过从时域和频域对呼通后5秒的音频片段进行分析对被叫未应答前振铃铃音状态进行识别中，被叫未应答前振铃状态分为正常振铃状态和异常振铃状态；

所述正常振铃状态的识别进一步包括步骤：

S31、获取呼通后的音频片段，采用并行方式进行标准回铃音和彩铃的识别；

S32、将音频能量值满足设定阈值E1的时刻识别为语音片段开始时刻T1，再次小于该阈值的时刻为语音结束时刻T2，T2在语音片段时段内，截取T1到T2时刻之间的语音片段数据，将所截取的语音片段数据进行快速傅里叶变换，如果450Hz的数据占截取的语音片段的权重超过设定阈值E2，即识别为标准回铃音；

S33、将音频能量值超过阈值E3的时刻判断为语音开始时刻T3，如果在T3时刻到音频片段结束这一时间段内，满足音频能量值E3的语音片段采样个数大于阈值A1，且语音片段总持续时间T4占的百分比超过设定阈值P1，即识别为彩铃；

S34、识别过程返回一个识别结果；

其中异常振铃状态的识别是采用快速傅里叶变换提取语音片段的特征值，再与语音数据库匹配；

所述呼叫中心系统基于被叫端摘机接听后的前5秒语音片段从时域和频域进行语音片段分析对摘机后振铃铃音状态进行识别，进一步包括：传真机摘机识别、自动应答机摘机识别、自然人摘机识别、接通无人回话这四种状态，具体步骤为：

S41、获取摘机接听后的语音片段，采用并行方式进行传真机摘机识别、自动应答机摘机识别、自然人摘机识别、接通无人回话四种状态的识别；

S42、当语音片段内的有声片段满足传真机的识别设定阈值A3，并且语音片段经快速傅里叶变换后，语音片段的频率为2100Hz，则识别为传真机应答；

S43、将识别出有声音的时刻作为开始时刻T5，如果在语音片段的时长内识别为有声音的时间段之和T6占T5到语音片段结束这个时间段的百分比超过阈值P2，则识别为自动应答机；

S44、当语音片段的时长内，有声片段的时间和T6满足自然人阈值A2，则识别为自然人应答；

S45、当语音片段内的有声片段为0，则识别为接通无人回话状态；

S46、识别过程返回一个识别结果；

其中，E1是识别为有效语音的能量阈值，E2是标准回铃音占分析语音片段的权重阈值，E3是彩铃识别音频能量阈值，A1是5秒内识别为彩铃的语音片段采样个数的阈值，P1是采样音频片段的时间占比阈值，A3是传真机应答语音的识别阈值，P2是有声音时间段的时间占比阈值，A2是自然人应答的识别阈值。

2.一种实现权利要求1所述铃音识别方法的铃音识别系统，其特征在于，包括：

呼叫模块，其用于从呼叫列表中调取电话号码作为呼叫的被叫用户，呼叫被叫用户，建立呼叫中心系统与被叫用户之间的语音通道；

终端状态和类别识别模块，其包括SDP解析模块和语音处理模块，SDP解析模块用于解析被叫用户返回的SDP(answer)内容，语音处理模块进一步包括被叫未应答前振铃铃音状态识别模块、摘机后振铃铃音状态识别模块；

储存模块，其用于将识别结果与对应的电话号码相关联地保存到数据库中；

其中，被叫未应答前振铃铃音状态识别模块，其通过基于频域和时域的语音片段分析对正常振铃状态中的标准回铃音和彩铃进行识别；摘机后振铃铃音状态识别模块，其接收SDP解析模块的解析结果，如果从返回的SDP(answer)中解析出包含m＝image、t38的字段，则直接上报摘机后振铃铃音状态的识别结果为传真机，否则呼叫中心系统通过基于时域和频域的语音片段分析对摘机后振铃铃音状态进行识别。