Vad är backchanneling?

Backchanneling är den lingvistiska termen för de små bekräftelser en lyssnare ger medan en annan person pratar – ”mm-hmm”, ”ja”, ”precis”, ”jag förstår”, ”fortsätt”. Termen beskrevs först av sociolingvisten Victor Yngve 1970 och är ett av de mest väldokumenterade dragen i naturliga samtal.

Bekräftelserna tar inte över ordet, utan signalerar fortsatt uppmärksamhet. Det är så vi människor i realtid bekräftar att vi hör och förstår den som pratar. Tar man bort dem ur ett samtal känner sig talaren snabbt som att hen pratar med en vägg – eller en maskin.

Varför är det viktigt för röst-AI?

Äldre IVR-system och första generationens röstbottar saknar helt backchanneling. Den som ringer pratar, botten väntar tyst, botten svarar. Tystnaden är den enskilt största ”uncanny valley”-faktorn – det är därför även en tekniskt korrekt AI-agent kan upplevas som robotlik.

Backchanneling löser det. När en kund är mitt i en förklaring (ger en adress, beskriver en händelse, listar symptom) ger en välkalibrerad AI-agent ifrån sig samma ”mm-hmm” som du skulle förvänta dig av en mänsklig lyssnare, i ungefär samma takt. Kunden behöver inte undra om de blir förstådda. De fortsätter prata. Samtalet blir kortare. Oron minskar.

Så implementerar AI backchanneling

Timingmodeller — en liten klassificerare förutser, utifrån prosodiska och lexikala ledtrådar, när den som talar gör en paus som lämpar sig för backchanneling (stigande intonation, en fortsättning på en lista, ett andetag). Ribban ligger högt: ett felplacerat ”mm-hmm” är sämre än inget alls.
Akustiska ledtrådar — modellen lyssnar efter tonhöjdskonturer och energidippar som signalerar ”jag pratar fortfarande, bekräftar bara att vi har kontakt”. Det är inte transkriberade ord, utan ljudegenskaper.
Latenshantering — för naturlig backchanneling krävs en ljudlatens på under 300 ms tur och retur. Det är ett svårt infrastrukturproblem (telefonikodek, STT-streaming, TTS-förbuffring) som de flesta plattformar inte har löst.
Röståtergivning — själva backchanneling-ljudet måste vara en icke-verbal bekräftelse (”mm-hmm”, en mjuk inandning) snarare än ett helt ord, och det måste låta konsekvent med den primära rösten. Neural TTS klarar detta, men inte konkatenerande TTS.

CSAT-effekten

I skarp drift har tillägget av backchanneling till en i övrigt identisk röstagent höjt CSAT med 0,3–0,5 punkter på en 5-gradig skala och minskat den genomsnittliga hanteringstiden med 8–15 % (kunder slutar pausa för att kontrollera om boten fortfarande är kvar). Det minskar också andelen kunder som avbryter samtalet med ungefär en tredjedel.

För mer information om vad vi mäter i varje samtal, se samtalsanalys.

Så utvärderar du funktionen

Be leverantören om en livedemo via telefon – inte en webbläsardemo. Telefonikodekar tar bort frekvenser som döljer latensproblem i en demo på datorn.
Under demon, ge AI:n ett långt svar (en 30 sekunder lång adress och beskrivning av en situation). Lyssna efter bekräftelser. Tystnad är en varningssignal.
Fråga om backchanneling är aktiverat som standard eller är ett betalt tillägg. Vissa plattformar erbjuder det bara i sina dyraste enterprise-paket.
Fråga om andelen falska positiva – hur ofta AI:n ger backchanneling när kunden faktiskt förväntade sig ett svar. Bra plattformar publicerar denna siffra.

Wisereps implementering

Wisereps röstteknik har en latens på under 300 ms tur och retur med vanliga telefonikodekar. Vår klassificerare för backchanneling är tränad på hundratusentals verkliga kundtjänstsamtal inom hälso- och sjukvård, försäkring, fastigheter och hushållsnära tjänster. Backchanneling är aktiverat som standard i alla våra paket – inte en extrakostnad för enterprise-kunder.

Samma motor driver vår AI-receptionist, vår automatiserade kundtjänst och vår AI-mötesbokare. Om du vill höra skillnaden är det snabbaste sättet ett livesamtal – vi ringer upp dig.

Backchanneling i röst-AI: Så låter den mänsklig