58同城智能语音质检系统架构实践
导语
在58同城生活服务平台上，语音是用户间的重要沟通手段，智能语音质检系统接入呼叫中心实时电话录音，将语音转化成文本，并利用自然语言处理（NLP）技术对文本进行挖掘分析，有效地提升了呼叫中心坐席服务质量。
背景
智能语音质检一般采用机器质检与人工复检相结合的方式，会覆盖客户和坐席的每一句话，可以很好地辅助提升人工坐席的服务质量，智能语音质检相比传统语音质检具有以下优势:
目前58同城呼叫中心每年有上亿通电话，为了能够实现海量电话录音全量自动化质检，TEG技术工程平台群AI Lab自研了智能语音质检系统，它是利用语音识别、自然语言处理、大数据技术构建起来的质检管理系统，集成了数据收集、存储、质检、分析等功能。58智能语音质检系统的工作流程是：首先收集话务中心话务数据，其次利用语音识别技术将录音转成文本，然后利用自然语言处理技术与深度学习技术对文本进行分析处理，最终将质检的结果在Web管理平台上展示，由质检人员进行人工复检。
整体架构
语音质检架构包括基础能力层、数据层、 逻辑层、编辑运营层和Web管理层，如下图所示:
基础层为语音质检提供了基础的语义分析能力，由NLP自然语言处理模块和ASR语音识别模块组成。NLP模块主要功能包含分词、文本聚类、文本分类、关键词提取、实体提取等。ASR语音识别模块集成封装了第三方语音识别接口，用于语音转文本、角色分离。
数据层提供了数据接入能力，接入了Kafka、WMB（58自研消息总线）实时话务数据，并提供了质检话务数据接口服务，实现对实时录音数据、离线语音数据的多种数据格式质检、存储支持。
逻辑层是语音质检的核心部分，实现了从音频数据到坐席客户对话文本、质检标签识别的全部流程，包括角色识别、语义标签、语音评分、质检结果通知等模块。其中角色识别实现了两个对话角色的识别: 谁是坐席，谁是客户。语义标签模块使用机器学习和深度学习技术，通过语义分析检测出预定义质检标签，如“客户表示不需要”、“销售辱骂客户”等。
编辑运营层是一套集数据标注、效果评估、数据分析功能于一体的Web系统。编辑人员通过质检Web平台完成质检标签、角色识别等的标注工作，并定期进行数据分析和效果评测。
WEB管理层即提供了人工复检功能的支持，包括机检数据概览、质检任务分配、人工复检、统计等模块。
语音识别
语音识别（Automatic Speech Recognition）ASR是一种将语音转换成文本的技术，对于双声道的录音，客户和坐席的声音在不同的声道，因此可以很容易地将通话双方的说话内容分开并转写成文本，对于单声道录音（我们的质检录音绝大多数都是单声道），客户和坐席的声音混在一起，将语音转写成文本之前，我们还需要进行语音分离，将双方的说话内容在语音粒度上分开。语音分离的效果直接影响到后续的质检结果，假如误把客户的说话内容判别为坐席的说话内容，必然会降低质检的效果。
衡量语音分离的通用指标是分离错误率（Diarization Error Rate）DER，它指的是语音总时长中识别错误的语音时长所占的比重，DER越小说明分离的效果越好。为了进行说话人分离，我们首先使用语音活动检测(Voice Activity Detection) VAD识别出空白音，然后将断开的非空白音聚成两类，以此完成说话人分离，最后将分离的语音片段转写成文本。
角色识别
对单声道的语音，我们将分离的语音片段识别成文本后，还需要进行角色识别，语音分离只是识别出哪些说话内容属于A，哪些属于B，还需要依靠角色识别来判断A和B哪个是坐席，哪个是客户。
角色识别服务分两步进行，首先会使用性别识别模型判断说话人双方是否是异性，如果是异性，通过数据库查询坐席的性别进行角色的判定。如果无法确定双方为异性，则会进行通用角色识别。
性别识别模型目前采用VGGish+Bi-lstm+attention，首先提取音频的FBank特征作为VGGish模型的输入，得到一个128维的embedding，然后将embedding作为Bi-lstm+attention的输入预测音频的说话人性别。
通用角色识别的流程如下：获取A和B的说话内容之后，使用TextCNN提取句子语义，并使用nGram提取具有角色代表性的关键词对A和B两个集合进行打分，初步判别A和B的角色，初步判别之后可能还会有部分语句的角色是错的（由于语音分离不完全准确造成），比如“有什么还可以帮您的吗？”明显是坐席说的话，但是却被分成了客户的角色，因此第二步我们会使用Transformer对部分带有明显角色倾向的单句进行角色纠正。
角色识别最终取得了较好的结果，在整体的业务数据上，角色识别的准确率达到了85%。
销售常规质检针对所有业务线的销售录音，包括“过度承诺”、“工作作假”、 “销售辱骂客户”等标签，销售常规质检对于监督销售工作、规范销售行为起到了重要作用。
客服质检针对的是客服录音，目标是检测出通话中客服不文明或者不合规的行为，客服质检对于提升客服的服务质量有重要作用。比如招聘业务线新户客服的工作是告知新会员需要注意的事项，包括“安全提示”，“号码保护”和“客户热线”等标签，语音质检系统会给出新户首通客服录音包含的所有标签，并对本次通话给出一个评分。
质检标签识别是一个复杂同时又具有挑战的问题，需要考虑业务，语气和上下文等因素，同时还要避免语音识别错误带来的影响。我们采用了TextCNN，Transformer和Bert等深度学习模型，同时基于对业务的理解使用了相应的规则进行标签识别。
在我们尝试的所有深度模型中，Bert预训练模型取得了阶段性最好的效果，但是Bert的预训练数据和我们的业务数据分布不同，我们业务数据是ASR转写的文本，具有较强的领域特征，同时存在较多的口语化表达和转写错误，为了进一步提升识别的效果，我们使用海量的业务文本重新预训练了Bert模型，最终我们预训练的Bert模型取得了最好的效果。当前销售质检准确率达到了90%，客服质检准确率达到了87%。
复检系统
后端架构设计
语音质检接入了呼叫中心的实时话务消息队列，以实现对坐席电话的实时质检功能，此外还额外提供了话务数据接口服务，实现对离线数据的提交质检。
语音质检后台系统由数据服务、主体服务、ASR服务、ASR回调服务、说话人识别服务、质检标签服务等多个微服务组成。
数据服务负责实现对多种数据源的接入，补全客户以及坐席组织架构信息，并实现对存于话务系统中原始录音文件的WOS转存功能。主体服务贯穿整个质检过程，负责控制整个数据流：调用日晷平台获取ABTest实验配置，向ASR服务发起转写请求，调用说话人识别服务、质检标签服务获取角色识别结果以及质检标签，向质检员发送违规通知、向其他内部系统同步质检结果等。
语音转写算法模型耗时较长，故对第三方服务的封装采用异步调用的方式：由ASR服务负责对HTTP提交任务接口的封装，对内提供一个SCF接口，并设立回调HTTP服务接收ASR转写结果转存WTable，并使用WMB向主体服务发送质检回调请求。
说话人识别以及质检语音标签分析依赖的模型经离线训练后部署在WPAI中，此外WPAI提供了算法模型在线预测服务，供说话人识别服务、质检语义标签服务在线调用，质检结果由主体服务统一存储到MySQL中。
在将录音转写成文本、给每通录音打上质检标签后，为便于质检员实时复检操作，我们构建了智能质检Web平台，平台提供机检标签查询、人工复检、录音文本查看、录音调听、统计报表汇总等功能。Web系统涉及大量的标签查询以及统计功能，单一的SQL查询难以满足性能指标，对此我们引入了58自研的58云搜（WCS）搜索私有云平台，将质检结果数据实时同步至WCS中，Web查询由WCS统一承载，目前在千万级数据接口查询速度约为20ms。
总结
本文介绍了智能语音质检系统的架构设计，包括整体架构、语音识别、角色识别、质检标签识别、复检系统等。
目前智能语音质检系统已稳定接入58同城呼叫中心销售、客服全量录音，涉及13个业务，日均质检电话录音数十万通，其中客服录音质检场景折合节省人力近千人，提高了呼叫中心人效和服务质量。
作为智能语音分析平台的一个子系统，智能语音质检中的技术也可以应用于C2B平台语音分析场景，58同城作为平台方为商家以及客户搭建了方便快捷的沟通途经，对于C端客户与B端商家的语音，可提供如低质通话过滤、客户需求挖掘分析等多种业务能力。C2B的语音一般是双声道，不需要做语音分离和角色识别，可以很好地区分客户和商家说话内容，因此具有更好的分析效果。
（搬家场景下C端客户可给B端商家拨打电话）
陈璐，58集团AI Lab高级算法工程师，2018年9月加入58，最初从事智能客服QABot问答机器人算法开发相关工作，目前主要负责58智能质检的算法开发工作。2016年毕业于北京邮电大学，曾就职京东从事推荐后台开发，NLP算法开发。
刘晟源，58集团AI Lab，后端资深开发工程师，2019年1月加入58，目前主要负责智能语音分析云平台开发相关工作。2015年硕士毕业于中国科学院大学，曾就职与航天科技，创业公司从事后台开发。
转发本篇文章到朋友圈集赞，按照点赞数从高到低排序（点赞数需大于等于58）前三名可获得以下福利：
第一名：价值100元的京东E卡；
第二名：价值50元的京东E卡；
第三名：价值50元的京东E卡。
参与活动请添加“58技术小助手”微信号（jishu-58），并于8月5日下午三点前将点赞截图发送给小助手，获奖情况将于8月5日下午六点在58技术公众号平台公布。