怎样从零开头搭建智能外呼体系？
本文作者是“AI产物司理大本营”团员何静 ，她用十分接地气的笔墨先容了智能外呼体系的必备入门信息，关于不是这个细分范畴的AI从业者来说，十分值得一看。
一、序文
随着人工智能武艺的提高，近半年来涌现了多量基于人工智能的召唤中央业务办事商和集成商。仅电销机器人这一个朝向就最少有近百家公司正在推行运营，包含百度、讯飞、智齿、硅基、百应、箭鱼、容联等。商务上的需求十分剧烈，整个市场都飞快地繁华起来。
一套可提供saas办事的智能外呼体系，看起来功效并不繁复。一个网站可注册、充值缴费开票，登录后在背景页面选择大概定制外呼话术脚本，新建外呼职责并导入外呼号码列表，明白外呼战略（时间段、重呼次数），设置外呼机器人数目（同时拨出几个号码），点击开头。然后就可以看着进度条走完，外呼机器人依照列表一个个打电话出去。职责完成后，可以查察外呼后果列表。
那么怎样从零开头搭建一套对外可以提供saas办事的智能外呼体系呢？
二、总览
我们先列出，搭建如此一整套体系必要哪些武艺和资源：
- 运营商线路：提供方包含三大运营商、集成线路商，这是我们打电话出去要交电话费，必需触及的需求商。
- 召唤中央装备：商用装备原厂包含avaya、genesys、cisco、华为等，集成商很多，开源的也有一些。在倡导外呼职责时，saas平台是把外呼哀求发给了召唤中央装备颠末运营商线路而拨出去的。
- AI才能：包含语音识别、语音构成、语义了解。这就是外呼机器人的中心构成局部，它能听懂接电话的人所说的话、表达的意思，并回复和引导对话。
- saas办事平台：即用户可以注册、登录、缴费、上传召唤列表、倡导外呼职责、外呼后果查察的网站，这个是终端用户唯一可以看取得的前端界面。
简独干系表现图如下：
上图中四个主要模块，此中一些难以自研，只能选择需求商：
- AI才能局部（中文ASR/TTS）基本以前格式安定，没太多可挑选的。
- 运营商资源这块儿，可以选择大牌老厂的码号线路资源多的然后便宜的去谈互助，一方面外照使用在催完毕景时容易被封号，同时话费再便宜也好几分钱一分钟，也是紧张的本钱。
- 召唤中央装备，由于触及不少接口对接调试，优先选本人熟习的，其次选便宜的且武艺材料多的。
- 最初是外呼saas平台，约莫这是各个电销机器人办事商/集成商最容易完成自研的局部。
明白了触及到的武艺和资源之后，再明白一下建立步调。由于各个厂商都有各自的资源和才能，建立办法也各不相反，简便来说可以分红以下几类：
- 有运营商资源的，等着他人找上门来就行了。
- 召唤中央厂商，一定有已长时互助的运营商线路资源，手里也有召唤中央装备 职场，也有武艺职员。于是就选择自研saas平台，然后找AI才能厂商互助提供ASR/TTS/NLU。
- AI才能厂商，尤其以NLU发迹的在线客服类厂商，通常会选择接入百度/讯飞的语音才能，然后去找召唤中央类厂商互助。
- 啥都没有，仅有几个武艺职员的，选择自研saas平台，接入召唤中央装备、AI才能、运营商资源。
作为初学者，为了自行从零开头搭建一套对外可以提供saas办事的智能外呼体系，身份一定是第四种，啥都没有，啥都要干。
以上这四局部，中心人物是召唤中央。AI只是插上了想象力的翅膀，但是没这翅膀，召唤中央照旧召唤中央，但是AI就只是海市蜃楼了。业务明白可落地的召唤中央才是想象力的基石，这一点与CV和安防的干系很像。
三、召唤中央搭建
1. 通讯原理
现在对召唤中央比力广泛承受的界说是：召唤中央是以盘算机电话集成（CTI）武艺体系为基本，将盘算机的信息处理功效、数字程控互换机的电话接入和智能分派、主动语音处理武艺、 Internet武艺、网络通讯武艺、商业智能武艺与业务体系严密团结在一同，将公司的通讯体系、盘算机处理体系、人产业务代表、信息等资源整构成一致、高效的办事事情平台 。
最新一代召唤中央架构NGCC（Next Generation Call Center）如下图所示：
具体怎样了解呢？
先从最简便的提及：一局部A给一局部B打了个电话。
- 流程：A→PSTN→B
- 表明：PSTN是Public Switched Telephone Network，公用互换电话网络，也就是运营商的电话网络。
然厥后个繁复点的：一局部A给召唤中央400xxxxxxxx打了个电话，拨通后先听到了灌音，“您好，找B类接线员语言请按0号键”。按了0，然后听到灌音，“列队中，请稍后”。几分钟后接通，B0026号接线员接了电话。
流程：A→PSTN→PBX→IVR→ACD→B
表明：PBX是Private Branch Exchange，用户级互换机，这是企业内里的局端用户级互换机，整个召唤中央的相差口装备。
PSTN到PBX之间是中继（分红模仿中继、数字中继、IP中继），这是将通讯公司的局端互换机与企业内里的用户级互换机（PBX）相连的通讯线路。
IVR是Interactive Voice Response，互动/交互式语音应对，我们把它叫语音导航。完成的是相似拨打10086后听到灌音说，xx业务请按x，这个环节。主要用处是依据业务分流来电，进入对应的列队机。
ACD是Automatic Call Distribution，主动电话分派，也叫列队机。
再来个繁复点的：一局部A给召唤中央400xxxxxxxx打了个电话，拨通后先听到了灌音，“您好，您想找哪类接线员？”
一局部A说，“B~~”。
然后很快接通，“您好，这是B0026号机器人，有什么可以帮您？”
一局部A说，“我不想跟机器人语言，泥奏凯~”
然后听到灌音，“为您转接很贵的真人客服，列队中，请稍后”。
几分钟后接通，B1026号真人接线员接了电话。
流程：A→PSTN→PBX→IVR（→ASR→NLU）→ACD（→ASR→NLU→DM→NLG→TTS）→ACD→B
表明：如今智能的局部，也就是我们说的语音机器人的局部，分散在IVR和假造坐席处体现。
IVR局部，不再必要提示按键，而是直接问来电方必要摒挡什么业务，然后识别语音、了解意图后，进入对应的业务行列列队。列队后可以等候真人客服接待，也可以由机器人先行接待。
机器人（实践是办事器资源）资源空闲时，直接接待，举行语音对话，对话历程就是语音识别、语义了解、语音构成的多次调用，局部业务触及业务数据接口对接调用，好比查询话费、积分。并可以依据需求主动大概选择转人工，再次进入列队，期待真人客服接待。
此中IVR局部表现图如下：
2. 集成实行
外表提到的全部流程中，PBX、IVR、ACD等局部基本都是由我们说的召唤中央装备商提供，产物有三品种型:板卡式、互换机式、VoIP情势。
互换机式比力合适大型职场，比如三五百人以上，硬件价格五位数。互换机范畴，主要有：avaya、genesys、cisco、华为、规复，此中最常用的两家比力下去，avaya比genesys便宜（参见文章）。
板卡式合适中小型职场，好比几十人到两三百人，硬件价格四位数。基于板卡建立召唤中央的步调，可以参考使用三汇板卡的这几篇（主要前4篇讲原理）。
选择板卡之前，先要确定选用哪种中继线路，好比：使用常规的数字中继，那么就必要选择数字板卡，这个找板卡的需求商问就行了。通常来说召唤中央要置办的一条E1数字中继报价五位数/年，由用户级互换机将局端的光信号转换为30路模仿信号，也就是支持30一局部同时接打电话，通话费会别的依照实践呼出分钟数收取。
近期一个实践落地项目是选择了数字中继 Asterisk（开源VoIP PBX纯软方案），（可参考：安拆卸置，调试）表现图如下：
具体的软件业务细节，好比：常规客服中央必要的办理模块、设置模块、工单办事、坐席办事、报表模块、CRM，另有好比：坐席班长监听、通话插进、质检，灌音文件办理等整套软件细节，不做详述。
四、AI才能对接
在具体落地中，这个范畴的常规到场者通常具有召唤中央才能大概AI才能此中一种，而主要的对接点也就在于AI才能与召唤中央装备去对接，而ASR/TTS与召唤中央装备对接的常规协议主要是mrcp/sip。
媒体资源控制协议（Media Resource Control Protocol, MRCP）是一种通讯协议，用于语音办事器向客户端提供种种语音办事(如语音识别和语音构成)。有两个版本的MRCP协议，版本2使用SIP作为控制协议，版本1使用RTSP。
实践对接的时分，会碰到不少武艺成绩，有的召唤中央厂商会要求ASR/TTS引擎做公有云摆设，如此制止了表里网穿透时防火墙的诸多设置和语音流的时延。这对基于语义发迹（并置办语音才能）的公司是一个小小的困难。
1. 语音识别
现有武艺中完成一次性语音识别典范的流程时序，具体包含一下步调：
- MRCP Client发送INVITE消息给MRCP Server哀求创建会话，携带MRCP Client侧的SDP；
- MRCP Server回复200表现哀求以前告捷承受处理，携带MRCP Server侧的SDP；
- MRCP Client随后发送ACK消息证实200消息以前收到，至此一个SIP会话告捷创建；
- MRCP Client发送RECOGNIZE消息给MRCP Server哀求语音识别，依照MRCP协议划定的格式携带干系的语音识别控制参数，并且指定语法文件途径；
- MRCP Server吸收RECOGNIZE哀求，编译语法文件，回复200消息给MRCP Client；
- MRCP Client此时开头依据之前协商好的SDP，开头源源不休的发送RTP语音流给MRCP Server；
- MRCP Server吸收RTP语音流，当检测到用户开头语言时，发送START-OF-INPUT事变；
- 当MRCP Server依据语法文件界说取得识别后果时，经过RECOGNITION-COMPLETE事变前往识别后果；
- MRCP Client发送BYE消息给MRCP Server完毕会话；
- MRCP Server发送200消息给MRCP Client确认完毕；
- MRCP Client经过上述流程取得MRCP Server提供的一次完备语音识别才能。
电话渠道的语音流采样率寻常是8k 16bit，这种语音识别的准确率远远低于app等渠道收罗音频的识别率。再加上人在打电话时语言办法相对随意，招致语音识别局部红为了影响电话机器人才能和后果的紧张瓶颈。
2. 语音构成
完成语音构成典范的流程时序，具体包含一下局部：
- SPEAK:向办事器端提供文本,启动语音构成（c→s）。
- STOP:假如办事器正在语音构成资源,则中止语音构成与语音流（c→s）。
- PAUSE:关照办事器资源停息语音构成与语音流（c→s）。
- RESUME:关照停息的语音构成资源持续举行语音构成与语音流（c→s）。
- CONTROL:变动语音构成资源干系参数,从而影响构成的语音流（c→s）。
- SPEAK-COMPLETE: SPEAK哀求以前告捷处理（s→c）。
- SPEECH-MARKER:办事器正在处理语音标签时,碰到哀求消息头字段 Speech Marker中标志的tag（s→c）。
- BARGE-IN-OCCURRED:客户端检测到barg-in-able事变或DTMF数字时,发送该消息关照办事器（c→s）。
如今主流厂商为了使通话后果尽约莫模仿真人外呼，除了触及业务接口调用的数据查询使用了TTS，基本接纳整句灌音的办法。
3. NLU局部
准确来说，一个简便的对话机器人体系框图，包含语音识别（ASR）、语音构成（TTS）、天然言语了解（NLU）、对话办理（DM）、天然言语天生（NLG）几个模块构成。而这一局部就是智能外呼体系的主流玩家——NLU类（智能客服）厂商的强项了。
关于召唤中央从业者来说，ASR/TTS/NLU好像黑盒寻常，只暴显露接口。而国内语音才能的需求商，要么很土豪，少数QPS不要钱，要么就好坏常标准的报价五位数一条线路/年，真实也没有太多可以选择的余地。
关于仅有NLU才能的厂商来说场面也是一样，除了必要接入ASR/TTS的才能，还必要去寻觅可以互助的召唤中央，并且想办法拿到尽约莫低的话费报价。
五、行业现状
颠末一些调研和竞品分析，行业内固然有最少近百家公司在推行和运营电销机器人，但绝不客气地说，大局部都不及格。
一星级 ★
- 官网精摹细琢，相似有漂泊闪灼flash，反复经常提示你接洽商务。
- 对各种根天性力仅有含糊其辞的形貌，没有灌音、演示、试用处径。
二星级 ★★
有灌音可以试听，但分明可以听出来，局部是真人直接对话灌音，而并非机器人与真人的通话灌音。局部多少家公司用于试听播放的灌音文件完全一律，不晓得谁抄谁的。
三星级 ★★★
- 有灌音可以试听，乃至也有演示视频。灌音约莫仍有作假猜疑，演示视频局部能以为出来是依照特定的对话脚本去走流程，但是可以完成多轮对话了，语音时延在2s以内，属于基本可用。
- 不支持NLG，机器人所说的内容均为灌音。
四星级 ★★★★
- 支持NLG（Natural Language Generation），支持字段调用，支持TTS构成与灌音无缝衔接。但由于TTS调用的是某几个大厂的api，而灌音大多为本人依据业务需求去录的，会显现衔接僵硬的成绩。处理方案是直接全文TTS，大概选择与TTS音色相接近的播音员举行录制。
- 对打断的处理有待优化，要么不支持打断，要么打断后处理办法粗糙（如重播、多次打断后多次直接播放对应灌音）。
- 语义了解才能相对较弱，但共同相对完满的话术战略，可以坚持相对可承受的兜底。
五星级 ★★★★★
- 支持对话中识别紧张词打断。如先容倾销信息时被打断问价格，则直接停下并立刻回复价格信息。
- 报价形式不范围于“线路xxxxx元/年，话费0.xx元/分，话术脚本xxxx/个”的形式。如纯灌音外呼机器人0.xx元/分，含NLG的外呼机器人x.xx元/分。
- 除了依据业务场景定制话术脚本之外，基于已有的积累（如召唤中央金牌电销的通话纪录等）构成特定行业的金牌话术模板，只必要填入特别字段信息即可使用。
- 语义层面，支持跨节点/前往节点问答（好比：先回复说我不是本人，进入到下一个节点后，客户再说一次我是本人，体系仍能处理）。
- 外呼后果分析，现在阶段通常机器人外呼只用来做第一轮初筛，必要对通话内容举行语义推断，按需分析对否必要第二轮人工跟进。
- 通话转乘人工，对否允许在机器人外呼历程中被动或主动转人工，这一项在完成时接近于IVR局部机器人应对 转人工的形式，在流程计划和资源设置上相对有难度。
- 依据通话内容主动辨别二次回拨，如被见告“如今没空接电话，10分钟后再给我打”（机器人二次召唤），大概表现“有兴致，需转人工跟进”后颠末猜测式外呼后回拨到用户号码上（真人接线）。
六、商业落地
商务形式比力简便粗暴，大略的本钱核算如下：
- 起首运营商的通讯资源，几分钱一分钟的话费本钱，以及均匀下去一千支配一块的中继线路用度。
- 其次是召唤中央厂商的办事器、带宽、召唤中央装备license/运维等本钱。
- 再次是AI才能的使用费，好比：讯飞公开报价2w每线路每年。
- 最初是外呼saas平台的建立和运维本钱。
那么电销机器人厂商，竞争这么剧烈，谁才会笑到最初呢？
一是要有价格相对便宜的运营商资源和语音才能资源，如此可以明白的报出一个行业内相对较低的价格。好比：完全不依照主流友商们1-3w/线/年的报价办法，直接来几毛钱一分钟任意打，随打随充。
二是召唤中央资源方，最好是带客出场，别从0开头找客户，直接把现有的召唤中央B端客户转化一局部红为机器人电销客户。
三是语义的才能，尤其是话术模板的计划才能。这一块儿很容易被无视，但是这反而也是产物司理可以出成果的场合。寻常来说可以拿召唤中央多年积累的语料去分析一套最佳话术模板（堪比金牌贩卖的万能对话体系），然后做ABtest也好。
从mvp开头渐渐增长主要话术分支也好，心思学基本必必要有，必要时可以从游戏成瘾机制等角度动手，《恋与制造人》的对话本事学起来，一句话怎样说能让接电话的人最约莫率的顺着本人的思绪走，告竣目标，从而构成特定细分范畴机器人话术模板，取得最佳的外呼后果（接通率、通话时长、电销志愿、催收志愿）。
这一块儿固然很细，但是反复迭代之后可以以一敌万，乃至到达如今各种智能音箱眼前中心体系一样的位置。
四是外呼saas平台。这局部是web类产物司理的天下了，具体功效点就不具体摆列了，友商们的网页和背景过一遍，基本优劣也能推断出来了。
至于如今此时如今被视作亮点的可视化外呼脚本编纂，笔者一局部以为但是是鸡肋，平凡人基本用不佳，脚本逻辑只能做得很简便，多轮对话、跨节点对话后果也不佳，反而很容易招致客户丢弃。还不如干爽性脆给个可设置变量的场景化标准模板（金牌话术模板由产物司理提供），外呼试用后果好，客户更容易买单。
七、结语与参考材料
这一套智能外呼体系搭下去，不仅仅可以做电销机器人，可以做各种外呼，也可以做IVR语音导航、呼入电话客服。“NLU CallCenter”就像这几年“CV 安防”的团结一样，也会如商汤科技团结创始人林达华所说：
“正中也存在风险：一边是从使用端往前走，一边是从武艺端今后走，各位都想占领武艺上的制高点。这必要各位创建一种信任和共赢机制，仅有如此互助才干恒久”。
AI固然火热受追捧，但具体项目落地并被市场承认和买单并不是那么容易。作为入行并不久的初学者，实验借以此文抽丝剥茧梳理了从0开头搭建智能外呼体系的全流程，才疏学浅囿于见闻，疏漏和不妥之处在所不免，权当抛砖引玉。
诸多细节限于主题和篇幅不做详述，如有任何成绩，接待随时交换。
参考材料：
- 《召唤中央武艺》，詹舒波等，人民邮电出书社，2015-09-01
- MRCPv2概述
- MRCPv2 – Speech Synthesizer Resource
- MRCP协议学习条记
- MRCPv2 协议及其在分布式语音资源处理方案中的使用
- 华为在审专利：一种语音识别办法及安装
- 百度-智能召唤中央 Java SDK文档
#专栏作家#
hanniman，各位都是产物司理专栏作家，前腾讯、现创业公司PM；专注于人工智能范畴的产物化研讨，眷注人机交互（特别是语音交互）在手机、机器人、智能汽车、智能家居、AR/VR等前沿场景的可行性和产物体验；善于对创业团队办理、一局部红长提出实战型的发起方案；知乎/简书/微博帐号，均为hanniman。
题图来自 Pixabay，基于 CC0 协议
