基于模型的轮次结束检测
该服务通过模型检测来电者何时完成一个轮次，而不是仅依赖固定的停顿阈值，从而帮助减少语音输入过程中的过早截断。
带不确定性信号的语音转文字
Kugel Ear 1 是面向语音代理的语音转文字服务。它的主要特点是会报告不确定的词语，而不是强制应用将转写中的每个词元都视为确定结果。对于不确定的词语，响应可以包含备选拼写及其概率，为代理请求来电者澄清提供足够信息。
该服务还会判断来电者的轮次何时结束。应用会流式传输通话音频，包括停顿，并在 Kugel Ear 1 检测到轮次结束时接收最终转写文本。它适用于处理姓名、地址、代码、客户编号的对话系统以及电话通话场景，因为转写错误和打断来电者都可能影响交互。
主要功能
词级不确定性候选项
当识别结果不确定时，输出会包含原词位置、候选拼写及其概率，例如 Viktor、Victor 和 Wiktor。
流式转写工作流
应用可以在通话音频到达时进行流式传输，其中包括停顿，并在模型判定轮次结束后接收最终转写文本。
用于澄清的结构化输出
文档化的输出会将最终转写文本与后续的候选项消息分开，使语音机器人能够判断何时需要澄清。
面向复杂通话输入的语音识别
已发布的示例和测试涵盖对话语音、电话线路音频、姓名、地址、代码、客户编号以及其他拼写准确性很重要的语音输入。
实际使用场景
确认姓名和地址
当来电者口述某人的姓名或街道地址时，代理可以使用候选拼写来确认有歧义的部分，而不必重复整个请求。
核对代码和客户标识符
对于客户编号、代码、电话号码及类似数值，应用可以识别不确定的词语或数字，并在继续操作前请求针对性的更正。
处理电话线路对话
在电话通话过程中，轮次结束检测可以帮助代理在来电者仍在阅读或说话时等待有意义的停顿，从而减少打断。
构建具备澄清能力的语音代理
构建语音机器人的开发者可以将最终转写文本和不确定性消息作为独立输入，以决定是自动继续还是提出澄清问题。
Pros and Cons
Pros
- 会为其认为不确定的词语返回候选拼写及其概率。
- 将流式转写与基于模型的轮次结束检测相结合。
- 文档化的工作流会将停顿包含在传入音频中，并在轮次结束时返回最终转写文本。
- 已发布的评测涵盖电话线路音频，以及姓名、地址、代码和客户编号等输入。
- 产品页面报告称，在一次客服通话测量中，从输入结束到最终转写文本的中位时间为 72 ms。
Cons
- 现有产品证据未明确说明受支持的 SDK、完整 API 文档、部署选项或集成方式。
- 基准测试结果仅针对特定数据集，已发布证据未定义其在每种语言、音频条件或生产工作流下的准确率或延迟。
- 团队需要编写应用逻辑来解读候选项，并决定何时请求澄清。
FAQ
Kugel Ear 1 会返回什么？
Kugel Ear 1 会处理流式通话音频，并确定每个说话者轮次何时结束。随后，它会返回最终转写文本，并标识不确定的词语，包括所考虑的拼写及其概率。
应用如何向 Kugel Ear 1 发送音频？
源内容展示了一个 WebSocket 风格的流式示例，其中应用发送 16 kHz 音频配置和音频片段，包括停顿。产品页面未记录完整的集成指南或所有受支持的接口。
Kugel Ear 1 适用于谁？
它面向语音代理工作流而设计，在这类工作流中，应用可以利用不确定性信息请求来电者澄清，而不是默默选择可能不正确的拼写。
Kugel Ear 1 接受过哪些基准测试？
已发布的基准测试结果涵盖客服通话、模拟电话线路音频、姓名和地址、代码和数字、财报电话会以及轮次结束检测。结果因数据集而异，不应视为适用于每种部署的保证。
Quick Facts
- 类别
- 面向语音代理的语音转文字
- 主要工作流
- 流式传输通话音频、检测轮次结束、返回转写文本和不确定性候选项
- 输出
- 最终转写文本，以及不确定词语的候选拼写和概率
- 示例输入
- 包含停顿的 16 kHz 音频流
- 已发布的基准测试领域
- 客服通话、电话线路、姓名和地址、代码和数字、财报电话会
- 产品网站
- kugelaudio.com