CrystalSound の内側：ノイズの多い通話をリアルタイムで整える方法

コンタクトセンターの価値が失われる場所は、いつも同じです。音声です。キーボードの打鍵音、二つ隣の席の同僚の声、在宅勤務のオペレーターの窓の外を走る車。そのひとつひとつが、文字起こし・感情分析・そして通話を読み取るすべての下流モデルの精度を削っていきます。

CrystalSound はその答えです。スタックの最前段に位置し、オペレーターにも顧客にも気づかれない処理時間のなかで、クリーンな音声を返します。

オフラインでのノイズ抑制はすでに解かれた問題です。難しいのは、通話中に 20 ミリ秒未満でそれを行うことです。

すべての設計判断を決めるのは遅延です。0.5 秒先を見るモデルは美しい出力を生みますが、会話としては成立しません。私たちのモデルが見られる未来の音声はごく短い窓に限られ、そのためオフラインのベンチマーク上位を占めるアーキテクチャの多くは採用できません。

目指したのはノイズ除去ベンチマークでの最高スコアではありません。実際の通話において、誰も文句を言わない遅延のまま、文字起こしモデルが到達できる最高の単語精度でした。

そこで、本当に重要な指標に対して最適化しました。SN 比を単独で調整するのではなく、文字起こしモデルを含めたエンドツーエンドの単語誤り率を、スタジオ録音ではなく実際のキューの録音で計測したのです。

まとめ

音声強調は、その音の良さではなく、それが何を可能にするかで評価されたときに価値を持ちます。単語誤り率を 1 ポイント下げるごとに、要約・振り分け・スコアリングの品質がそのまま向上します。

CrystalSound は現在、ベトナムと日本の銀行・保険のキューで稼働しています。次の一歩は、同じモデルをオペレーターの端末上で動かし、ノイズがネットワークに届く前に取り除くことです。