Генерация естественной речи в колл-центре 3CX, основанная на глубоком обучении

Введение

Зачастую нам нужно воспроизвести аудио-информацию, которая не была записана заранее, и извлекается из источника данных динамически: имя человека, название города, статус заказа и т.п. Особенно эта возможность востребована в колл-центрах и порталах самообслуживания.

Для этого лучше всего использовать технологию TTS (преобразование текста в речь), поскольку она динамически создает нужные аудиофайлы, а голосовое приложение, работающее на сервере 3CX, проигрывает их абоненту. Для генерации аудиофайлов используется определенный веб-сервис, после чего создается локальный WAV файл. Когда разговор с абонентом завершился, файл удаляется для освобождения места на диске.

Для данной возможности в 3CX следует зарегистрировать аккаунт на Amazon Web Services. 3CX использует веб-сервис TTS Amazon Polly. После изучения различных TTS сервисов, мы выяснили, что Amazon Polly обладает отличным качеством генерации, хорошим охватом языков ^[1], множеством разных голосов ^[2] и весьма доступной ценой. Также он бесплатен в течение первого года использования! С другой стороны, в будущем мы планируем добавить поддержку TTS и от других мировых производителей.

Обратите внимание — для работы TTS генерации необходимо использовать 3CX v15.5 SP2 и выше.

Среда разработки 3CX Call Flow Designer ^[3] получила новый тип аудио-сообщений Text to Speech Audio Prompt. Вы можете выбрать его в любом месте, где требуется проиграть сообщение, например, в компонентах Prompt Playback, Menu, User Input и других.

В этой статье мы расскажем, как создать аккаунт Amazon Web Services, включить Amazon Polly и начать использовать компонент Text to Speech Audio Prompt для генерации естественной речи в вашем колл-центре.

Обратите внимание — среда разработки 3CX CFD поставляется бесплатно. Но голосовые приложения будут выполняться только на 3CX редакции Pro и Enterprise ^[4]. Скачать CFD можно отсюда ^[5].      
 
Для вашего удобства, демо-проект этого голосового приложения поставляется вместе с дистрибутивом 3CX CFD и находится в папке Documents3CX Call Flow Designer Demos.

Создание аккаунт Amazon Web Services (AWS)

Перед началом работы с CFD приложением, создайте аккаунт Amazon Web Services. Для этого ознакомьтесь с руководством ^[6] от Amazon.

Создание служебного пользователя Identity and Access Management (IAM)

После создания AWS аккаунта, создайте пользователя, учетные данные которого наше голосовое приложение использует для доступа к AWS. Следуйте руководству ^[7] от Amazon. Укажите тип доступа Programmatic access. При настройки прав доступа выберите Attach existing policies directly, затем найдите и отметьте AmazonPollyFullAccess.

Затем перейдите в параметры пользователя в раздел Security credentials и кликните Create access key. Зафиксируйте Access key ID и Secret access key — эти данные потребуются при настройке TTS сервиса в голосовом приложении.

Внимание! Ознакомьтесь с ограничениями TTS Amazon Polly ^[8]. Эти ограничения не должны создавать проблем в большинстве CFD приложений, однако имейте их ввиду.

Создание проекта

Для создания проекта CFD перейдите в File → New → Project, укажите папку размещения проекта и его имя, например, TextToSpeechDemo.

Выделите проект в разделе Project Explorer. Рассмотрим параметры проекта (раздел Properties), которые необходимо указать для работы TTS:

• AmazonClientID — Access key ID, сгенерированный выше.
• AmazonClientSecret — Secret access key, сгенерированный выше.
• AmazonRegion — выберите географический регион AWS ^[9], ближайший к расположению сервера 3CX.

Эти параметры будут использоваться в любом сообщении типа Text To Speech Audio Prompt в этом проекте.

Добавление компонента Prompt Playback

Как было сказано ранее, обычно TTS используется для генерации речи из текста, полученного из базы данных или веб-сервиса. Но для упрощения нашего примера мы подготовим короткую фразу, добавим к ней переменную из нашего голосового приложения и преобразуем все это в речь. Мы определим переменную AccountBalance и установим ее значение в 100. Затем подготовим фразу: «Баланс вашего счёта 100 долларов».

Для добавления компонента Prompt Playback:

1. Переместите компонент Prompt Playback в окно разработки приложения (Main callflow). Выберите компонент и в разделе свойств переименуйте его в playPrompt.
2. Там же откройте Prompt Collection Editor, нажав кнопку возле свойства Prompts.
3. Нажмите Add для добавления нового в сообщении в коллекцию и измените тип сообщения на Text to Speech Audio Prompt.
4. Выберите голос, который вы хотите использовать. Список голосов отсортирован по языку. Голоса, доступные для Amazon Polly, перечислены здесь ^[2]. Если Amazon выпустит новый голос, не представленный в списке, вы можете начать использовать его, указав идентификатор из столбца Name/ID. Если вы хотите, чтобы определенный голос всегда был установлен в приложении по умолчанию, укажите его в меню 3CX CFD Tools > Options > Component Templates > Text To Speech. Для нашего примера будем использовать голос Joanna (English — US, Female).
5. Выберите тип текста: Text и SSML (Speech Synthesis Markup Language). Как правило, вы будете использовать Text. При этом значение свойства Text — обычный набор символов (plain text), и TTS сервис будет синтезировать его как есть. Если вы укажете тип SSML, значение свойства Text — XML файл в соответствии со спецификацией  SSML. SSML позволяет задавать различные параметры речи: произношение, громкость, скорость. Для дополнительной информации см. руководство Using SSML ^[10]. В нашем примере используется тип Text.
6. Укажите выражение для опции Text. В зависимости от типа текста, выбранного в предыдущем шаге, выражение должно вернуть простой текст для синтеза или XML данные, в соответствии с SSML спецификацией. Для нашего примера используем следующее выражение:

CONCATENATE("Your account balance is $",callflow$.AccountBalance)

Компиляция и установка приложения на сервер 3CX

Голосовое приложение готово! Теперь его следует скомпилировать и загрузить на сервер 3CX. Для этого:

1. Перейдите в меню Build > Build All, и CFD создаст файл PredictiveDialerDemo.tcxvoiceapp.
2. Перейдите в интерфейс управления 3CX, в раздел Очереди вызовов. Создайте новую Очередь вызовов, укажите название и добавочный номер Очереди, а затем установите опцию Голосовые приложения и загрузите скомпилированный файл.
3. Сохраните изменения в очереди. Выполните вызов на добавочный номер Очереди, чтобы протестировать приложение. Обратите внимание — при самом первом звонке в приложение, TTS генерация может быть выполнена с задержкой в несколько секунд. Это связано с процессом аутентификации и происходит только один раз.

Заключение

Обычно в синтезированной речи используется несколько статических сообщений, например, приветствие для пользователей или выбор опции меню, и несколько динамических —  например, баланс счёта. Желательно использовать TTS сервис Polly только для изменяемых данных — это позволит избежать дополнительных расходов на синтез повторяющихся фраз. С другой стороны, необходимо, чтобы все фразы были произнесены одинаковым голосом. Для этого лучше всего создать готовые голосовые файлы для статических фраз через консоль Amazon Polly ^[11] и загрузить их как WAV файлы в голосовое приложение. Используйте эти файлы в обычных сообщениях Audio File Prompt вместо повторяющейся динамической генерации.

В консоли Amazon Polly выберите ваш язык, регион, желаемый голос, введите нужный текст и нажмите Download MP3. Обратите внимание, 3CX использует звуковой формат WAV, Моно, 8.000 Гц, 16 бит. Поэтому после загрузки файла сконвертируйте его в поддерживаемый формат, как указано здесь ^[12].

Автор: Игорь Снежко

Источник ^[13]