Детекция стресса и агрессии в голосе: AI-модель

Классические анализаторы колл-центра опираются на стоп-слова и тональность — это не спасает, когда клиент уже на взводе. Мы разрабатываем AI-системы, которые детектируют стресс и агрессию по акустике голоса за 2–3 секунды, до того как человек произнесёт угрозу или бросит трубку. За более чем 5 лет мы реализовали 15+ проектов для ритейла, банков и логистики под ключ — от сбора датасета до интеграции через API. Экономия на эскалациях конфликтов достигает 15–20% бюджета на поддержку.

Почему это важно? Каждый пропущенный агрессивный звонок может обернуться потерей клиента и репутационными рисками. По статистике, 30% эскалаций в колл-центрах происходят из-за несвоевременной реакции на эмоциональный накал. Наша модель позволяет перехватывать такие моменты на ранней стадии, давая оператору или супервизору подсказку за доли секунды.

Проблемы, которые решаем

• Запаздывание реакции оператора. Человек тратит 5–10 секунд, чтобы осознать агрессивный тон. Система выдаёт алерт мгновенно, позволяя подключить супервизора.
• Субъективная оценка. Разные операторы по-разному трактуют эмоции. Наша модель даёт объективный score (0–1) по каждому классу.
• Высокая нагрузка при ручном мониторинге. Прослушивать все звонки невозможно. AI-модель сканирует 100% записей в реальном времени или в batch-режиме.

Акустические маркеры стресса и агрессии

import librosa
import numpy as np
from dataclasses import dataclass

@dataclass
class EmotionalAcoustics:
    f0_mean: float  # средняя частота (агрессия: рост >20%)
    f0_range: float  # диапазон тона (стресс: сужение)
    f0_std: float  # вариабельность
    speaking_rate: float  # темп (стресс: ускорение или замедление)
    energy_mean: float  # громкость (агрессия: значительный рост)
    jitter: float  # тремор голоса (стресс: рост)
    shimmer: float  # неравномерность амплитуды
    hnr: float  # гармоническое отношение (стресс: снижение)

def extract_stress_features(audio: np.ndarray, sr: int = 16000) -> EmotionalAcoustics:
    # Основной тон
    f0, voiced_flag, _ = librosa.pyin(audio, fmin=75, fmax=500, sr=sr)
    f0_voiced = f0[voiced_flag & ~np.isnan(f0)]

    # Энергия
    rms = librosa.feature.rms(y=audio, frame_length=2048, hop_length=512)[0]

    # Spectral features для HNR proxy
    zcr = librosa.feature.zero_crossing_rate(audio)[0]

    return EmotionalAcoustics(
        f0_mean=float(np.mean(f0_voiced)) if len(f0_voiced) > 0 else 0,
        f0_range=float(np.ptp(f0_voiced)) if len(f0_voiced) > 0 else 0,
        f0_std=float(np.std(f0_voiced)) if len(f0_voiced) > 0 else 0,
        speaking_rate=estimate_speaking_rate(audio, sr),
        energy_mean=float(np.mean(rms)),
        jitter=estimate_jitter(f0_voiced),
        shimmer=estimate_shimmer(rms),
        hnr=float(1.0 / (np.mean(zcr) + 1e-8))
    )

Система анализирует акустические характеристики голоса: частоту основного тона (F0), темп речи, энергию, джиттер, шиммер. Эти признаки меняются при стрессе и агрессии, независимо от содержания речи. Анализ ведётся каждые 3 секунды, что позволяет реагировать мгновенно.

Какие акустические признаки указывают на стресс?

Эвристические правила (например, «если громкость > порога — агрессия») дают точность ~60%. Наш ML-классификатор на основе Gradient Boosting или нейросети (PyTorch) повышает точность до 85% и выше. Ключевое преимущество — учёт индивидуального baseline голоса. Первые 10 секунд разговора система запоминает «норму» для конкретного клиента и определяет отклонения от неё.

Сравните: правила дают 60% точности, наша модель — 85%. Это в 1.4 раза точнее, что критически снижает количество ложных срабатываний и пропусков.

from sklearn.ensemble import GradientBoostingClassifier
import joblib

class StressAggressionClassifier:
    LABELS = {0: "neutral", 1: "stressed", 2: "aggressive"}

    def __init__(self, model_path: str):
        self.model = joblib.load(model_path)
        self.baseline = {}  # персональный baseline первых 10 секунд

    def classify(
        self, features: EmotionalAcoustics, baseline: EmotionalAcoustics = None
    ) -> dict:
        feat_vector = self._to_vector(features)
        if baseline:
            # Нормализуем относительно персонального baseline
            base_vector = self._to_vector(baseline)
            feat_vector = (feat_vector - base_vector) / (base_vector + 1e-8)
        proba = self.model.predict_proba([feat_vector])[0]
        label_id = np.argmax(proba)
        return {
            "label": self.LABELS[label_id],
            "confidence": float(proba[label_id]),
            "probabilities": {self.LABELS[i]: float(p) for i, p in enumerate(proba)},
        }

Как классификатор учитывает индивидуальный baseline?

Для каждого клиента в начале звонка мы вычисляем baseline — усреднённые акустические характеристики за первые 10 секунд. Все последующие признаки нормализуются относительно него. Это позволяет отличить «тихого от природы» человека от внезапно притихшего в стрессе. Без baseline модель часто путает спокойную агрессию с нейтральным состоянием.

Обучение на датасете эмоций

Используем RAVDESS (английский) + EMOVO + кастомные записи с разметкой. Для русского — RESD (Russian Emotional Speech Dataset) или собственная разметка.

Производительность после обучения: accuracy ~78–85% на 3 классах (neutral / stressed / aggressive). Сравнение: эвристические правила дают 60% точности, наша модель — 85% — это в 1.4 раза лучше.

Сравнение подходов

Этапы работы над проектом

1. Аналитика — аудит процессов, сбор требований, оценка объёма данных.
2. Сбор данных и разметка — если нет готового датасета, записываем звонки и размечаем эмоции вручную (2–4 недели).
3. Разработка ML-пайплайна — извлечение признаков, обучение модели (Gradient Boosting или нейросеть на PyTorch), валидация.
4. Интеграция — REST API или gRPC сервис, обработка потока аудио, алерты в CRM.
5. Тестирование — A/B тест на 10% звонков, сравнение с текущей системой.
6. Деплой и сопровождение — контейнеризация (Docker + Kubernetes), мониторинг дрейфа данных.

Что входит в работу?

• Датасет (сбор, очистка, разметка) — при необходимости.
• Обученная модель в формате ONNX или TorchScript.
• REST API для инференса с документацией.
• Интеграция с вашей SIP-инфраструктурой или CRM.
• Дашборд статистики (распределение эмоций, тренды, SLA).
• Обучение операторов и супервизоров.
• Гарантия на качество модели (accuracy не ниже 80% на контрольной выборке).

Сроки и стоимость

Стоимость рассчитывается индивидуально после анализа данных и требований.

Типичные ошибки при внедрении

• Использование одной и той же модели для разных акцентов и языков без адаптации.
• Отсутствие baseline — приводит к ложным срабатываниям на «эмоциональных» клиентах.
• Попытка распознавать больше 3–4 классов — accuracy падает до 60%.
• Игнорирование дрейфа данных: модель требует периодического дообучения на новых записях.

Закажите пилотный проект или технический аудит — мы оценим точность на ваших данных и предложим оптимальное решение. Получите консультацию по интеграции без обязательств.

CLASSIFICATION_WINDOW_SEC = 3.0  # анализируем каждые 3 секунды

async def continuous_emotion_monitoring(call_id: str, audio_stream):
    classifier = StressAggressionClassifier("models/stress_model.pkl")
    baseline = None
    buffer = bytearray()

    async for chunk in audio_stream:
        buffer.extend(chunk)
        if len(buffer) >= 16000 * CLASSIFICATION_WINDOW_SEC * 2:
            audio = np.frombuffer(buffer, dtype=np.int16).astype(np.float32) / 32768.0
            features = extract_stress_features(audio)

            # Первые 10 сек — устанавливаем baseline
            if baseline is None and len(buffer) < 160000:
                baseline = features
                buffer = bytearray()
                continue

            result = classifier.classify(features, baseline)
            if result["label"] == "aggressive" and result["confidence"] > 0.75:
                await trigger_aggression_alert(call_id, result)

            buffer = bytearray()

Сроки: классификатор на готовом датасете — 2–3 недели. Сбор датасета и обучение с нуля — 2–3 месяца. Свяжитесь с нами для обсуждения вашего проекта.