CN111953854A - 一种基于场景模型的智能客服辅助方法 - Google Patents
一种基于场景模型的智能客服辅助方法 Download PDFInfo
- Publication number
- CN111953854A CN111953854A CN201910400140.0A CN201910400140A CN111953854A CN 111953854 A CN111953854 A CN 111953854A CN 201910400140 A CN201910400140 A CN 201910400140A CN 111953854 A CN111953854 A CN 111953854A
- Authority
- CN
- China
- Prior art keywords
- voice
- scene model
- quality inspection
- speech
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5175—Call or contact centers supervision arrangements
Landscapes
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Electrically Operated Instructional Devices (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供了基于场景模型的智能客服辅助方法和系统,在后质检方面可对大批量的语音进行质检,并进行场景模型训练,不仅能解决质检问题还能进行场景模型训练,从而有效减少了人工成本,并让用户获得了更好的体验;在基于场景的实时质检方面,针对坐席和客户双方在特定场景下的通话进行质检,通话中每说一句话,就进行一次质检,坐席可以实时纠正质检要点,不断完善和丰富质检系统,可以大大的提高质检效率,有效减少了坐席人员的工作压力和工作成本,提升了呼叫中心的用户体验。在监控机器人系统方面,语音机器人发起外呼,大量的场景模型可以支持机器人回答大量问题。在基于场景模型的考试培训系统方面,机器人可以单独完成考试内容,等等。
Description
技术领域
本发明涉及基于场景模型的智能客服辅助方法和系统。
技术背景
传统质检对客服进行录音,通过语音转文字,自然语义理解(NLU)和机器辅助学习,实现质检。市面上的此类产品质检是通过语音转文本、关键词检测、抢话检测、静音检测、语速检测等环节来进行的。由于通话双方的语言发音不一致,特别是方言口音,导致语音转本文的正确率十分低下;质检的语境范围过大,没有在特定语境,质检耗时长,效果差,管理成本高,不能对客户意图进行准确分析;质检能力差,基于质检的监控和考试系统等功能不完善,不能有效的引导客服按照流程应答,有很大的漏洞盲区,没有实现帮助人减轻负担的功能。
发明内容
根据本发明的一个方面,提供了一种基于场景模型的智能客服辅助方法,其特征在于包括:
B3.输入当前通话语音,
B4.用语音转文本能力对当前通话语音进行转写,将当前通话语音转换成文字,调用语言理解能力和智能知识库能力分析语音,判断当前通话语音是来自坐席语音还是客户语音,其中:
若当前通话语音是来自坐席语音,则判断当前通话语音与当前场景模型的匹配是否达到预设值,其中:若“是”,则进行包括高亮展示并给出质检分数、累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;若“否”,返回到B3,
若当前通话语音是来自客户语音,则进行:
B41.判断调用语言理解能力分析语音的结果与当前场景模型的匹配是否达到预设值,其中:
若“是”则进行包括累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
若“否”,则判断是否接收到坐席的场景模型切换指令,其中:
若“是”,则对当前场景模型进行切换,并判断是否提交纠正,其中:若“是”,则进入管理员审核系统,处理随后返回到B3;若“否”,则处理返回到B3,
若“否,则保持当前场景模型,且处理返回到B3;
B42.判断调用智能知识库能力分析语音的结果是否与当前场景模型匹配,若“是”则进行常见问答提示,若“否”则系统不进行动作。
根据本发明的另一个方面,提供了一种基于场景模型的智能客服辅助系统,其特征在于包括:
语音输入部分,用于输入语音,
转换与分析部分,用于用语音转文本能力对当前通话语音进行转写,将当前通话语音转换成文字,调用语言理解能力和智能知识库能力分析语音,
第一判断部分,用于判断当前通话语音是来自坐席语音还是客户语音,
第二判断部分,用于当当前通话语音是来自坐席语音时,判断当前通话语音与当前场景模型的匹配是否达到预设值,并在当前通话语音与当前场景模型的匹配没有达到预设值时使处理返回到语音输入部分,
质检分数确定部分,用于当当前通话语音与当前场景模型的匹配达到预设值时进行包括高亮展示、给出质检分数、累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
第三判断部分,用于在当前通话语音是来自客户语音时,判断调用语言理解能力分析语音的结果与当前场景模型的匹配是否达到预设值,
质检分数累加部分,用于在调用语言理解能力分析语音的结果与当前场景模型的匹配达到预设值时,进行包括累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
第四判断部分,用于在调用语言理解能力分析语音的结果与当前场景模型的匹配没有达到预设值时,判断是否接收到场景模型切换指令,并在没有接收到场景模型切换指令时保持当前场景模型并使处理返回到语音输入部分,
场景模型切换部分,用于在接收到场景模型切换指令时对当前场景模型进行切换,
第五判断部分,用于对当前场景模型进行切换时或之后判断是否提交纠正,并在判定不提交纠正时保持当前场景模型并使处理返回到语音输入部分,
审核部分,用于在判定提交纠正时使处理进入管理员审核系统和返回到语音输入部分,
第六判断部分,用于在当前通话语音是来自客户语音时,判断调用智能知识库能力分析语音的结果与当前场景模型的匹配是否达到预设值,
常见问题提示部分,用于在调用智能知识库能力分析语音的结果与当前场景模型的匹配达到预设值时进行常见问答提示。
附图说明
图1是根据本发明的一个实施例的后质检处理的流程图。
图2是根据本发明的一个实施例的基于场景的实时质检处理的流程图。该实时质检处理包括了根据本发明的基于场景模型的智能客服辅助方法。
图3是根据本发明的一个实施例的监控机器人的操作流程图。
图4是根据本发明的一个实施例的基于场景模型的考试培训系统的操作流程图。
具体实施方法
如图1所示,根据本发明的一个实施例的后质检操作包括:
登录系统,设置场景模型匹配值,调取所存储的坐席和客户通话语音或输入坐席和客户通话语音;
ASR对坐席和客服通话语音进行转写,将语音转换成文本;
获得文本后,调取Luis(语言理解能力)和QnA(智能知识库能力)接口,判断语音是来自坐席端还是客户端;
若语音来自坐席,如果此语音和当前场景模型匹配达到预设值,则根据匹配得到一定分值,每质检一条得到一个分值,综合统计每一条质检分值展示结果;如果此语音没有达到当前场景模型匹配预设值,则此条语音质检不合格,舍弃,系统开始对下一条语音开始质检,如此循环;
若语音来自客户,若此语音和当前场景模型匹配达到预设值,则质检合格,场景切换,系统开始对下一条语音开始质检,如此循环;若此语音没有达到当前场景模型匹配预设值,则此条语音质检不合格,保持当前场景,舍弃此次质检结果,系统开始对下一条语音开始质检,如此循环;
至此,后质检功能完成。
如图2所示,根据本发明的一个实施例的基于场景的质检操作包括:
登录系统,设置场景模型匹配值;
系统开始匹配模型;如果系统没有匹配场景模型,则操作为传统呼叫模式,不开启实时质检模块;若系统配置了场景模型,则开启提词和质检模块;
在系统前台客户端,打开场景模型选择窗口,把场景模型默认选择为场景模型列表中的第一条场景模型,或手动选择场景模型;
输入坐席和客户通话语音;调用ASR(语音转文本能力)对通话语音进行转写,将通话语音转换成文本,调取Luis(语言理解能力)和QnA(智能知识库能力)接口,判断通话语音来自坐席或客户;
若语音来自坐席:若此语音和当前场景模型匹配达到预设值,则根据匹配得到一定分值,展示出当前质检分数;每质检一条语音将得到一个相应的分值,累加所有的质检分数,相对应的分数决定质检导向,累加所得分数取得最终质检导向,展示质检结果;若此语音和当前场景模型匹配率没有达到预设值,则此条语音质检不合格,舍弃,系统开始对下一条语音开始质检,如此循环;
若语音来自客户:
若Luis(语言理解能力)结果与当前场景模型匹配达到预设值,展示出当前质检分数;每质检一条语音将得到一个相应的分值,累加所有质检分数,相对应的分数决定质检导向,累加所得分数取得最终质检导向,展示质检结果;
若Luis(语言理解能力)结果与当前场景模型匹配没有达到预设值,则判断坐席是否需要切换场景模型,若切换成场景模型,选择提交纠正信息,则进入管理员审核系统,等待管理员同意修改,同时,开始输入下一条语音,开启循环质检,若不选择提交纠正信息,则开始输入下一条语音,开启循环质检;若保持现有场景模型,开始输入下一条语音,开启循环质检;
若QnA(智能知识库能力)结果与场景模型匹配达到预设值,则常见问答提示;若QnA(智能知识库能力)结果与场景模型匹配没有达到预设值,则没有任何反馈;
至此,基于场景的实时质检功能完成。
如图3所示,根据本发明的一个实施例的监控控机器人(场景模型)系统的操作包括:
登录系统,选择机器人,发起外呼任务;
机器人与客户开始对话,机器人调用ASR(语音转文本能力)对客户语音进行转写,将语音转换成文本,调取Luis(语言理解能力)和QnA(智能知识库能力)接口,和当前场景模型开始匹配,达到预设值则获得相应分数,分数累加计算客户成交意向程度,分数实时显示在系统窗口;
系统若是接收到人工切入指令,则人工接入,替代机器人继续和客户通话沟通,提供服务,机器人服务结束;若是没有接收到人工切入指令,则机器人继续与客户通话,为客户提供服务;
机器人与客户通话中,机器人可以根据通话语音质检,遇见敏感词汇、答非所问等异常情况可自行挂断,结束通话;
至此,基于场景的监控机器人功能完成。
如图4所示,根据本发明的一个实施例的基于场景模型的考试培训系统的操作包括:
登录系统,选择培训考试模型,发起呼叫,开始培训或考试任务;
选择培训模式或考试模式;
考试模式:则机器人播放问题,答题者在规定的时间内作答,系统收集答题者语音,ASR(语音转文本能力)将答题者的语音转成文字,进入考评模块,考试培训系统将答者的文字和系统存储的文字进行关键字匹配,根据匹配相似度获得相应的分值,统计考试培训分值展示在系统窗口;系统开始播放下一条问题,开启循环答题;
培训模式:机器人提示受训人员开始提问,受训人员提问问题,系统收集受训人语音,ASR(语音转文本能力)将受训人员语音转换成文本,调用语义分析能力查找相应答案,并并播放答案,统计考试培训结果并展示在系统窗口;受训人继续提问,机器人继续作答,开启循环答题。
如图2所示,根据本发明的一个实施例的基于场景模型的智能客服辅助方法包括:
B3.输入当前通话语音,
B4.用语音转文本(ASR)能力对当前通话语音进行转写,将当前通话语音转换成文字,调用语言理解(Luis)能力和智能知识库(QnA)能力分析语音,判断当前通话语音是来自坐席语音还是客户语音,其中:
若当前通话语音是来自坐席语音,则判断当前通话语音与当前场景模型的匹配是否达到预设值,其中:若“是”,则进行包括高亮展示并给出质检分数、累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;若“否”,返回到B3,
若当前通话语音是来自客户语音,则进行:
B41.判断调用语言理解(Luis)能力分析语音的结果与当前场景模型的匹配是否达到预设值,其中:
若“是”则进行包括累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
若“否”,则判断是否接收到坐席的场景模型切换指令,其中:
若“是”,则对当前场景模型进行切换,并判断是否提交纠正,其中:若“是”,则进入管理员审核系统,处理随后返回到B3;若“否”,则处理返回到B3,
若“否,则保持当前场景模型,且处理返回到B3;
B42.判断调用智能知识库(QnA)能力分析语音的结果是否与当前场景模型匹配,若“是”则进行常见问答提示,若“否”则系统不进行动作。
根据本发明,提供了存储有计算机程序的存储介质,该计算机程序能使处理器执行上述的基于场景模型的智能客服辅助方法。
根据本发明的另一个方面,提供了基于场景模型的智能客服辅助系统,其包括:
语音输入部分,用于输入语音,
转换与分析部分,用于用语音转文本(ASR)能力对当前通话语音进行转写,将当前通话语音转换成文字,调用语言理解(Luis)能力和智能知识库(QnA)能力分析语音,
第一判断部分,用于判断当前通话语音是来自坐席语音还是客户语音,
第二判断部分,用于当当前通话语音是来自坐席语音时,判断当前通话语音与当前场景模型的匹配是否达到预设值,并在当前通话语音与当前场景模型的匹配没有达到预设值时使处理返回到语音输入部分,
质检分数确定部分,用于当当前通话语音与当前场景模型的匹配达到预设值时进行包括高亮展示、给出质检分数、累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
第三判断部分,用于在当前通话语音是来自客户语音时,判断调用语言理解(Luis)能力分析语音的结果与当前场景模型的匹配是否达到预设值,
质检分数累加部分,用于在调用语言理解(Luis)能力分析语音的结果与当前场景模型的匹配达到预设值时,进行包括累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
第四判断部分,用于在调用语言理解(Luis)能力分析语音的结果与当前场景模型的匹配没有达到预设值时,判断是否接收到场景模型切换指令,并在没有接收到场景模型切换指令时保持当前场景模型并使处理返回到语音输入部分,
场景模型切换部分,用于在接收到场景模型切换指令时对当前场景模型进行切换,
第五判断部分,用于对当前场景模型进行切换时或之后判断是否提交纠正,并在判定不提交纠正时保持当前场景模型并使处理返回到语音输入部分,
审核部分,用于在判定提交纠正时使处理进入管理员审核系统和返回到语音输入部分,
第六判断部分,用于在当前通话语音是来自客户语音时,判断调用智能知识库(QnA)能力分析语音的结果与当前场景模型的匹配是否达到预设值,
常见问题提示部分,用于在调用智能知识库(QnA)能力分析语音的结果与当前场景模型的匹配达到预设值时进行常见问答提示。
根据本发明的一个进一步方面,上述的基于场景模型的智能客服辅助系统进一步包括:
第七判断部分,用于判断是否进行场景模型匹配,
场景模型选取部分,用于在第七判断部分判断需要进行场景模型匹配时从场景模型清单中选出作为当前场景模型的场景模型,并使处理随后进行到语音输入部分。
根据本发明的一个进一步方面,上述的场景模型的训练操作包括:
A1.输入语音,
A2.调用语音转文本(ASR)能力对语音进行转写,将语音转换成文字,
A3.调用语言理解(Luis)能力和智能知识库(QnA)能力,判断语音来自坐席的坐席语音还是客户的客户语音,
A4.对于判断出的坐席语音,判断其与当前的场景模型是否匹配成功,其中:
若成功,则进行包括确定坐席侧场景模型质检合格、进行加分、对质检结果进行综合统计和/或展示中的至少一项操作的操作,输入下一条语音,开启下一循环质检;
若失败,则返回到A1,
A5.对于判断出的客户语音,判断其与当前场景模型是否匹配成功,其中:
若成功,则切换当前场景模型,对质检结果进行综合统计和/或展示,并到此完成结合该条语音的场景模型训练处理,
若失败,则保持当前场景模型,对质检结果进行综合统计和/或展示,等待下一条语音的输入,并到此完成结合该条语音的场景模型训练处理。
根据本发明的一个进一步方面,上述的基于场景模型的智能客服辅助系统进一步包括:
基于场景模型发出语音的机器人,用于:
C1)替代坐席发起外呼任务,
C2)由机器人与客户开始对话沟通,
C3)由机器人运用已有的场景模型,对每一条客户语音,实时计算客户的成交意向程度,
第八判断部分,用于判断是否接收到人工切入指令,并在没有接收到人工切入指令时使处理返回到C1),
人工接入部分,用于在接收到人工切入指令时进行人工接入,从而由人工接替机器人继续为客户提供服务。
根据本发明的一个进一步方面,上述的基于场景模型的智能客服辅助系统进一步包括用于执行以下处理的部分:
D1.选择场景模型,
D2.发起呼叫,
D3.判断是进行培训还是进行考试,其中
若是“进行考试”,则:
D41.由基于场景模型发出语音的机器人播放问题,供答题人在规定的时间内作答,
D42.用语音转文本(ASR)能力将答题者的语音转成文本,
D43.进入考评模块,
D44.机器人继续播放问题,答题者继续答题,开启循环答题;
D45.统计考试培训结果和/或进行展示,若是“培训”则:
D51.由机器人提示受训人员提问,
D52.用语音转文本(ASR)能力将受训人员语音转换成文本,
D53.调用语义分析能力查找相应答案,
D54.受训人继续提问,机器人继续作答,开启循环答题,处理随后进行到步骤D45。
根据本发明的又一个方面,提供了一种面向智能客服辅助的场景模型的建模方法,其特征在于包括:
A1.输入语音,
A2.调用语音转文本(ASR)能力对语音进行转写,将语音转换成文字,
A3.调用语言理解(Luis)能力和智能知识库(QnA)能力,判断语音来自坐席的坐席语音还是客户的客户语音,
A4.对于判断出的坐席语音,判断其与当前的场景模型是否匹配成功,其中:
若成功,则进行包括确定坐席侧场景模型质检合格、进行加分、对质检结果进行综合统计和/或展示中的至少一项操作的操作,输入下一条语音,开启下一循环质检;
若失败,则返回到A1,
A5.对于判断出的客户语音,判断其与当前场景模型是否匹配成功,其中:
若成功,则切换当前场景模型,对质检结果进行综合统计和/或展示,并到此完成结合该条语音的场景模型训练处理,
若失败,则保持当前场景模型,对质检结果进行综合统计和/或展示,等待下一条语音的输入,并到此完成结合该条语音的场景模型训练处理。
根据本发明的又一个方面,提供了一种监控机器人系统,包括:
基于场景模型发出语音的机器人,用于:
C1)替代坐席发起外呼任务,
C2)由机器人与客户开始对话沟通,
C3)由机器人运用已有的场景模型,对每一条客户语音,实时计算客户的成交意向程度,
第八判断部分,用于判断是否接收到人工切入指令,并在没有接收到人工切入指令时使处理返回到C1),
人工接入部分,用于在接收到人工切入指令时进行人工接入,从而由人工接替机器人继续为客户提供服务。
根据本发明的又一个方面,提供了一种基于场景模型的考试培训系统,包括用于执行以下处理的部分:
D1.选择场景模型,
D2.发起呼叫,
D3.判断是进行培训还是进行考试,其中
若是“进行考试”,则:
D41.由基于场景模型发出语音的机器人播放问题,供答题人在规定的时间内作答,
D42.用语音转文本(ASR)能力将答题者的语音转成文本,
D43.进入考评模块,
D44.机器人继续播放问题,答题者继续答题,开启循环答题;
D45.统计考试培训结果和/或进行展示,若是“培训”则:
D51.由机器人提示受训人员提问,
D52.用语音转文本(ASR)能力将受训人员语音转换成文本,
D53.调用语义分析能力查找相应答案,
D54.受训人继续提问,机器人继续作答,开启循环答题,处理随后进行到步骤D45。
本发明的优点和有益效果包括:
(1)在后质检方面,后质检可以对大批量的语音进行质检,并进行场景模型训练,本发明通过对语音进行文本转写、相似度匹配,能够据此相似度匹配快速输出结果,不仅能解决质检问题还能进行场景模型训练,从而有效减少了人工成本,并让用户获得了更好的体验。
(2)在基于场景的实时质检方面,基于场景的实时质检是针对坐席和客户双方在特定场景下的通话进行质检的,通话中每说一句话,就进行一次质检,坐席可以实时纠正质检要点,不断完善和丰富质检系统,可以大大的提高质检效率,有效减少了坐席人员的工作压力和工作成本,提升了呼叫中心的用户体验。
(3)在监控机器人系统方面,语音机器人发起外呼,大量的场景模型可以支持机器人回答大量问题,机器人无法回答的问题,可以自由的人工切换,人工协同,大大的提高了工作效率,减少人工成本。
(4)在基于场景模型的考试培训系统方面,机器人进行考试播放问题、语音收集、语音转文本、文字匹配,机器人可以单独完成考试内容;机器人可以对培训人提问的问题进行分析和回答。这极大的解放了人,只要人们丰富题库就可以借助机器人,轻松完成大批量的考试和培训任务,考试培训的时间也可以灵活多变。
效果的实测
经过各项测试
(1)根据本发明的后质检系统在批量语音质检方面,支持大批量导入语音,质检效率提高了60%,质检的成功率提高了70%,此外质检的同时训练了场景模型,不仅节省了成本还提高了效率。
(2)在规范人工坐席应答流程方面,实时质检在和方法在统一规范流程方面取得明显效果,用户成单率提高了50%,节省了人工培训成本,有效提高了用户体验。
(3)在处理坐席和用户之间的突发事件问题上,语音机器人考试系统能及时发现和切换到人工服务,客户满意度达90%以上。
(4)监控机器人系统让外呼节约了80%的人工成本,工作效率提高到200%,节约了企业成本,扩大了企业效益。
(5)质检功能和机器人功能将传统呼叫中心从单一的劳动密集型产业里面解放出来,让呼叫中心具备了集呼叫、质检、考试、培训、自动应答等功能于一体的智能坐席系统,增加了功能和节约了成本。
Claims (12)
1.基于场景模型的智能客服辅助方法,其特征在于包括:
B3.输入当前通话语音,
B4.用语音转文本(ASR)能力对当前通话语音进行转写,将当前通话语音转换成文字,调用语言理解(Luis)能力和智能知识库(QnA)能力分析语音,判断当前通话语音是来自坐席语音还是客户语音,其中:
若当前通话语音是来自坐席语音,则判断当前通话语音与当前场景模型的匹配是否达到预设值,其中:若“是”,则进行包括高亮展示并给出质检分数、累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;若“否”,返回到B3,
若当前通话语音是来自客户语音,则进行:
B41.判断调用语言理解(Luis)能力分析语音的结果与当前场景模型的匹配是否达到预设值,其中:
若“是”则进行包括累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
若“否”,则判断是否接收到坐席的场景模型切换指令,其中:
若“是”,则对当前场景模型进行切换,并判断是否提交纠正,其中:若“是”,则进入管理员审核系统,处理随后返回到B3;若“否”,则处理返回到B3,
若“否,则保持当前场景模型,且处理返回到B3;
B42.判断调用智能知识库(QnA)能力分析语音的结果是否与当前场景模型匹配,若“是”则进行常见问答提示,若“否”则系统不进行动作。
2.根据权利要求1所述的基于场景模型的智能客服辅助方法,其特征在于进一步包括在步骤B3之前,进行如下操作:
判断是否进行场景模型匹配,其中:
若“否”,则以传统呼叫模式进行此次操作,不开启基于场景模型的操作,
若“是”,则从场景模型清单中选出作为当前场景模型的场景模型,且处理随后进行到B3。
3.根据权利要求1或2所述的基于场景模型的智能客服辅助方法,其特征在于所述场景模型的训练操作包括:
A1.输入语音,
A2.调用语音转文本(ASR)能力对语音进行转写,将语音转换成文字,
A3.调用语言理解(Luis)能力和智能知识库(QnA)能力,判断语音来自坐席的坐席语音还是客户的客户语音,
A4.对于判断出的坐席语音,判断其与当前的场景模型是否匹配成功,其中:
若成功,则进行包括确定坐席侧场景模型质检合格、进行加分、对质检结果进行综合统计和/或展示中的至少一项操作的操作,输入下一条语音,开启下一循环质检;
若失败,则返回到A1,
A5.对于判断出的客户语音,判断其与当前场景模型是否匹配成功,其中:
若成功,则切换当前场景模型,对质检结果进行综合统计和/或展示,并到此完成结合该条语音的场景模型训练处理,
若失败,则保持当前场景模型,对质检结果进行综合统计和/或展示,等待下一条语音的输入,并到此完成结合该条语音的场景模型训练处理。
4.根据权利要求1-3之一所述的基于场景模型的智能客服辅助方法,其特征在于进一步包括:
C1.用基于场景模型发出语音的机器人替代坐席发起外呼任务,
C2.由机器人与客户开始对话沟通,
C3.由机器人运用已有的场景模型,对每一条客户语音,实时计算客户的成交意向程度,
C4.判断是否接收到人工切入指令,其中:
若“是”,则人工接入,接替机器人继续为客户提供服务;若“否”则返回到C2,继续循环。
5.根据权利要求1-3之一所述的基于场景模型的智能客服辅助方法,其特征在于进一步包括:
D1.选择场景模型,
D2.发起呼叫,
D3.判断是进行培训还是进行考试,其中
若是“进行考试”,则:
D41.由基于场景模型发出语音的机器人播放问题,供答题人在规定的时间内作答,
D42.用语音转文本(ASR)能力将答题者的语音转成文本,
D43.进入考评模块,D44.机器人继续播放问题,答题者继续答题,开启循环答题;
D45.统计考试培训结果和/或进行展示,
若是“培训”则:
D51.由机器人提示受训人员提问,
D52.用语音转文本(ASR)能力将受训人员语音转换成文本,
D53.调用语义分析能力查找相应答案,
D54.受训人继续提问,机器人继续作答,开启循环答题,
处理随后进行到步骤D45。
6.存储有计算机程序的存储介质,该计算机程序能使处理器执行根据权利要求1-5之一所述的方法。
7.基于场景模型的智能客服辅助系统,其特征在于包括:
语音输入部分,用于输入语音,
转换与分析部分,用于用语音转文本(ASR)能力对当前通话语音进行转写,将当前通话语音转换成文字,调用语言理解(Luis)能力和智能知识库(QnA)能力分析语音,
第一判断部分,用于判断当前通话语音是来自坐席语音还是客户语音,
第二判断部分,用于当当前通话语音是来自坐席语音时,判断当前通话语音与当前场景模型的匹配是否达到预设值,并在当前通话语音与当前场景模型的匹配没有达到预设值时使处理返回到语音输入部分,
质检分数确定部分,用于当当前通话语音与当前场景模型的匹配达到预设值时进行包括高亮展示、给出质检分数、累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
第三判断部分,用于在当前通话语音是来自客户语音时,判断调用语言理解(Luis)能力分析语音的结果与当前场景模型的匹配是否达到预设值,
质检分数累加部分,用于在调用语言理解(Luis)能力分析语音的结果与当前场景模型的匹配达到预设值时,进行包括累加质检分数、取交得最终质检导向、展示质检结果中的至少一项操作的操作,并到此完成该条语音的处理;
第四判断部分,用于在调用语言理解(Luis)能力分析语音的结果与当前场景模型的匹配没有达到预设值时,判断是否接收到场景模型切换指令,并在没有接收到场景模型切换指令时保持当前场景模型并使处理返回到语音输入部分,
场景模型切换部分,用于在接收到场景模型切换指令时对当前场景模型进行切换,
第五判断部分,用于对当前场景模型进行切换时或之后判断是否提交纠正,并在判定不提交纠正时保持当前场景模型并使处理返回到语音输入部分,
审核部分,用于在判定提交纠正时使处理进入管理员审核系统和返回到语音输入部分,
第六判断部分,用于在当前通话语音是来自客户语音时,判断调用智能知识库(QnA)能力分析语音的结果与当前场景模型的匹配是否达到预设值,
常见问题提示部分,用于在调用智能知识库(QnA)能力分析语音的结果与当前场景模型的匹配达到预设值时进行常见问答提示。
8.根据权利要求7所述的基于场景模型的智能客服辅助系统,其特征在于进一步包括:
第七判断部分,用于判断是否进行场景模型匹配,
场景模型选取部分,用于在第七判断部分判断需要进行场景模型匹配时从场景模型清单中选出作为当前场景模型的场景模型,并使处理随后进行到语音输入部分。
9.根据权利要求7或8所述的基于场景模型的智能客服辅助系统,其特征在于所述场景模型的训练操作包括:
A1.输入语音,
A2.调用语音转文本(ASR)能力对语音进行转写,将语音转换成文字,
A3.调用语言理解(Luis)能力和智能知识库(QnA)能力,判断语音来自坐席的坐席语音还是客户的客户语音,
A4.对于判断出的坐席语音,判断其与当前的场景模型是否匹配成功,其中:
若成功,则进行包括确定坐席侧场景模型质检合格、进行加分、对质检结果进行综合统计和/或展示中的至少一项操作的操作,输入下一条语音,开启下一循环质检;
若失败,则返回到A1,
A5.对于判断出的客户语音,判断其与当前场景模型是否匹配成功,其中:
若成功,则切换当前场景模型,对质检结果进行综合统计和/或展示,并到此完成结合该条语音的场景模型训练处理,
若失败,则保持当前场景模型,对质检结果进行综合统计和/或展示,等待下一条语音的输入,并到此完成结合该条语音的场景模型训练处理。
10.根据权利要求7-9之一所述的基于场景模型的智能客服辅助系统,其特征在于进一步包括:
基于场景模型发出语音的机器人,用于:
C1)替代坐席发起外呼任务,
C2)由机器人与客户开始对话沟通,
C3)由机器人运用已有的场景模型,对每一条客户语音,实时计算客户的成交意向程度,
第八判断部分,用于判断是否接收到人工切入指令,并在没有接收到人工切入指令时使处理返回到C1),
人工接入部分,用于在接收到人工切入指令时进行人工接入,从而由人工接替机器人继续为客户提供服务。
11.根据权利要求7-9之一所述的基于场景模型的智能客服辅助系统,其特征在于进一步包括用于执行以下处理的部分:
D1.选择场景模型,
D2.发起呼叫,
D3.判断是进行培训还是进行考试,其中
若是“进行考试”,则:
D41.由基于场景模型发出语音的机器人播放问题,供答题人在规定的时间内作答,
D42.用语音转文本(ASR)能力将答题者的语音转成文本,
D43.进入考评模块,
D44.机器人继续播放问题,答题者继续答题,开启循环答题;
D45.统计考试培训结果和/或进行展示,
若是“培训”则:
D51.由机器人提示受训人员提问,
D52.用语音转文本(ASR)能力将受训人员语音转换成文本,
D53.调用语义分析能力查找相应答案,
D54.受训人继续提问,机器人继续作答,开启循环答题,
处理随后进行到步骤D45。
12.一种面向智能客服辅助的场景模型的建模方法,其特征在于包括:
A1.输入语音,
A2.调用语音转文本(ASR)能力对语音进行转写,将语音转换成文字,
A3.调用语言理解(Luis)能力和智能知识库(QnA)能力,判断语音来自坐席的坐席语音还是客户的客户语音,
A4.对于判断出的坐席语音,判断其与当前的场景模型是否匹配成功,其中:
若成功,则进行包括确定坐席侧场景模型质检合格、进行加分、对质检结果进行综合统计和/或展示中的至少一项操作的操作,输入下一条语音,开启下一循环质检;
若失败,则返回到A1,
A5.对于判断出的客户语音,判断其与当前场景模型是否匹配成功,其中:
若成功,则切换当前场景模型,对质检结果进行综合统计和/或展示,并到此完成结合该条语音的场景模型训练处理,
若失败,则保持当前场景模型,对质检结果进行综合统计和/或展示,等待下一条语音的输入,并到此完成结合该条语音的场景模型训练处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910400140.0A CN111953854B (zh) | 2019-05-14 | 2019-05-14 | 一种基于场景模型的智能客服辅助方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910400140.0A CN111953854B (zh) | 2019-05-14 | 2019-05-14 | 一种基于场景模型的智能客服辅助方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111953854A true CN111953854A (zh) | 2020-11-17 |
CN111953854B CN111953854B (zh) | 2021-08-06 |
Family
ID=73335725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910400140.0A Active CN111953854B (zh) | 2019-05-14 | 2019-05-14 | 一种基于场景模型的智能客服辅助方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111953854B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171453A (zh) * | 2022-06-13 | 2022-10-11 | 广东电网有限责任公司 | 一种基于智能电网的人工客服训练方法及客服系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040028193A1 (en) * | 2002-08-08 | 2004-02-12 | Usd Co., Ltd. | Multi-channel digital recording system and method using network |
CN107463700A (zh) * | 2017-08-15 | 2017-12-12 | 北京百度网讯科技有限公司 | 用于获取信息的方法、装置及设备 |
CN109599093A (zh) * | 2018-10-26 | 2019-04-09 | 北京中关村科金技术有限公司 | 智能质检的关键词检测方法、装置、设备及可读存储介质 |
CN109618068A (zh) * | 2018-11-08 | 2019-04-12 | 上海航动科技有限公司 | 一种基于人工智能的语音业务推送方法、装置与系统 |
CN109658923A (zh) * | 2018-10-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 基于人工智能的语音质检方法、设备、存储介质及装置 |
-
2019
- 2019-05-14 CN CN201910400140.0A patent/CN111953854B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040028193A1 (en) * | 2002-08-08 | 2004-02-12 | Usd Co., Ltd. | Multi-channel digital recording system and method using network |
CN107463700A (zh) * | 2017-08-15 | 2017-12-12 | 北京百度网讯科技有限公司 | 用于获取信息的方法、装置及设备 |
CN109658923A (zh) * | 2018-10-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 基于人工智能的语音质检方法、设备、存储介质及装置 |
CN109599093A (zh) * | 2018-10-26 | 2019-04-09 | 北京中关村科金技术有限公司 | 智能质检的关键词检测方法、装置、设备及可读存储介质 |
CN109618068A (zh) * | 2018-11-08 | 2019-04-12 | 上海航动科技有限公司 | 一种基于人工智能的语音业务推送方法、装置与系统 |
Non-Patent Citations (2)
Title |
---|
关浩华: "基于语音分析的智能质检关键词提取方法设计", 《设计与制造》 * |
蘧鹏里: "语音识别技术综述", 《计算机产品与流通》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171453A (zh) * | 2022-06-13 | 2022-10-11 | 广东电网有限责任公司 | 一种基于智能电网的人工客服训练方法及客服系统 |
CN115171453B (zh) * | 2022-06-13 | 2023-05-30 | 广东电网有限责任公司 | 一种基于智能电网的人工客服训练方法及客服系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111953854B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8725518B2 (en) | Automatic speech analysis | |
US10044864B2 (en) | Computer-implemented system and method for assigning call agents to callers | |
CN112053597B (zh) | 人工坐席培训考核方法及系统 | |
US8914294B2 (en) | System and method of providing an automated data-collection in spoken dialog systems | |
CN110489756B (zh) | 会话式人机交互口语测评系统 | |
CN112580367B (zh) | 一种话务质检方法及装置 | |
CN109902957B (zh) | 一种数据处理方法和装置 | |
CN110135879B (zh) | 基于自然语言处理的客服质量自动评分方法 | |
US20080300874A1 (en) | Speech skills assessment | |
CN107133709B (zh) | 一种客户服务的质量检验方法、装置及系统 | |
KR20160008949A (ko) | 음성 대화 기반의 외국어 학습 방법 및 이를 위한 장치 | |
Kopparapu | Non-linguistic analysis of call center conversations | |
CN112800743A (zh) | 一种基于特定领域的语音打分模型构建系统及方法 | |
CN111953854B (zh) | 一种基于场景模型的智能客服辅助方法 | |
US20040030541A1 (en) | Methods and apparatus for automatic training using natural language techniques for analysis of queries presented to a trainee and responses from the trainee | |
KR101992370B1 (ko) | 말하기 학습방법 및 학습시스템 | |
EP1010170B1 (en) | Method and system for automatic text-independent grading of pronunciation for language instruction | |
KR102407055B1 (ko) | 음성인식 후 자연어 처리를 통한 대화 품질지수 측정장치 및 그 방법 | |
US9524650B2 (en) | Automated training system | |
Götze et al. | User simulation for the evaluation of bus information systems | |
EP4160591A1 (en) | Conversation engine and related methods | |
CN112887490A (zh) | 一种基于催收场景的电话机器人压力测试系统 | |
KR100506662B1 (ko) | 온라인 음성검증 기반의 음성 데이터베이스 구축방법 | |
CN117668150A (zh) | 一种对话质检方法、介质和设备 | |
CN117539973A (zh) | 基于知识管理的语音和文本陪练方法、系统、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |