Adaptasi ucapan

Saat melakukan permintaan deteksi intent, Anda dapat memberikan phrase_hints secara opsional untuk memberikan petunjuk kepada pengenal ucapan. Petunjuk ini dapat membantu pengenalan dalam status percakapan tertentu.

Adaptasi ucapan otomatis

Fitur adaptasi ucapan otomatis meningkatkan akurasi pengenalan ucapan agen Anda dengan otomatis menggunakan status percakapan untuk meneruskan entity dan frasa pelatihan yang relevan sebagai petunjuk konteks ucapan untuk semua permintaan deteksi intent. Fitur ini dinonaktifkan secara default.

Mengaktifkan atau menonaktifkan adaptasi ucapan otomatis

Untuk mengaktifkan atau menonaktifkan adaptasi ucapan otomatis:

Konsol

  1. Buka konsol Dialogflow CX.
  2. Pilih project Google Cloud Anda.
  3. Pilih agen Anda.
  4. Klik Agent Settings.
  5. Klik tab Speech and IVR.
  6. Aktifkan atau nonaktifkan Aktifkan adaptasi ucapan otomatis.
  7. Klik Simpan.

API

Lihat metode get dan patch/update untuk jenis Agent.

Pilih protokol dan versi untuk referensi Agen:

Protokol V3 V3beta1
REST Resource agen Resource agen
RPC Antarmuka agen Antarmuka agen
C++ AgentsClient Tidak tersedia
C# AgentsClient Tidak tersedia
Go AgentsClient Tidak tersedia
Java AgentsClient AgentsClient
Node.js AgentsClient AgentsClient
PHP Tidak tersedia Tidak tersedia
Python AgentsClient AgentsClient
Ruby Tidak tersedia Tidak tersedia

Desain agen untuk peningkatan pengenalan ucapan

Dengan mengaktifkan adaptasi ucapan otomatis, Anda dapat membangun agen dengan cara yang memanfaatkan fitur ini. Bagian berikut menjelaskan cara meningkatkan pengenalan ucapan dengan perubahan tertentu pada frasa pelatihan, dan entity agen Anda.

Frasa pelatihan

  • Jika Anda menentukan frasa pelatihan dengan frasa seperti "hidung tersumbat", ucapan pengguna akhir yang terdengar mirip akan dikenali dengan andal sebagai "hidung tersumbat" dan bukan "stuff he knows".
  • Jika Anda memiliki parameter wajib yang memaksa Dialogflow masuk ke perintah pengisian formulir, adaptasi ucapan otomatis akan sangat bias terhadap entity yang sedang diisi.

Dalam semua kasus, adaptasi ucapan otomatis hanya membiaskan pengenalan ucapan, bukan membatasinya. Misalnya, meskipun Dialogflow meminta parameter yang diperlukan kepada pengguna, pengguna tetap dapat memicu intent lain seperti intent "berbicara dengan agen" tingkat atas.

Entity sistem

Jika Anda menentukan frasa pelatihan yang menggunakan entitas sistem @sys.number, dan pengguna akhir mengatakan "I want two", frasa tersebut dapat dikenali sebagai "to", "too", "2", atau "two".

Dengan mengaktifkan adaptasi ucapan otomatis, Dialogflow menggunakan entity @sys.number sebagai petunjuk selama pengenalan ucapan, dan parameter tersebut lebih cenderung diekstrak sebagai "2".

Entity kustom

  • Jika Anda menentukan entity kustom untuk nama produk atau layanan yang ditawarkan oleh perusahaan Anda, dan pengguna akhir menyebutkan istilah ini dalam suatu utterance, istilah tersebut akan lebih mungkin dikenali. Frasa pelatihan "Saya suka Dialogflow", dengan "Dialogflow" dianotasikan sebagai entity @product, akan memberi tahu adaptasi ucapan otomatis untuk membiaskan "Saya suka Dialogflow", "Saya suka Cloud Speech", dan semua entri lainnya dalam entity @product.

  • Sangat penting untuk menentukan sinonim entity yang bersih saat menggunakan Dialogflow untuk mendeteksi ucapan. Bayangkan Anda memiliki dua entri entity @product, "Dialogflow" dan "Dataflow". Sinonim Anda untuk "Dialogflow" mungkin adalah "Dialogflow", "dialogue flow", "dialogue builder", "Speaktoit", "speak to it", "API.ai", "API dot AI". Ini adalah sinonim yang baik karena mencakup variasi yang paling umum. Anda tidak perlu menambahkan "the dialogue flow builder" karena "dialogue flow" sudah mencakupnya.

  • Ucapan pengguna dengan entitas angka yang berurutan, tetapi berbeda dapat bersifat ambigu. Misalnya, "Saya ingin dua paket isi enam belas" dapat berarti 2 jumlah paket isi 16, atau 216 jumlah paket. Adaptasi ucapan dapat membantu memperjelas kasus ini jika Anda menyiapkan entity dengan nilai yang dieja:
    • Tentukan entity quantity dengan entri:
      zero
      one
      ...
      twenty
    • Tentukan entity product atau size dengan entri:
      sixteen pack
      two ounce
      ...
      five liter
    • Hanya sinonim entity yang digunakan dalam adaptasi ucapan, sehingga Anda dapat menentukan entity dengan nilai referensi 1 dan sinonim tunggal one untuk menyederhanakan logika fulfillment Anda.

Entity Regexp

Entity ekspresi reguler dapat memicu adaptasi ucapan otomatis untuk urutan alfanumerik dan digit seperti "ABC123" atau "12345" jika dikonfigurasi dan diuji dengan benar.

Untuk mengenali urutan ini melalui suara, terapkan keempat persyaratan di bawah:

1. Persyaratan entri ekspresi reguler

Meskipun ekspresi reguler apa pun dapat digunakan untuk mengekstrak entity dari input teks, hanya ekspresi tertentu yang akan memberi tahu adaptasi ucapan otomatis agar bias terhadap urutan alfanumerik atau digit yang dieja saat mengenali ucapan.

Dalam entity ekspresi reguler, setidaknya satu entri harus mengikuti semua aturan berikut:

  • Harus cocok dengan beberapa karakter alfanumerik, misalnya: \d, \w, [a-zA-Z0-9]
  • Tidak boleh berisi spasi kosong   atau \s, meskipun \s* dan \s? diizinkan
  • Tidak boleh berisi grup tangkapan atau non-tangkapan ()
  • Tidak boleh mencoba mencocokkan karakter khusus atau tanda baca seperti: ` ~ ! @ # $ % ^ & * ( ) - _ = + , . < > / ? ; ' : " [ ] { } \ |

Entri ini dapat memiliki himpunan karakter [] dan pengukur pengulangan seperti *, ?, +, {3,5}.

Lihat Contoh.

2. Persyaratan definisi parameter

Tandai entity ekspresi reguler sebagai parameter formulir yang diperlukan, sehingga dapat dikumpulkan selama pengisian formulir. Hal ini memungkinkan adaptasi ucapan otomatis untuk sangat bias terhadap pengenalan urutan, alih-alih mencoba mengenali maksud dan urutan secara bersamaan. Jika tidak, "Di mana paket saya untuk ABC123" mungkin salah dikenali sebagai "Di mana paket saya 4ABC123".

3. Persyaratan anotasi frasa pelatihan

Jangan gunakan entity ekspresi reguler untuk anotasi frasa pelatihan intent. Hal ini memastikan bahwa parameter di-resolve sebagai bagian dari pengisian formulir.

4. Persyaratan pengujian

Lihat Menguji adaptasi ucapan.

Contoh

Misalnya, entity ekspresi reguler dengan satu entri ([a-zA-Z0-9]\s?){5,9} tidak akan memicu pengenal urutan ucapan karena berisi grup tangkapan. Untuk memperbaikinya, cukup tambahkan entri lain untuk [a-zA-Z0-9]{5,9}. Sekarang Anda akan memperoleh manfaat dari pengenal urutan saat mencocokkan "ABC123", tetapi NLU akan tetap mencocokkan input seperti "ABC 123" berkat aturan asli yang mengizinkan spasi.

Contoh ekspresi reguler berikut disesuaikan untuk urutan alfanumerik:

^[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]

Contoh ekspresi reguler berikut disesuaikan untuk urutan digit:

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

Dukungan bawaan adaptasi ucapan otomatis untuk entity ekspresi reguler bervariasi menurut bahasa. Periksa Token class ucapan untuk bahasa yang didukung $OOV_CLASS_ALPHANUMERIC_SEQUENCE dan $OOV_CLASS_DIGIT_SEQUENCE.

Jika bahasa Anda tidak tercantum, Anda dapat mengatasi batasan ini. Misalnya, jika Anda ingin ID karyawan yang terdiri dari tiga huruf diikuti dengan tiga digit dikenali secara akurat, Anda dapat membangun agen dengan entity dan parameter berikut:

  • Tentukan entity digit yang berisi 10 entri entity (dengan sinonim):
    0, 0
    1, 1
    ...
    9, 9
  • Tentukan entity letter yang berisi 26 entri entity (dengan sinonim):
    A, A
    B, B
    ...
    Z, Z
  • Tentukan entity employee-id yang berisi satu entri entity (tanpa sinonim):
    @letter @letter @letter @digit @digit @digit
  • Gunakan @employee-id sebagai parameter dalam frasa pelatihan.

Adaptasi ucapan manual

Adaptasi ucapan manual memungkinkan Anda mengonfigurasi frasa adaptasi ucapan secara manual untuk alur atau halaman. Hal ini juga menggantikan konteks ucapan implisit yang dihasilkan oleh adaptasi ucapan otomatis saat fitur tersebut diaktifkan.

Setelan adaptasi ucapan tingkat alur dan tingkat halaman memiliki hubungan hierarkis, yang berarti bahwa halaman mewarisi setelan adaptasi ucapan dari tingkat alur secara default dan tingkat halaman yang lebih mendetail selalu menggantikan tingkat alur jika halaman memiliki setelan yang disesuaikan.

Untuk setelan adaptasi ucapan, setelan tingkat alur dan setelan tingkat halaman dapat diaktifkan secara independen. Jika setelan adaptasi tingkat alur tidak diaktifkan, Anda masih dapat memilih Sesuaikan di tingkat halaman untuk mengaktifkan adaptasi ucapan manual untuk halaman tertentu tersebut. Demikian pula, jika Anda menonaktifkan adaptasi ucapan manual di setelan tingkat alur, halaman dalam alur dengan Customize yang dipilih tidak akan terpengaruh.

Namun, setelan tingkat alur dan setelan tingkat halaman tidak dapat dinonaktifkan secara terpisah. Jika sebuah flow mengaktifkan adaptasi ucapan manual, Anda tidak dapat menonaktifkannya untuk halaman di bawah flow tersebut melalui pilihan Customize. Oleh karena itu, jika Anda ingin menggunakan adaptasi ucapan manual dan adaptasi ucapan otomatis secara bersamaan untuk halaman dalam suatu alur, Anda tidak boleh mengaktifkan adaptasi ucapan manual di tingkat alur dan hanya boleh menggunakan setelan adaptasi tingkat halaman. Anda dapat melihat tabel di bawah untuk memahami kombinasi setelan alur dan halaman yang harus digunakan untuk kasus adaptasi Anda.

Efek target Penggunaan setelan adaptasi yang direkomendasikan
Menonaktifkan adaptasi otomatis untuk alur Alur diaktifkan tanpa set frasa (halaman dalam alur secara default menggunakan setelan alur).
Menonaktifkan adaptasi otomatis untuk halaman Alur dinonaktifkan dan halaman diaktifkan (Customize dipilih) tanpa set frasa.
Hanya gunakan adaptasi ucapan manual untuk semua halaman dalam alur Alur diaktifkan. Sesuaikan halaman yang perlu menggunakan kumpulan frasa yang berbeda dari alur.
Penggunaan campuran adaptasi otomatis dan manual dalam alur Alur dinonaktifkan. Sesuaikan halaman yang ingin Anda terapkan adaptasi manual.
Hanya gunakan adaptasi ucapan otomatis untuk semua halaman dalam alur Alur dinonaktifkan.

Mengaktifkan atau menonaktifkan adaptasi ucapan manual

Untuk mengaktifkan atau menonaktifkan adaptasi ucapan manual di tingkat alur atau halaman:

Setelan Alur

  1. Buka konsol Dialogflow CX.
  2. Pilih project Google Cloud Anda.
  3. Arahkan kursor ke alur di bagian Flows.
  4. Klik tombol opsi .
  5. Pilih Flow Settings di menu dropdown.
  6. Centang kotak Enable manual speech adaptation atau hapus centang.
  7. Mengedit, menambahkan, atau menghapus set frasa di tabel set frasa
  8. Klik Simpan.

Setelan Halaman

  1. Buka konsol Dialogflow CX.
  2. Pilih project Google Cloud Anda.
  3. Arahkan kursor ke halaman di bagian Halaman.
  4. Klik tombol opsi .
  5. Pilih Setelan Halaman di menu dropdown.
  6. Gunakan tingkat alur dipilih secara default dan jika dipilih, frasa adaptasi tingkat alur akan digunakan kembali untuk halaman ini. Anda dapat memilih Customize untuk mengonfigurasi frasa adaptasi yang berbeda dengan setelan tingkat alur. Meskipun adaptasi ucapan manual dinonaktifkan di tingkat alur, Anda masih dapat mengaktifkan dan mengonfigurasi adaptasi ucapan manual untuk halaman dalam alur tersebut melalui opsi Customize.
  7. Mengedit, menambahkan, atau menghapus set frasa dalam tabel set frasa adaptasi
  8. Klik Simpan.

Konfigurasi set frasa manual untuk peningkatan pengenalan ucapan

1. Kata dan frasa

Dalam set frasa adaptasi, Anda dapat menentukan frasa satu kata atau beberapa kata dengan referensi opsional ke token class ucapan. Misalnya, Anda dapat menambahkan frasa seperti "tarif bagus", "nomor pelacakan adalah $OOV_CLASS_ALPHANUMERIC_SEQUENCE", atau "$FULLPHONENUM". Frasa yang disediakan ini meningkatkan kemungkinan frasa tersebut ditranskripsikan dibandingkan frasa lain yang mirip secara fonetik. Saat Anda menambahkan frasa yang terdiri dari beberapa kata tanpa penguatan, bias akan diterapkan ke seluruh frasa dan bagian berkelanjutan dalam frasa tersebut. Secara umum, jumlah frasa harus dijaga agar tetap kecil dan Anda hanya boleh menambahkan frasa yang sulit dikenali dengan benar oleh pengenalan ucapan tanpa adaptasi ucapan. Jika Speech-to-Text sudah dapat mengenali frasa dengan benar, Anda tidak perlu menambahkan frasa ini ke setelan adaptasi ucapan. Jika Anda melihat beberapa frasa yang sering salah dikenali oleh Speech-to-Text di halaman atau alur, Anda dapat menambahkan frasa yang benar ke setelan adaptasi yang sesuai.

Contoh koreksi error pengenalan

Berikut adalah contoh cara menggunakan adaptasi ucapan untuk memperbaiki masalah pengenalan. Misalnya, Anda mendesain agen perdagangan perangkat ponsel, dan pengguna dapat mengucapkan sesuatu yang menyertakan frasa "jual ponsel" atau "ponsel" setelah agen mengajukan pertanyaan pertamanya "apa yang Anda butuhkan?". Lalu, bagaimana kita dapat menggunakan adaptasi ucapan untuk meningkatkan akurasi pengenalan pada kedua frasa tersebut?

Jika Anda menyertakan kedua frasa dalam setelan adaptasi, Speech-to-Text mungkin masih bingung, karena keduanya terdengar mirip. Jika Anda hanya memberikan satu frasa dari keduanya, Speech-to-Text mungkin salah mengenali satu frasa sebagai frasa lainnya. Untuk meningkatkan akurasi pengenalan ucapan untuk kedua frasa tersebut, Anda perlu memberikan lebih banyak petunjuk konteks kepada Speech-to-Text untuk membedakan kapan harus mendengar "sell phones" dan kapan harus mendengar "cell phone". Misalnya, Anda mungkin melihat orang sering menggunakan "jual ponsel" sebagai bagian dari ucapan seperti "cara menjual ponsel", "ingin menjual ponsel", atau "apakah Anda menjual ponsel", sedangkan "ponsel" sebagai bagian dari ucapan seperti "beli ponsel", "tagihan ponsel", dan "layanan ponsel". Jika Anda memberikan frasa yang lebih tepat ini kepada model, bukan frasa asli yang pendek seperti "cell phone" dan "sell phones", Speech-to-Text akan mempelajari bahwa "sell phone" sebagai frasa kata kerja lebih mungkin mengikuti kata-kata seperti "how to", "want to", dan "do you", sedangkan "cell phone" sebagai frasa kata benda lebih mungkin mengikuti kata-kata seperti "purchase" atau diikuti oleh kata-kata seperti "bill" atau "service". Oleh karena itu, sebagai aturan praktis untuk mengonfigurasi frasa adaptasi, biasanya lebih baik memberikan frasa yang lebih tepat seperti "cara menjual ponsel" atau "apakah Anda menjual ponsel" daripada hanya menyertakan "menjual ponsel".

2. Token class ucapan

Selain kata-kata bahasa alami, Anda juga dapat menyematkan referensi ke token class ucapan ke dalam frasa. Token class ucapan mewakili konsep umum yang biasanya mengikuti format tertentu dalam penulisan. Misalnya, untuk nomor alamat dalam alamat seperti "123 Main Street", orang biasanya akan mengharapkan format numerik nomor alamat "123" dalam alamat, bukan versi yang dieja sepenuhnya "seratus dua puluh tiga". Jika Anda mengharapkan format tertentu dalam hasil transkripsi, terutama untuk urutan alfanumerik, lihat daftar token class yang didukung untuk mengetahui token yang tersedia untuk bahasa dan kasus penggunaan Anda.

Jika halaman sudah memiliki rute intent atau parameter dengan referensi ke entity sistem, berikut tabel referensi untuk pemetaan antara entity sistem umum dan token class ucapan:

Entity sistem Token class ucapan
@sys.date $MONTH $DAY $YEAR
@sys.date-time $MONTH $DAY $YEAR
@sys.date-period $MONTH $DAY $YEAR
@sys.time $TIME
@sys.time-period $TIME
@sys.age $OPERAND
@sys.number $OPERAND
@sys.number-integer $OPERAND
@sys.cardinal $OPERAND
@sys.ordinal $OPERAND
@sys.percentage $OPERAND
@sys.duration $OPERAND
@sys.currency-name $MONEY
@sys.unit-currency $MONEY
@sys.phone-number $FULLPHONENUM
@sys.zip-code $POSTALCODE atau $OOV_CLASS_POSTALCODE
@sys.address $ADDRESSNUM $STREET $POSTALCODE
@sys.street-address $ADDRESSNUM $STREET $POSTALCODE
@sys.temperature $OOV_CLASS_TEMPERATURE
@sys.number-sequence $OOV_CLASS_DIGIT_SEQUENCE
@sys.flight-number $OOV_CLASS_ALPHANUMERIC_SEQUENCE

3. Nilai penguatan

Jika penambahan frasa tanpa nilai penguatan tidak memberikan efek bias yang cukup kuat, Anda dapat menggunakan nilai penguatan untuk lebih memperkuat efek bias adaptasi ucapan.

Penguatan menerapkan bias tambahan jika ditetapkan ke nilai yang lebih besar dari 0 dan tidak lebih dari 20. Jika penguatan kosong atau 0, efek bias default akan membantu mengenali seluruh frasa dan bagian berkelanjutan dalam frasa. Misalnya, frasa tanpa penguatan "apakah Anda buka untuk menjual ponsel" membantu mengenali frasa tersebut dan juga frasa serupa seperti "Saya menjual ponsel" dan "Halo apakah Anda buka".

Jika penguatan positif diterapkan, efek bias akan lebih kuat, tetapi hanya berlaku untuk frasa yang sama persis. Misalnya, frasa yang diperkuat "jual ponsel" membantu mengenali "bisakah Anda menjual ponsel", tetapi tidak "apakah Anda menjual ponsel".

Oleh karena itu, Anda akan mendapatkan hasil terbaik jika memberikan frasa dengan dan tanpa penguatan.

Nilai penguatan yang lebih tinggi dapat menghasilkan negatif palsu (NP) yang lebih sedikit, yang merupakan kasus ketika kata atau frasa muncul dalam audio, tetapi tidak dikenali dengan benar oleh Speech-to-Text (bias negatif). Namun, penguatan juga dapat meningkatkan kemungkinan positif palsu (PP); yaitu, kasus saat kata atau frasa muncul dalam transkripsi meskipun tidak muncul dalam audio (bias berlebih). Anda biasanya perlu menyesuaikan frasa bias untuk menemukan titik keseimbangan yang baik antara kedua masalah bias tersebut.

Anda dapat mempelajari lebih lanjut cara menyesuaikan nilai penguatan untuk frasa dalam dokumen Cloud Speech tentang penguatan.

chirp_3 Speech-to-Text V2 mendukung hingga total 1.000 frasa per permintaan dan mengabaikan nilai boost numerik. Untuk mengetahui batas dan panduan adaptasi chirp_3, lihat Meningkatkan akurasi dengan adaptasi model.

Kapan harus menggunakan adaptasi ucapan otomatis atau manual

Secara umum, jika Anda tidak yakin apakah adaptasi ucapan akan meningkatkan kualitas pengenalan ucapan untuk agen Anda (tidak ada pola error transkripsi yang jelas), sebaiknya coba adaptasi ucapan otomatis terlebih dahulu sebelum beralih ke adaptasi ucapan manual. Untuk keputusan yang lebih mendetail, pertimbangkan faktor-faktor berikut untuk memutuskan antara adaptasi ucapan otomatis atau adaptasi ucapan manual:

1. Pengisian formulir

Adaptasi ucapan otomatis berfungsi sangat baik dengan pengisian formulir karena menggunakan konteks tata bahasa ABNF untuk parameter formulir dan menerapkan aturan tata bahasa berdasarkan jenis entitasnya. Karena adaptasi ucapan manual belum mendukung tata bahasa ABNF, adaptasi Ucapan Otomatis umumnya lebih disukai daripada adaptasi ucapan manual untuk halaman pengisian formulir. Namun, untuk halaman yang hanya memiliki parameter entity sistem dan entity ekspresi reguler sederhana yang didukung oleh token class ucapan, Anda juga dapat menggunakan adaptasi ucapan manual untuk mencapai efek bias yang mirip dengan adaptasi ucapan otomatis tanpa perlu menyesuaikan entity ekspresi reguler.

2. Kompleksitas transisi halaman atau alur

Untuk halaman atau alur sederhana dengan beberapa rute intent, adaptasi ucapan otomatis kemungkinan akan menghasilkan frasa bias yang representatif dan berperforma cukup baik.

Namun, jika halaman atau alur memiliki banyak rute intent (untuk halaman, pertimbangkan juga jumlah rute tingkat alur), atau jika ada intent yang memiliki frasa pelatihan yang terlalu panjang atau pendek dan tidak penting (Misalnya, satu kalimat utuh atau satu kata dengan hanya satu atau dua suku kata), kemungkinan besar model adaptasi ucapan tidak akan berfungsi dengan baik dengan frasa ini. Anda harus terlebih dahulu mencoba menonaktifkan adaptasi ucapan untuk halaman terbuka dengan kompleksitas tinggi dengan mengaktifkan adaptasi ucapan manual dengan set frasa kosong (penggantian adaptasi kosong). Setelah itu, evaluasi apakah ada frasa khusus yang tidak ambigu yang masih perlu diberikan ke Speech-to-Text untuk meningkatkan kualitas pengenalan.

Gejala lain dari masalah kompleksitas ini adalah melihat berbagai masalah bias yang terlalu rendah atau terlalu tinggi saat adaptasi ucapan otomatis diaktifkan. Serupa dengan kasus di atas, Anda juga perlu menguji dengan adaptasi ucapan yang dinonaktifkan untuk halaman tertentu terlebih dahulu. Jika perilaku yang salah tetap ada setelah menonaktifkan adaptasi ucapan, Anda dapat menambahkan frasa yang ingin dikoreksi ke dalam setelan adaptasi ucapan dan bahkan menambahkan nilai penguatan untuk lebih memperkuat efek bias jika diperlukan.

Menguji adaptasi ucapan

Saat menguji kemampuan adaptasi ucapan agen Anda untuk frasa pelatihan atau pencocokan entity tertentu, Anda tidak boleh langsung menguji pencocokan dengan ucapan suara pertama dalam percakapan. Anda hanya boleh menggunakan input suara atau peristiwa untuk seluruh percakapan sebelum pencocokan yang ingin Anda uji. Perilaku agen Anda saat diuji dengan cara ini akan mirip dengan perilaku dalam percakapan produksi yang sebenarnya.

Batasan

Batasan berikut berlaku:

  • Adaptasi ucapan tidak tersedia untuk semua model ucapan dan kombinasi bahasa. Lihat halaman dukungan bahasa Cloud Speech untuk memastikan apakah "adaptasi model" tersedia untuk kombinasi model ucapan dan bahasa Anda.

  • Saat ini, adaptasi ucapan manual belum mendukung class kustom atau tata bahasa ABNF. Anda dapat mengaktifkan adaptasi ucapan otomatis atau menggunakan permintaan deteksi intent runtime untuk memanfaatkan fitur adaptasi ini.

  • Nilai penguatan yang sama dapat berperforma berbeda untuk model ucapan dan bahasa yang berbeda, jadi berhati-hatilah saat mengonfigurasinya secara manual untuk agen yang menggunakan beberapa bahasa atau model ucapan. Saat ini, adaptasi ucapan manual berlaku untuk semua bahasa dalam agen, sehingga agen multibahasa hanya boleh menggunakan frasa yang tidak bergantung pada bahasa atau membagi setiap bahasa menjadi agen terpisah. Karena perilaku bias default (tidak memberikan penguatan atau penguatan 0) biasanya berperforma cukup baik untuk semua bahasa dan model, Anda tidak perlu mengonfigurasi nilai penguatan khusus bahasa, kecuali jika bias yang lebih kuat diperlukan untuk kasus penggunaan pengenalan Anda. Anda dapat mempelajari lebih lanjut cara menyesuaikan nilai penguatan dalam panduan Cloud Speech-to-Text ini.

  • Mengenali urutan karakter yang panjang merupakan tantangan. Jumlah karakter yang diambil dalam satu giliran terkait langsung dengan kualitas audio input Anda. Jika Anda telah mengikuti semua panduan entity ekspresi reguler dan mencoba menggunakan token class ucapan yang relevan dalam setelan adaptasi ucapan manual, tetapi masih kesulitan menangkap seluruh urutan dalam satu giliran, Anda dapat mempertimbangkan beberapa alternatif yang lebih bersifat percakapan:
    • Saat memvalidasi urutan terhadap database, pertimbangkan untuk melakukan referensi silang parameter lain yang dikumpulkan seperti tanggal, nama, atau nomor telepon untuk memungkinkan kecocokan yang tidak lengkap. Misalnya, selain meminta nomor pesanan pengguna, minta juga nomor teleponnya. Sekarang, saat webhook mengkueri database Anda untuk mengetahui status pesanan, webhook dapat mengandalkan nomor telepon terlebih dahulu, lalu menampilkan pesanan yang paling cocok untuk akun tersebut. Hal ini dapat menyebabkan Dialogflow salah mendengar "ABC" sebagai "AVC", tetapi tetap menampilkan status pesanan yang benar untuk pengguna.
    • Untuk urutan yang sangat panjang, pertimbangkan untuk mendesain alur yang mendorong pengguna akhir untuk menjeda di tengah-tengah sehingga bot dapat mengonfirmasi saat Anda melanjutkan.
Sebelumnya
Cloning suara
Berikutnya
Setelan ucapan lanjutan