机器人笔记

机器人笔记播放记录查询方法

一、序言随着人工智能技术的发展，近半年来涌现了大量基于人工智能的呼叫中心业务服务商和集成商。

仅电销机器人这一个方向就至少有近百家公司正在推广运营，包括百度、讯飞、智齿、硅基、百应、箭鱼、容联等。

商务上的需求非常强烈，整个市场都飞快地热闹起来。

一套可提供saas服务的智能外呼系统，看起来功能并不复杂。

一个网站可注册、充值缴费开票，登录后在后台页面选择或者定制外呼话术脚本，新建外呼任务并导入外呼号码列表，明确外呼策略（时间段、重呼次数），设置外呼机器人数量（同时拨出几个号码），点击开始。

任务完成后，可以查看外呼结果列表。

在发起外呼任务时，saas平台是把外呼请求发给了呼叫中心设备经由运营商线路而拨出去的。

AI能力：包含语音识别、语音合成、语义理解。

saas服务平台：即用户可以注册、登录、缴费、上传呼叫列表、发起外呼任务、外呼结果查看的网站，这个是终端用户唯一可以看得到的前端界面。

简单关系示意图如下：上图中四个主要模块，其中一些难以自研，只能选择供应商： AI能力部分（中文ASR/TTS）基本已经格局稳定，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合作，一方面外呼应用在催收场景时容易被封号，同时话费再便宜也好几分钱一分钟，也是重要的成本。

呼叫中心设备，因为涉及不少接口对接调试，优先选自己熟悉的，其次选便宜的且技术资料多的。

最后是外呼saas平台，可能这是各个电销机器人服务商/集成商最容易实现自研的部分。

明确了涉及到的技术和资源之后，再明确一下建设步骤。

由于各个厂商都有各自的资源和能力，建设方式也各不相同，简单来说可以分成以下几类： 有运营商资源的，等着别人找上门来就行了。

呼叫中心厂商，必然有已长期合作的运营商线路资源，手里也有呼叫中心设备+职场，也有技术人员。

于是就选择自研saas平台，然后找AI能力厂商合作提供ASR/TTS/NLU。

AI能力厂商，尤其以NLU起家的在线客服类厂商，通常会选择接入百度/讯飞的语音能力，然后去找呼叫中心类厂商合作。

啥都没有，只有几个技术人员的，选择自研saas平台，接入呼叫中心设备、AI能力、运营商资源。

作为初学者，为了自行从零开始搭建一套对外可以提供saas服务的智能外呼系统，身份必然是第四种，啥都没有，啥都要干。

以上这四部分，核心角色是呼叫中心。

AI只是插上了想象力的翅膀，但是没这翅膀，呼叫中心还是呼叫中心，但是AI就只是空中楼阁了。

业务明确可落地的呼叫中心才是想象力的基石，这一点与CV和安防的关系很像。

按了0，然后听到录音，“排队中，请稍后”。

流程：A→PSTN→PBX→IVR→ACD→B解释：PBX是Private Branch Exchange，用户级交换机，这是企业内部的局端用户级交换机，整个呼叫中心的出入口设备。

PSTN到PBX之间是中继（分成模拟中继、数字中继、IP中继），这是将通讯公司的局端交换机与企业内部的用户级交换机（PBX）相连的通讯线路。

IVR是Interactive Voice Response，互动/交互式语音应答，我们把它叫语音导航。

实现的是类似拨打10086后听到录音说，xx业务请按x，这个环节。

主要用途是根据业务分流来电，进入对应的排队机。

然后很快接通，“您好，这是B0026号机器人，有什么可以帮您？”个人A说，“我不想跟机器人说话，泥奏凯~”然后听到录音，“为您转接很贵的真人客服，排队中，请稍后”。

流程：A→PSTN→PBX→IVR（→ASR→NLU）→ACD（→ASR→NLU→DM→NLG→TTS）→ACD→B解释：现在智能的部分，也就是我们说的语音机器人的部分，分别在IVR和虚拟坐席处体现。

IVR部分，不再需要提示按键，而是直接问来电方需要办理什么业务，然后识别语音、理解意图后，进入对应的业务队列排队。

排队后可以等待真人客服接待，也可以由机器人先行接待。

机器人（实际是服务器资源）资源空闲时，直接接待，进行语音对话，对话过程就是语音识别、语义理解、语音合成的多次调用，部分业务涉及业务数据接口对接调用，比如查询话费、积分。

并可以根据需求自动或者选择转人工，再次进入排队，等候真人客服接待。

其中IVR部分示意图如下：2. 集成实施上面提到的全部流程中，PBX、IVR、ACD等部分基本都是由我们说的呼叫中心设备商提供，产品有三种类型:板卡式、交换机式、VoIP形式。

交换机式比较适合大型职场，例如三五百人以上，硬件价格五位数。

板卡式适合中小型职场，比如几十人到两三百人，硬件价格四位数。

选择板卡之前，先要确定选用哪种中继线路，比如：使用常规的数字中继，那么就需要选择数字板卡，这个找板卡的供应商问就行了。

四、AI能力对接在具体落地中，这个领域的常规参与者通常具备呼叫中心能力或者AI能力其中一种，而主要的对接点也就在于AI能力与呼叫中心设备去对接，而ASR/TTS与呼叫中心设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，用于语音服务器向客户端提供各种语音服务(如语音识别和语音合成)。

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。

实际对接的时候，会遇到不少技术问题，有的呼叫中心厂商会要求ASR/TTS引擎做私有云部署，这样避免了内外网穿透时防火墙的诸多设置和语音流的时延。

这对基于语义起家（并购买语音能力）的公司是一个小小的难题。

1. 语音识别现有技术中实现一次性语音识别典型的流程时序，具体包括一下步骤： MRCP Client发送INVITE消息给MRCP Server请求建立会话，携带MRCP Client侧的SDP；MRCP Server回复200表示请求已经成功接受处理，携带MRCP Server侧的SDP；MRCP Client随后发送ACK消息证实200消息已经收到，至此一个SIP会话成功建立；MRCP Client发送RECOGNIZE消息给MRCP Server请求语音识别，按照MRCP协议规定的格式携带相关的语音识别控制参数，并且指定语法文件路径；MRCP Server接收RECOGNIZE请求，编译语法文件，回复200消息给MRCP Client；MRCP Client此时开始根据之前协商好的SDP，开始源源不断的发送RTP语音流给MRCP Server；MRCP Server接收RTP语音流，当检测到用户开始说话时，发送START-OF-INPUT事件；当MRCP Server根据语法文件定义得到识别结果时，通过RECOGNITION-COMPLETE事件返回识别结果；MRCP Client发送BYE消息给MRCP Server结束会话；MRCP Server发送200消息给MRCP Client确认结束；MRCP Client通过上述流程获得MRCP Server提供的一次完整语音识别能力。

2. 语音合成实现语音合成典型的流程时序，具体包括一下部分： SPEAK:向服务器端提供文本,启动语音合成（c→s）。

STOP:如果服务器正在语音合成资源,则停止语音合成与语音流（c→s）。

PAUSE:通知服务器资源暂停语音合成与语音流（c→s）。

RESUME:通知暂停的语音合成资源继续进行语音合成与语音流（c→s）。

CONTROL:更改语音合成资源相关参数,从而影响合成的语音流（c→s）。

SPEAK-COMPLETE: SPEAK请求已经成功处理（s→c）。

SPEECH-MARKER:服务器正在处理语音标签时,遇到请求消息头字段 Speech Marker中标记的tag（s→c）。

BARGE-IN-OCCURRED:客户端检测到barg-in-able事件或DTMF数字时,发送该消息通知服务器（c→s）。

现在主流厂商为了使通话效果尽可能模拟真人外呼，除了涉及业务接口调用的数据查询使用了TTS，基本采取整句录音的方式。

3. NLU部分准确来说，一个简单的对话机器人系统框图，包括语音识别（ASR）、语音合成（TTS）、自然语言理解（NLU）、对话管理（DM）、自然语言生成（NLG）几个模块组成。

而这一部分就是智能外呼系统的主流玩家——NLU类（智能客服）厂商的强项了。

对于呼叫中心从业者来说，ASR/TTS/NLU如同黑盒一般，只暴露出接口。

而国内语音能力的供应商，要么很土豪，少量QPS不要钱，要么就是非常标准的报价五位数一条线路/年，实在也没有太多可以选择的余地。

对于只有NLU能力的厂商来说局面也是一样，除了需要接入ASR/TTS的能力，还需要去寻找可以合作的呼叫中心，并且想办法拿到尽可能低的话费报价。

五、行业现状经过一些调研和竞品分析，行业内虽然有至少近百家公司在推广和运营电销机器人，但毫不客气地说，大部分都不及格。

对各类基础能力只有含糊其辞的描述，没有录音、演示、试用途径。

二星级 ★★ 有录音可以试听，但明显可以听出来，部分是真人直接对话录音，而并非机器人与真人的通话录音。

部分若干家公司用于试听播放的录音文件完全一致，不知道谁抄谁的。

三星级 ★★★ 有录音可以试听，甚至也有演示视频。

录音可能仍有作假嫌疑，演示视频部分能感觉出来是按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录音。

四星级 ★★★★ 支持NLG（Natural Language Generation），支持字段调用，支持TTS合成与录音无缝衔接。

但由于TTS调用的是某几个大厂的api，而录音多数为自己根据业务需求去录的，会出现衔接生硬的问题。

解决方案是直接全文TTS，或者选择与TTS音色相接近的播音员进行录制。

对打断的处理有待优化，要么不支持打断，要么打断后处理方式粗糙（如重播、多次打断后多次直接播放对应录音）。

语义理解能力相对较弱，但配合相对完善的话术策略，可以保持相对可接受的兜底。

五星级 ★★★★★ 支持对话中识别关键词打断。

如介绍推销信息时被打断问价格，则直接停下并立刻回复价格信息。

报价模式不局限于“线路xxxxx元/年，话费0.xx元/分，话术脚本xxxx/个”的模式。

如纯录音外呼机器人0.xx元/分，含NLG的外呼机器人x.xx元/分。

除了根据业务场景定制话术脚本之外，基于已有的积累（如呼叫中心金牌电销的通话记录等）形成特定行业的金牌话术模板，只需要填入特殊字段信息即可使用。

语义层面，支持跨节点/返回节点问答（比如：先回答说我不是本人，进入到下一个节点后，客户再说一次我是本人，系统仍能处理）。

外呼结果分析，目前阶段通常机器人外呼只用来做第一轮初筛，需要对通话内容进行语义判断，按需分析是否需要第二轮人工跟进。

通话中转人工，是否允许在机器人外呼过程中被动或主动转人工，这一项在实现时接近于IVR部分机器人应答+转人工的模式，在流程设计和资源配置上相对有难度。

六、商业落地商务模式比较简单粗暴，粗略的成本核算如下： 首先运营商的通讯资源，几分钱一分钟的话费成本，以及平均下来一千左右一路的中继线路费用。

其次是呼叫中心厂商的服务器、带宽、呼叫中心设备license/运维等成本。

再次是AI能力的使用费，比如：讯飞公开报价2w每线路每年。

最后是外呼saas平台的建设和运维成本。

那么电销机器人厂商，竞争这么激烈，谁才会笑到最后呢？一是要有价格相对低廉的运营商资源和语音能力资源，这样可以明确的报出一个行业内相对较低的价格。

比如：完全不按照主流友商们1-3w/线/年的报价方式，直接来几毛钱一分钟随便打，随打随充。

二是呼叫中心资源方，最好是带客进场，别从0开始找客户，直接把现有的呼叫中心B端客户转化一部分成为机器人电销客户。

三是语义的能力，尤其是话术模板的设计能力。

这一块儿很容易被忽视，但是这反而也是产品经理可以出成绩的地方。

一般来说可以拿呼叫中心多年积累的语料去分析一套最佳话术模板（堪比金牌销售的万能对话体系），然后做ABtest也好。

这一块儿虽然很细，但是反复迭代之后可以以一敌万，甚至达到现在各类智能音箱背后核心系统一样的地位。

四是外呼saas平台。

这部分是web类产品经理的天下了，具体功能点就不详细列举了，友商们的网页和后台过一遍，基本好坏也能判断出来了。

还不如干干脆脆给个可设置变量的场景化标准模板（金牌话术模板由产品经理提供），外呼试用效果好，客户更容易买单。

“NLU+CallCenter”就像这几年“CV+安防”的结合一样，也会如商汤科技联合创始人林达华所说：“中间也存在风险：一边是从应用端往前走，一边是从技术端往后走，大家都想占领技术上的制高点。

这需要大家建立一种信任和共赢机制，只有这样合作才能长久”。

AI虽然火热受追捧，但具体项目落地并被市场认可和买单并不是那么容易。

作为入行并不久的初学者，尝试借以此文抽丝剥茧梳理了从0开始搭建智能外呼系统的全流程，才疏学浅囿于见闻，疏漏和不当之处在所难免，权当抛砖引玉。

诸多细节限于主题和篇幅不做详述，如有任何问题，欢迎随时交流。

题图来自 Pixabay，基于 CC0 协议。