एक वॉइस ऑर्ब जो वास्तव में साइट को नियंत्रित करता है: एक सहायक की वास्तुकला, न कि "टॉकिंग एफएक्यू"
मुख्य बात के बारे में संक्षेप में (BLUF)
किसी वेबसाइट पर बात करने वाला विजेट एक सहायक नहीं है, बल्कि एक खिलौना है: यह बात करता है लेकिन कुछ नहीं करता है। हमारा वॉयस ऑर्ब वास्तव में साइट चलाता है। अंदर वास्तुकला की तीन परतें हैं, तीन रेक जिन पर हमने कदम रखा, संवाद की अर्थव्यवस्था और उसी ओर्ब को अपनी वेबसाइट पर रखने का एक तरीका।
वेबसाइटों पर वॉयस असिस्टेंट आमतौर पर दो तरीकों में से एक में समाप्त होते हैं: या तो यह वाक् पहचान संलग्न एक चैटबॉट है, या यह एक एफएक्यू वॉयसओवर है। में हम हैं NeuralSpace उल्टे काम से चला गया - आवाज़ निकालना इंटरफ़ेस को प्रबंधित करने का मुख्य तरीका, और पाठ के ऊपर कोई अधिरचना नहीं। नीचे वास्तुकला और किए जाने वाले निर्णयों का विश्लेषण दिया गया है।
काम
उपयोगकर्ता एक जटिल पीढ़ी पृष्ठ खोलता है - वीडियो, चित्र, संगीत - जहां मॉडल का विकल्प है, एक संदर्भ, एक अनुरोध, पैरामीटर लोड करना है। नवागंतुक खो गया है. लोग दूसरे चरण में क्लासिक ऑनबोर्डिंग (तीरों के साथ दौरा) बंद कर देते हैं। हम चाहते थे कि यह आसानी से संभव हो सके आवाज से कहो: "मैं इस फोटो को जीवंत बनाना चाहता हूं," और सहायक ने स्वयं वांछित बटन को हाइलाइट किया, उसे समझाया और परिणाम पर लाया।
चैटबॉट से मुख्य अंतर: ओर्ब पृष्ठ स्थिति देखता है और उस पर कार्य करता है, पाठ के साथ जवाब देने के बजाय "वहां कहीं एक्स बटन दबाएं।"
वास्तुकला: तीन परतें
- वोकल ट्रैक्ट। स्ट्रीमिंग वाक् पहचान → मॉडल → प्रतिक्रिया संश्लेषण। आवश्यकता कम विलंबता और क्षमता की है रुकावट डालना (बार्ज-इन): उपयोगकर्ता बात करना शुरू करता है - सहायक चुप हो जाता है। इसके बिना संवाद बातचीत के बजाय वॉकी-टॉकी जैसा लगता है।
- दिमाग। हमने जानबूझकर सहायक के "व्यक्तित्व" को एक विशिष्ट भाषा मॉडल से अलग कर दिया है: मॉडल को सर्वर साइड पर कॉन्फ़िगर किया गया है, इसलिए इसे फ्रंट एंड को फिर से विकसित किए बिना कार्य और लागत के अनुरूप बदला जा सकता है। सहायक को न केवल उपयोगकर्ता की प्रतिक्रिया प्राप्त होती है, बल्कि यह भी प्राप्त होता है वर्तमान पृष्ठ का मशीन-पठनीय स्नैपशॉट: वहां कौन से तत्व हैं, कौन से बटन हैं, क्या पहले से ही चयनित है।
- ग्राहक पर निष्पादक. मॉडल न केवल टेक्स्ट लौटाता है, बल्कि यह भी लौटाता है कार्रवाई: तत्व को हाइलाइट करें, ब्लॉक करने के लिए स्क्रॉल करें, फ़ील्ड को समझाएं। क्लाइंट उन्हें वास्तविक DOM के शीर्ष पर निष्पादित करता है।
हमने तीन रेक पर कदम रखा
सबसे दिलचस्प बात ख़ुशी का रास्ता नहीं, बल्कि असफलताएँ हैं। हमने वास्तविक संवादों के लॉग का विश्लेषण किया और मूल नियम लेकर आए।
1. संभावनाओं का मतिभ्रम. सहायक ने ऐसे मॉडल सुझाए जो वर्तमान पृष्ठ पर नहीं थे, या चित्रों के मॉडल को वीडियो के मॉडल के साथ भ्रमित कर दिया। उपयोगकर्ता का गुस्सा सही है: "ऐसा कोई मॉडल नहीं है।" ठीक करें - मॉडल के "दुनिया के ज्ञान" पर भरोसा न करें: सहायक नाम और स्विच कर सकता है केवल वर्तमान पृष्ठ के स्नैपशॉट में वास्तव में क्या है. यह एक क्लासिक ग्राउंडिंग समस्या है - मॉडल को इंटरफ़ेस की स्थिति से सख्ती से जुड़ा होना चाहिए, अन्यथा यह आत्मविश्वास से झूठ बोलेगा।
2. गलत बटन प्रकाशित हो गया है। वे आपसे "फोटो अपलोड करें" दिखाने के लिए कहते हैं - "जनरेट करें" हाइलाइट किया गया है। इसका कारण अस्पष्ट "इरादा → तत्व" मैपिंग है। समाधान: तत्वों को सिमेंटिक एंकर प्राप्त होते हैं, और सहायक को हाइलाइट करना चाहिए बिलकुल वही, जिसके बारे में वह बोलता है, और अर्थ में पड़ोसी नहीं।
3. जुनूनीपन. मॉडल पहले ही चुना जा चुका है - सहायक अभी भी इसे बदलने का प्रयास करता है; उपयोगकर्ता पूछता है "बस एक अनुरोध लिखें" - और वह तर्क देता है। नियम: यदि स्थिति पहले से ही उपयुक्त है या उपयोगकर्ता स्पष्ट रूप से स्पर्श न करने के लिए कहता है - कार्य या बहस न करें, जो कहा जाए उसे तुरंत करें। कम पहल, अधिक क्रियान्वयन।
इंटरफ़ेस के शीर्ष पर एजेंट बनाने वाले किसी भी व्यक्ति को हम जो निष्कर्ष देंगे वह यह है: 90% गुणवत्ता कोई मॉडल नहीं है, बल्कि कार्रवाई की ग्राउंडिंग और अनुशासन है. मॉडल को सटीक स्थिति देखनी चाहिए और इससे आगे जाने की अनुमति नहीं है।
संवाद का अर्थशास्त्र
आवाज पाठ की तुलना में अधिक महंगी है, इसलिए ओर्ब के पास एक मुफ्त विंडो है, फिर बातचीत पर भुगतान किया जाता है। बिलिंग ध्वनि इंटरैक्शन की अवधि से जुड़ी है, न कि "संदेशों" की संख्या से।
वही गोला आपकी वेबसाइट पर है
हमने ऑर्ब को अपने लिए अनुकूलित किया है, लेकिन कार्य सार्वभौमिक है: गैर-तुच्छ इंटरफ़ेस (कॉन्फ़िगरेटर, व्यक्तिगत खाता, जटिल रूप, फ़िल्टर के साथ स्टोर) वाली कोई भी साइट एक वॉयस गाइड से लाभान्वित होती है जो पृष्ठ को देखती है और उस पर कार्य करती है। इसलिए, हम इसे एक एम्बेडेड विजेट में डालते हैं - यह कैसे स्थापित किया जाता है और यह क्या कर सकता है, इस पर अलग से चर्चा की गई है: किसी भी वेबसाइट के लिए वॉयस एजेंट.
यदि आप भी कुछ ऐसा ही कर रहे हैं, तो ग्राउंडिंग और बार्ज-इन के तरीकों की तुलना करना दिलचस्प है। आप ओर्ब लाइव को आज़मा सकते हैं न्यूरलस्पेस.प्रो.
अक्सर पूछे जाने वाले प्रश्न (FAQ)
प्रश्न: तंत्रिका नेटवर्क से सर्वोत्तम परिणाम कैसे प्राप्त करें?
उत्तर: अंग्रेजी में विस्तृत संकेतों (विवरण) का उपयोग करें, दृश्य की शैली और विवरण निर्धारित करें।
प्रश्न: क्या इन सामग्रियों का उपयोग व्यावसायिक उद्देश्यों के लिए किया जा सकता है?
उत्तर: हाँ, उत्पन्न सामग्री पूरी तरह से आपकी है।