一、傳統語音質檢存在的問題

1、人工質檢抽樣比覆蓋不足：集團的業務的迅猛發展，業務量的增加，導致質檢人員缺口增加，質檢抽樣比度則會大大下降。

2、人工質檢完成速度存在局限性：比如：熟練質檢員每日可以完成40-50通電話的質檢工作，而新質檢員則只能完成20-30通;質檢的滯后性。

3、人工質檢存在人為判斷誤差：情緒波動、工作疲勞或者人情等因素的影響;對于質檢人員，由于崗位限制更多的關注公平公正，而非對企業有價值部分需求挖掘。

4、人工質檢結果無法歸類分析：現有的質檢結果信息較單一，無法做分類匯總或者做類別交叉分析，也無法進行最根本原因分析。最終也無法形成相對比較正式規劃的數據報表。

二、智能語音分析的實現

1、語音轉寫

基于非特定人的、連續自然語音的識別。可針對客服領域錄音、及特定業務進行優化，實現通話內容自動轉寫成文字。

將分離后的語音通過聲學模型轉換為對應的漢語音標符號，音標信息再通過超大詞匯網絡的語言模型識別出最終對應的文本內容。

根據地方口音及說法特點，通過大量語料訓練，不斷優化聲學模型及語言模型。

結合業務知識和服務范圍，優化關注業務的識別效果，修正語音轉寫結果。

2、關鍵詞檢出

通過分析指定語音段，檢測到指定關鍵詞，并返回該關鍵詞所在整條語音中的位置。

? 流程規范檢查：對錄音中的關鍵詞順序進行分析，檢查客服人員是否按照流程規定的順序說出合理話樹，關鍵詞是否完備

? 服務忌語檢查：檢查客服人員對話中是否包含服務忌語。

3、話者分離

是指在用戶與坐席人員的語音交互錄音文件中，將“用戶”語音和“坐席人員”的語音進行分離，提供針對性分析應用基礎。

4、情緒檢測

情緒檢測，能夠將客服領域通話錄音中的異常情緒檢測出來，得到包含發音人情緒異常的數據列表，給出對應的異常產生位置及可信度。