Dane krytyczne nie powinny zależeć od rozpoznawania mowy

UX głosowyAnaliza porażkiASR
Zaktualizowano 2026-09-07

Jeśli krok w Państwa produkcie nie toleruje ani jednego błędnego znaku, nie należy czynić z mowy jedynej drogi przez ten krok. To cała lekcja, a nauka kosztowała nas relację z klientem.

Co budowaliśmy

Klient chciał urządzenia głosowego dla szkoły. Główny scenariusz był prosty. Uczeń wypowiada do urządzenia swój numer ucznia, system wyszukuje zapisy z jego nauki i komentarze nauczyciela, po czym odczytuje je na głos. Bez ekranu, bez aplikacji, bez logowania. Podejść i mówić.

Logika była czysta, a całość brzmiała dobrze na spotkaniu w sali konferencyjnej. Zawiodła już na pierwszym kroku.

Rozpoznawanie intencji i rozpoznawanie cyfr to dwa różne problemy

Rozpoznawanie mowy bardzo dobrze ustala, co ktoś miał na myśli. Wyraźnie gorzej radzi sobie z wychwyceniem dokładnego ciągu cyfr, a numer ucznia miał tu osiem cyfr. Jedna błędna cyfra i nie ma pasującego rekordu, więc cały proces staje w miejscu. Nie ma punktów za częściową poprawność.

W testach pojawiły się trzy rodzaje błędów i nakładały się na siebie.

Akcent i niemal identyczne brzmienie

W mandaryńskim 三 (trzy) i 四 (cztery) łatwo pomylić, podobnie jak 一 (jeden) i 七 (siedem). Akcenty regionalne powiększają tę różnicę. W angielskim występuje ta sama klasa problemu, np. fifteen i fifty albo M i N przy słabym kanale. W każdym języku są takie pary, a ciąg znaków w numerze to dokładnie to miejsce, w którym bolą najbardziej.

Słaba sieć

Przy wolnym połączeniu cykl rozpoznawania się wydłuża. Użytkownik czeka, a odpowiedź, która w końcu nadchodzi, nadal jest błędna. Opóźnienie nie tylko irytuje, ale też odbiera poczucie, że ponowna próba coś zmieni.

Jak naprawdę mówią dzieci

Dzieci nie artykułują wyraźnie na zawołanie, a odległość między ustami a mikrofonem ciągle się zmienia, bo się ruszają. Dokładność, która w cichym teście z dorosłymi wyglądała dobrze, w prawdziwej sali wyraźnie spada.

Brak ekranu zamienił zły krok w ślepy zaułek

Na telefonie lub tablecie błędne rozpoznanie można naprawić. Użytkownik widzi na ekranie 38472619, zauważa, że 7 powinno być 1, i poprawia. Na urządzeniu bez ekranu użytkownik nigdy się nie dowiaduje, co maszyna usłyszała. Dostaje tylko komunikat „nie znaleziono rekordu”. Mówi więc jeszcze raz, znowu się nie udaje i nie ma drogi od porażki z powrotem do sukcesu.

Warto to powiedzieć wprost, bo łatwo to przeoczyć przy tworzeniu specyfikacji. Usunięcie ekranu to nie tylko usunięcie wyświetlania. To usunięcie pętli korekty.

Co zmieniliśmy

Numer ucznia jest teraz przypisywany do konta podczas rejestracji na telefonie. Na urządzeniu mowa służy do potwierdzenia tożsamości i zwykłej rozmowy i nigdy nie musi przenosić dokładnego ciągu cyfr. Głos robi to, w czym jest dobry, czyli przyjmuje dane rozmyte i odporne na błędy, gdzie bycie w przybliżeniu poprawnym nadal się przydaje.

Przebudowaliśmy to i wróciliśmy do klienta. Opóźnienie było naszą winą, a ich frustracja była uzasadniona; poza naprawą projektu niewiele da się na swoją obronę powiedzieć.

Pytanie, które zadajemy teraz

Jeśli na tym kroku model się pomyli, czy użytkownik to zauważy i czy będzie mógł to poprawić?

Jeśli tak, głos jest w porządku. Jeśli nie, tego kroku w ogóle nie należy opierać na głosie. Trzeba przypisać dane wcześniej, przenieść je na inny kanał albo dodać potwierdzenie, na które użytkownik rzeczywiście może zareagować.

„AI potrafi to zrobić” i „AI potrafi to zrobić niezawodnie w tej konkretnej sytuacji” to dwa różne twierdzenia. Rozdzielanie ich jest najbardziej podstawową dyscypliną w sprzęcie głosowym i zwykle taniej jest ją zastosować na etapie specyfikacji niż po wykonaniu oprzyrządowania.

Powiązane

• Karta rejestrująca AI — otwarty protokół Bluetooth, własny stos transkrypcji
• Towarzysz nauki 4G z AI — szkolna baza wiedzy i panel dla rodzica