聲明，此項(xiàng)技術(shù)需要root支持，如果因?yàn)樗C(jī)導(dǎo)致手機(jī)變磚或其他不可預(yù)料的后果請(qǐng)自行解決。

場(chǎng)景

我有一個(gè)朋友他是做業(yè)務(wù)的，主要還是做電銷，其實(shí)電銷相對(duì)于以前紀(jì)念沒那么好做了（我自己覺得主要是互聯(lián)網(wǎng)沖擊，各個(gè)細(xì)分領(lǐng)域把對(duì)應(yīng)的流量分走了，于是電銷的轉(zhuǎn)化效果就打了折扣，不過電銷由于使用的真人發(fā)音，在在建立信任度方面，會(huì)比文字聊天或者機(jī)器人更加有優(yōu)勢(shì)）。

但是電銷的成本確實(shí)也在不斷提高，為了節(jié)約成本，大家都在想辦法，比如我這個(gè)朋友他就準(zhǔn)備用語音識(shí)別+真人錄制的方式做客服，因?yàn)樗臉I(yè)務(wù)本來就很單一，客戶問到的問題基本在他們的培訓(xùn)資料上都有標(biāo)準(zhǔn)回答，他們只需要按照這個(gè)標(biāo)準(zhǔn)回答回復(fù)即可，一方面他覺得枯燥乏味，另一方面，她希望能提高效率，擺脫這種困境。

針對(duì)這種場(chǎng)景，我覺得確實(shí)可以用自動(dòng)化來做，而且能大大節(jié)約成本，他們希望能把原來的硬件設(shè)備能用上，比如手機(jī)，sim卡等。在經(jīng)過認(rèn)真思考后，我給出了我的低成本的技術(shù)架構(gòu)。

業(yè)務(wù)分析?

首先，他們的手機(jī)是小米6的手機(jī)，對(duì)于他們業(yè)務(wù)員來說，其實(shí)并沒有要求用多好的手機(jī)，只要不卡，打電話夠用就行。二米6在二手市場(chǎng)上大量的存貨，價(jià)格基本也就是3，4百一臺(tái)的樣子。加上電話卡每個(gè)業(yè)務(wù)員的硬件成本并不高。主要的投入還是在龐大的業(yè)務(wù)人員薪資上。如果能夠?qū)崿F(xiàn)自動(dòng)化，在一定程度上能節(jié)省至少一半的業(yè)務(wù)員的支出。

他問我，最近不是出了個(gè)ChatGpt嗎，是不是可以用他來做人工客服，然后利用語音合成來做智能機(jī)器人。我給比較難，然后出了三點(diǎn)原因：

1. ChatGpt投入比較大，目前垂直領(lǐng)域的公司用ChatGpt接入到現(xiàn)有系統(tǒng)的公司基本都是大公司，他們利用自己的語料庫在原本的大模型上進(jìn)行訓(xùn)練。而訓(xùn)練大模型需要大量的算例，頭部公司的硬件投入就在幾十上百萬張v100。這對(duì)于一般小公司來講不切實(shí)際。而如果僅僅是對(duì)于原有模型進(jìn)行微調(diào)，需要用到的硬件成本也不會(huì)很低，包括訓(xùn)練工程師以及一個(gè)完整的團(tuán)隊(duì)。通常來講，這樣去做的都是本著做平臺(tái)去做的。
2. ChatGpt的大模型里面包含了眾多的語料數(shù)據(jù)，試想一下，你的智能客服本來是推廣產(chǎn)品的，但是和客戶聊著聊著變成了瞎聊，完全和業(yè)務(wù)不沾邊，這種情況肯定需要去規(guī)避，但是客戶可不是經(jīng)過專門訓(xùn)練的，他不知道應(yīng)該問那些問題，如果要分割這個(gè)大模型，這里面需要做的微調(diào)可就多了，不是一時(shí)半會(huì)能搞定的事情。
3. 前面說的是成本，在接入后，使用效果也未必能達(dá)到想要的效果?？赡芑吮葮I(yè)務(wù)員或者客服更多的錢，但是收效甚微，這就有點(diǎn)不劃算。綜合考慮，還是先用更容易施行的方案，等Gpt的服務(wù)成本下來后在考慮介入進(jìn)去。
   ?

解決方案

那怎么做呢？我是這樣架構(gòu)的：客戶通訊錄放在后臺(tái)，應(yīng)用端請(qǐng)求通訊錄數(shù)據(jù)到手機(jī)上，手機(jī)開始撥號(hào)，撥號(hào)出去后電話接通，通過檢測(cè)接通的信號(hào)開始播放預(yù)先錄制好的音頻流。當(dāng)客戶說話的時(shí)候停止播放音頻流，并將客戶過來的額音頻流推送到后臺(tái)服務(wù)器進(jìn)行識(shí)別處理，這種音頻識(shí)別技術(shù)在國內(nèi)已經(jīng)相當(dāng)成熟了，有配套的解決方案。轉(zhuǎn)化成文字后，對(duì)文字進(jìn)行關(guān)鍵詞檢索和匹配，匹配后利用關(guān)鍵詞去匹配預(yù)先錄制好的語料數(shù)據(jù)，將預(yù)料數(shù)據(jù)推送到客戶的電話端。

這種情況下我們并不需要太多的語料，基本上只要將培訓(xùn)時(shí)用到的語料都覆蓋，就可以解決7成以上的問題，但是由于我們并不是真人，因?yàn)橐矔?huì)遇到一些處理不了的情況，比如說客戶的發(fā)言并沒有識(shí)別到準(zhǔn)確的關(guān)鍵詞，或者觸發(fā)了特定關(guān)鍵詞：如人工客服，人工服務(wù)等。這個(gè)時(shí)候就需要業(yè)務(wù)員或者客服主動(dòng)介入處理。
?

即是說，相對(duì)于全人工的情況，上面只有在觸發(fā)需要人工的時(shí)候才會(huì)介入。但卻又在一開始讓客戶認(rèn)為是真人在聽他們講話而且不會(huì)對(duì)他們的發(fā)言做出消極回應(yīng)。

實(shí)際上，我給他算了一下這套方案的成本，主要是這套程序的開發(fā)，而這里面最大的技術(shù)難點(diǎn)在于手機(jī)在接通電話時(shí)候接入音頻并輸送到對(duì)方，同時(shí)錄制對(duì)方傳過來的聲音，以流的方式推送出去。而這套技術(shù)我們已經(jīng)實(shí)現(xiàn)了。剩下來的就是做關(guān)鍵詞的提取和匹配，以及語音識(shí)別等等。有一些系統(tǒng)甚至已經(jīng)介入了人工合成語音的機(jī)器人，但是效果不太理想，我覺得介入這個(gè)結(jié)束后，轉(zhuǎn)化率和效果會(huì)大大提高。