语音服务改进方法及系统与流程

本技术涉及人工智能领域，具体涉及一种语音服务改进方法及系统。

背景技术：

1、本部分旨在为权利要求书中陈述的本技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是已被公开的现有技术。

2、随着电子商务的不断发展，传统的单一性客户服务方式——电话客户服务，由于受到时间地域等一些客观条件的限制，已经无法满足用户的需求，融合“客户服务、商品导购”等多种服务元素，将客户服务无缝的嵌入售前、售中、售后过程始终。客服人员通过电话服务系统及时响应用户需求，在用户遇到困难时提出指导性建议，及时解决用户在使用中遇到的各种问题。这种一对一在线客服方式不仅方便快捷，同时可以增加用户和客服人员进行对话的几率，用户可以更直观的获取所需信息。

3、目前，语音服务的监控和分析通常依赖以下技术手段和流程：

4、1.手机或其他录音设备：使用手机或专业录音设备记录语音服务对话。

5、2.录音后的质量控制抽查：事后随机选择录音，手动听取和评估语音服务质量。

6、3.定期的培训和评估：定期组织语音服务人员进行培训，并通过模拟或实际情境来评估他们的语音服务内容。

7、尽管现有技术手段能够在一定程度上帮助监控和改进语音服务，但它们存在以下不足：

8、1.自动化和智能化程度不足：依赖于人工操作录音和抽查，效率低下，容易遗漏关键互动。

9、2.缺乏系统性和实时性的分析：无法提供即时的反馈和分析，导致改进措施延迟实施。

10、3.数据驱动的优化和迭代能力有限：缺乏有效的数据分析支持，难以根据实际效果和客户反馈优化服务语言模板。

技术实现思路

1、本技术的目的在于提供一种语音服务改进方法及系统，可以自动分析语音服务对话，有效地提升语音服务的效率和成功率。

2、本技术公开了一种语音服务改进方法，包括：

3、捕获语音服务录音，将捕获到的所述语音服务录音识别分割为服务人员文字和服务对象文字；

4、基于大语言模型，为识别到的所述服务对象文字匹配相应的服务语言模板；

5、基于大语言模型，将识别到的所述服务人员文字与所述服务语言模板进行比较，得到第一相似度；

6、设定关键词集合k={k1,k2,…,ki…,kn}，检测所述关键词集合中的各关键词在所述识别到的文字中出现的情况，得到第二相似度，所述第二相似度为：；其中，表示所述关键词集合中的第i个关键词，为所述关键词出现的权重系数，为所述关键词出现的顺序的权重系数，表示所述关键词在识别到的所述服务人员文字中是否出现，若出现，则=1，若没出现，则=0.5；表示所述关键词和所述关键词在识别到的所述服务人员文字中的出现顺序是否与所述服务语言模板中的顺序一致，若顺序一致，则=1，若顺序不一致，则=0.5；

7、对所述第一相似度和所述第二相似度进行加权获得总相似度，若所述总相似度低于第一门限，且可统计指标高于第二门限，则将识别到的所述服务人员文字添加至所述服务语言模板形成新的服务语言模板。

8、在一个优选例中，所述大语言模型为：基于transformer的模型、基于自编码器的模型、序列到序列模型、递归神经网络模型或分层模型。

9、在一个优选例中，所述可统计指标为客户满意度。

10、在一个优选例中，所述可统计指标为问题解决率和/或服务成功率。

11、在一个优选例中，进一步包括：采用相关性分析所述语音服务中所述关键词的使用频率与所述可统计指标之间的关系；

12、确定所述关键词的使用频率与所述可统计指标之间是否为正相关。

13、在一个优选例中，所述相关性分析为皮尔逊相关系数。

14、本技术还公开了一种语音服务改进系统，包括：

15、语音捕获模块，用于捕获语音服务对话形成语音服务录音；

16、文字识别模块，用于将捕获到的所述语音服务录音识别分割为服务人员文字和服务对象文字；

17、大大语言模型模块，用于为识别到的所述服务对象文字匹配相应的服务语言模板，以及将识别到的所述服务人员文字与所述服务语言模板进行比较以获取第一相似度s1；

18、关键词检测模块，用于检测关键词集合k={k1,k2,…,ki…,kn}中的各关键词在所述识别到的文字中出现的情况，得到第二相似度，所述第二相似度为；其中，表示所述关键词集合中的第i个关键词，为所述关键词出现的权重系数，为所述关键词出现的顺序的权重系数，表示所述关键词在识别到的所述服务人员文字中是否出现，若出现，则=1，若没出现，则=0.5；表示所述关键词和所述关键词在识别到的所述服务人员文字中的出现顺序是否与所述服务语言模板中的顺序一致，若顺序一致，则=1，若顺序不一致，则=0.5；

19、加权模块，用于对所述第一相似度s1和所述第二相似度s2进行加权获得总相似度s；

20、服务语言模板改进模块，用于将所述总相似度低于第一门限，且可统计指标高于第二门限的所述服务人员文字添加至所述服务语言模板中形成新的服务语言模板。

21、在一个优选例中，所述大语言模型模块基于transformer模型、基于自编码器模型、序列到序列模型、递归神经网络模型或分层模型。

22、在一个优选例中，所述可统计指标为客户满意度。

23、在一个优选例中，所述可统计指标为问题解决率和/或服务成功率。

24、在一个优选例中，还可以包括相关性分析模块，所述相关性分析模块用于分析所述语音服务中所述关键词的使用频率与所述可统计指标之间的关系，并确定所述关键词的使用频率与所述可统计指标之间是否为正相关。

25、在一个可选的实施例中，所述相关性分析模块中可以采用皮尔逊相关系数进行相关性分析。

26、本技术还公开了一种语音服务改进设备，包括：

27、存储器，用于存储计算机可执行指令；以及，

28、处理器，与所述存储器耦合，用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。

29、本技术还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。

30、本技术的实施方式中，通过录制语音服务过程当中的对话获得语音服务录音，并将语音服务录音转录为文字，使用大语言模型对转录的文字进行分析，比较实际的语音服务对话和服务语言模板，从而获得了第一相似度，另外设置了关键词集合，检测关键词集合中的关键词是否在实际的语音服务对话中是否出现，以及出现的顺序，从而得到了第二相似度，将第一相似度与第二相似度加权后，相似度低于第一门限但可统计数据高于第二门限的文字被录入到服务语言模板中形成新的语言模板，即实际的语音服务对话虽然与预设的服务语言模板不相似，仍然取得了预期的良好效果，将其并入原先的服务语言模板中可以进一步帮助完善服务语言模板。由于大语言模型的特性，也不再依赖于人工录音抽查，另外，也可以提供即时地反馈和分析，使改进措施即时实施，在获得了上述分析后的数据支撑，也可以更有效地调整服务语言模板，以极其有效的方式提高了服务的效率、成功率以及满意度等。

31、上述技术实现要素：中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案（这些技术方案均应该视为在本说明书中已经记载），除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征a+b+c，在另一个例子中公开了特征a+b+d+e，而特征c和d是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征e技术上可以与特征c相组合，则，a+b+c+d的方案因技术不可行而应当不被视为已经记载，而a+b+c+e的方案应当视为已经被记载。