Bola suara yang sebenarnya mengawal tapak: seni bina pembantu, bukan "Soalan Lazim bercakap"

Secara ringkas tentang perkara utama (BLUF)

Widget bercakap di tapak web bukanlah pembantu, tetapi mainan: ia bercakap tetapi tidak melakukan apa-apa. Bola suara kami benar-benar menjalankan tapak. Di dalamnya terdapat tiga lapisan seni bina, tiga garu yang kami pijak, ekonomi dialog dan cara untuk meletakkan bola yang sama di tapak web anda.

Pembantu suara di tapak web biasanya berakhir dengan salah satu daripada dua cara: sama ada bot sembang dengan pengecaman pertuturan dilampirkan, atau alih suara FAQ. Kami masukNeuralSpacepergi dari tugas songsang - untuk membuat suaracara utama untuk mengurus antara muka, dan bukan superstruktur atas teks. Di bawah ialah analisis seni bina dan keputusan yang perlu dibuat.

Tugasan

Pengguna membuka halaman penjanaan yang kompleks −video, gambar, muzik— di mana terdapat pilihan model, memuatkan rujukan, permintaan, parameter. Orang baru hilang. Orang ramai menutup onboarding klasik (lawatan dengan anak panah) pada langkah kedua. Kami mahu ia boleh dilakukan dengan mudahberkata dengan suara: "Saya mahu menghidupkan foto ini," dan pembantu itu sendiri menyerlahkan butang yang dikehendaki, menjelaskannya dan membawanya ke hasilnya.

Perbezaan utama daripada chatbot: orbmelihat keadaan halamanDanbertindak ke atasnya, dan bukannya membalas dengan teks "tekan butang X di suatu tempat di sana."

Seni bina: tiga lapisan

1. Saluran vokal.Pengecaman pertuturan penstriman → model → sintesis tindak balas. Keperluan adalah kependaman rendah dan keupayaanmenyampuk(tongkang masuk): pengguna mula bercakap - pembantu terdiam. Tanpa ini, dialog itu terasa seperti walkie-talkie dan bukannya perbualan.
2. otak.Kami sengaja mengasingkan "personaliti" pembantu daripada model bahasa tertentu: model dikonfigurasikan pada bahagian pelayan, jadi ia boleh diubah agar sesuai dengan tugas dan kos tanpa membangunkan semula bahagian hadapan. Pembantu menerima bukan sahaja respons pengguna, tetapi jugasyot kilat halaman semasa yang boleh dibaca mesin: elemen apa yang ada, butang apa, apa yang sudah dipilih.
3. Pelaksana pada klien.Model mengembalikan bukan sahaja teks, tetapi jugatindakan: elemen serlahkan, tatal ke blok, terangkan medan. Pelanggan melaksanakannya di atas DOM sebenar.

Tiga garu kami pijak

Perkara yang paling menarik bukanlah jalan bahagia, tetapi kegagalan. Kami menganalisis log dialog sebenar dan menghasilkan peraturan akar.

1. Halusinasi kemungkinan.Pembantu mencadangkan model yang tiada pada halaman semasa, atau mengelirukan model untuk gambar dengan model untuk video. Pengguna betul-betul marah: "tiada model sedemikian." Betulkan - jangan bergantung pada "pengetahuan dunia" model: pembantu boleh menamakan dan menukarhanya apa yang sebenarnya ada dalam petikan halaman semasa. Ini adalah masalah asas klasik - model mesti terikat dengan ketat dengan keadaan antara muka, jika tidak, ia akan berbohong dengan yakin.

2. Butang yang salah dinyalakan.Mereka meminta anda untuk menunjukkan "muat naik foto" - "Jana" diserlahkan. Sebabnya ialah pemetaan "niat → elemen" kabur. Penyelesaian: elemen menerima sauh semantik, dan pembantu mesti menyerlahkanbetul-betul yang itu, tentang yang dia bercakap, dan tidak berjiran dalam makna.

3. Ketaksuban.Model telah dipilih - pembantu masih cuba mengubahnya; pengguna bertanya "tulis sahaja permintaan" - dan dia berhujah. Peraturan: jika keadaan sudah sesuai atau pengguna secara jelas meminta untuk tidak menyentuh -jangan bertindak atau berdebat, segera lakukan apa yang diminta. Kurang inisiatif, lebih banyak pelaksanaan.

Kesimpulan yang akan kami berikan kepada sesiapa yang membina ejen di atas antara muka ialah:90% kualiti bukanlah model, tetapi asas dan disiplin tindakan. Model mesti melihat keadaan yang tepat dan tidak dibenarkan melampauinya.

Ekonomi dialog

Suara lebih mahal daripada teks, jadi Orb mempunyai tetingkap percuma, kemudian pembayaran dibuat semasa perbualan. Pengebilan terikat pada tempoh interaksi suara, bukan bilangan "mesej".

Bola yang sama ada di tapak web anda

Kami memperibadikan bola untuk diri kami sendiri, tetapi tugasnya adalah universal: mana-mana tapak dengan antara muka bukan remeh (konfigurator, akaun peribadi, borang kompleks, kedai dengan penapis) mendapat manfaat daripada panduan suara yang melihat halaman dan bertindak di atasnya. Oleh itu, kami memasukkannya ke dalam widget terbenam - cara ia dipasang dan perkara yang boleh dilakukan dibincangkan secara berasingan:ejen suara untuk mana-mana laman web.

Jika anda melakukan sesuatu yang serupa, adalah menarik untuk membandingkan pendekatan dengan pembumian dan tongkang masuk. Anda boleh mencuba orb secara langsung dineuralspace.pro.

Soalan lazim (FAQ)

Soalan: Bagaimana untuk mendapatkan hasil terbaik daripada rangkaian saraf?
Jawapan: Gunakan gesaan terperinci (huraian) dalam bahasa Inggeris, tetapkan gaya dan butiran adegan.

Soalan: Bolehkah bahan ini digunakan untuk tujuan komersial?
Jawapan: Ya, kandungan yang dihasilkan adalah milik anda sepenuhnya.