58同城智能语音质检系统：语音识别与NLP技术提升销售客服质量,西安seo优化推广软件
栏目：网络推广 发布时间：2025-02-12
介绍 有成千上万的销售和客户服务人员，每年致电数百万小时。我们已经建立了一个智能的语音质量检查系统，使用语音识别技术将语音转换为文本，然后使用NLP技术进 ... 58同城智能语音质检系统：语音识别与NLP技术提升销售客服质量
介绍
有成千上万的销售和客户服务人员，每年致电数百万小时。我们已经建立了一个智能的语音质量检查系统，使用语音识别技术将语音转换为文本，然后使用NLP技术进行呼叫文本。分析和采矿以实现自动机器质量检查，可以标准化销售和客户服务工作并提高客户服务质量。该主题将首先介绍语音质量检查系统的整体体系结构，然后详细分享语音处理和语音质量检查涉及的NLP技术，包括单声道语音分离，角色识别，文本标签挖掘等。最后，我们将介绍58个销售。语音质量检查申请案例在客户服务方案中。
嘉宾简介：AI实验室算法的高级工程师Chen Lu于2018年9月加入58。她目前主要负责语音质量检查和语音机器人算法研发。他于2016年毕业于北京邮政与电信大学，并在工作，从事产品评论挖掘算法研究与开发。
目录
1。背景简介
2。整体体系结构
3。核心功能
4。业务案例
1个背景简介
什么是语音质量检查？
传统的语音质量检查通常是指质量检查员收听一定比例的电话录音以进行手动质量检查，以检查代理在通话过程中是否违反了法规和非标准演讲。
简介通话中心
的呼叫中心是代理商与客户之间的重要桥梁，并进行了代理商和客户之间的大部分呼叫。它支持成千上万的销售和客户服务的工作，每年的电话次数可以达到1亿多，电话时间持续数百万小时。这个规模是整个行业中非常巨大的数据。
如何在上进行手动语音质量检查？ 58个手动语音质量检查中有一个特殊的质量检查团队。质量检查团队将下载呼叫中心录制的录音，并手动收听。聆听时，它将根据自己的理解记录座椅是否有一些违规和非标准。修辞。这种效率非常低。统计后，普通人每天可以收听大约三个小时的录音。
传统人工质量检查具有以下四个缺点：
首先是采样检查小于1％，覆盖率特别低，并且实际上没有质量检查大量语音数据。第二个是质量检查标准不一致。许多质量检查员根据他们在质量检查期间的理解来记录此席位中存在的问题。这可能会导致不一致的质量检查标准，并在后期建立一定程度的治理。麻烦。
第三，很难检测到很多风险信息。主要原因是采样不足，尚未绘制大量风险信息。
第四，质量检查效率非常低，人工成本也很高。
根据这些传统人工质量检查的缺点，我们创建了一个智能的语音质量检查系统，并且整个过程如上图所示。首先，我们将实时收集语音录音，并将语音转换为文本。然后，我们将根据我们的质量检查模型进行质量检查，最后在网络平台上显示质量检查结果。 Web平台上的重新检查人员将进行手动重新注射，并向相关主管进行重新检查结果。整个型号是全尺寸的机器质量检查以及手动重新检查。与传统的人工质量检查相比，它具有以下好处：
首先是对所有录音进行质量检查。 每年都有数百万小时的语音数据，并且可以完全检查这些数据。
第二个优势是实时反馈。录音是实时检查质量后，数据将直接显示在网页上，质量检查人员可以及时进行跟进和重新检查，重新检查结果将同步到主管及时的座位。
第三个是准确的风险标识。因为它是机器检查，因此有必要制定非常清晰的质量检查规则，然后使用机器来识别它们，以便质量检查结果将更加准确，更统一，并且在后期更容易量化。
第四个是它需要少量的手动重新启动，并且是有效的。我们的模型是机器质量检查以及手动重新检查。机器质量检查不需要人工成本，但是只有手动重新检查需要一些人力，这可以极大地提高效率。
2个整体体系结构
这张图是整体体系结构，我们可以看到最核心是逻辑层。逻辑层包括扬声器角色识别，语义标签和语音评分，它们等于我们整个项目的大脑，并且与其他模块相关。首先，访问层访问语音数据，然后调用基本服务层的语音分离和语音识别模块，以将其简化为文本，然后逻辑层开始相应的质量检查工作。质量检查完成的数据将显示在网络质量检查平台上。同时，编辑将对质量检查结果进行标记，评估和后续分析。
3个核心功能
接下来，让我们在整个质量检查过程中介绍核心技术，首先是语音分离和语音识别模块。语音识别是必要的模块，但是为什么要使用语音分离？这涉及即将发出的呼叫中心。它的设备是单声道，座位和客户的演讲在同一频道上，因此无法区分它们。如果您直接识别语音识别，则将获得代理商和与客户叠加的语音内容，并且更难进行随后的质量检查。因此，我们将首先进行语音分离，将座椅与客户的声音分开，然后执行语音识别。语音分离的评估指数是DER分离错误率，语音识别的评估指数是CER单词错误率。在这里，我们主要引入语音分离。
有成千上万的销售和客户服务人员，每年致电数百万小时。我们已经建立了一个智能的语音质量检查系统，使用语音识别技术将语音转换为文本，然后使用NLP技术进行呼叫文本。分析和采矿以实现自动机器质量检查，可以标准化销售和客户服务工作并提高客户服务质量。该主题将首先介绍语音质量检查系统的整体体系结构，然后详细分享语音处理和语音质量检查涉及的NLP技术，包括单声道语音分离，角色识别，文本标签挖掘等。最后，我们将介绍58个销售。语音质量检查申请案例在客户服务方案中。
嘉宾简介：AI实验室算法的高级工程师Chen Lu于2018年9月加入58。她目前主要负责语音质量检查和语音机器人算法研发。他于2016年毕业于北京邮政与电信大学，并在工作，从事产品评论挖掘算法研究与开发。
目录
1。背景简介
2。整体体系结构
3。核心功能
4。业务案例
1个背景简介
什么是语音质量检查？
传统的语音质量检查通常是指质量检查员收听一定比例的电话录音以进行手动质量检查，以检查代理在通话过程中是否违反了法规和非标准演讲。
简介通话中心
的呼叫中心是代理商与客户之间的重要桥梁，并进行了代理商和客户之间的大部分呼叫。它支持成千上万的销售和客户服务的工作，每年的电话次数可以达到1亿多，电话时间持续数百万小时。这个规模是整个行业中非常巨大的数据。
如何在上进行手动语音质量检查？ 58个手动语音质量检查中有一个特殊的质量检查团队。质量检查团队将下载呼叫中心录制的录音，并手动收听。聆听时，它将根据自己的理解记录座椅是否有一些违规和非标准。修辞。这种效率非常低。统计后，普通人每天可以收听大约三个小时的录音。
传统人工质量检查具有以下四个缺点：
首先是采样检查小于1％，覆盖率特别低，并且实际上没有质量检查大量语音数据。第二个是质量检查标准不一致。许多质量检查员根据他们在质量检查期间的理解来记录此席位中存在的问题。这可能会导致不一致的质量检查标准，并在后期建立一定程度的治理。麻烦。
第三，很难检测到很多风险信息。主要原因是采样不足，尚未绘制大量风险信息。
第四，质量检查效率非常低，人工成本也很高。
根据这些传统人工质量检查的缺点，我们创建了一个智能的语音质量检查系统，并且整个过程如上图所示。首先，我们将实时收集语音录音，并将语音转换为文本。然后，我们将根据我们的质量检查模型进行质量检查，最后在网络平台上显示质量检查结果。 Web平台上的重新检查人员将进行手动重新注射，并向相关主管进行重新检查结果。整个型号是全尺寸的机器质量检查以及手动重新检查。与传统的人工质量检查相比，它具有以下好处：
首先是对所有录音进行质量检查。 每年都有数百万小时的语音数据，并且可以完全检查这些数据。
第二个优势是实时反馈。录音是实时检查质量后，数据将直接显示在网页上，质量检查人员可以及时进行跟进和重新检查，重新检查结果将同步到主管及时的座位。
第三个是准确的风险标识。因为它是机器检查，因此有必要制定非常清晰的质量检查规则，然后使用机器来识别它们，以便质量检查结果将更加准确，更统一，并且在后期更容易量化。
第四个是它需要少量的手动重新启动，并且是有效的。我们的模型是机器质量检查以及手动重新检查。机器质量检查不需要人工成本，但是只有手动重新检查需要一些人力，这可以极大地提高效率。
2个整体体系结构
这张图是整体体系结构，我们可以看到最核心是逻辑层。逻辑层包括扬声器角色识别，语义标签和语音评分，它们等于我们整个项目的大脑，并且与其他模块相关。首先，访问层访问语音数据，然后调用基本服务层的语音分离和语音识别模块，以将其简化为文本，然后逻辑层开始相应的质量检查工作。质量检查完成的数据将显示在网络质量检查平台上。同时，编辑将对质量检查结果进行标记，评估和后续分析。
3个核心功能
接下来，让我们在整个质量检查过程中介绍核心技术，首先是语音分离和语音识别模块。语音识别是必要的模块，但是为什么要使用语音分离？这涉及即将发出的呼叫中心。它的设备是单声道，座位和客户的演讲在同一频道上，因此无法区分它们。如果您直接识别语音识别，则将获得代理商和与客户叠加的语音内容，并且更难进行随后的质量检查。因此，我们将首先进行语音分离，将座椅与客户的声音分开，然后执行语音识别。语音分离的评估指数是DER分离错误率，语音识别的评估指数是CER单词错误率。在这里，我们主要引入语音分离。