Класичні аналізатори кол-центру покладаються на стоп-слова та тональність — це не рятує, коли клієнт уже на взводі. Ми розробляємо AI-системи, які детектують стрес і агресію за акустикою голосу за 2–3 секунди, до того як людина вимовить загрозу або кине трубку. За більш ніж 5 років ми реалізували 15+ проєктів для рітейлу, банків та логістики під ключ — від збору датасету до інтеграції через API. Економія на ескалаціях конфліктів сягає 15–20% бюджету на підтримку.
Чому це важливо? Кожен пропущений агресивний дзвінок може обернутися втратою клієнта та репутаційними ризиками. За статистикою, 30% ескалацій у кол-центрах відбуваються через несвоєчасну реакцію на емоційний накал. Наша модель дозволяє перехоплювати такі моменти на ранній стадії, даючи оператору або супервізору підказку за долі секунди.
Проблеми, які вирішуємо
- Запізнення реакції оператора. Людина витрачає 5–10 секунд, щоб усвідомити агресивний тон. Система видає алерт миттєво, дозволяючи підключити супервізора.
- Суб'єктивна оцінка. Різні оператори по-різному трактують емоції. Наша модель дає об'єктивний score (0–1) за кожним класом.
- Високе навантаження при ручному моніторингу. Прослуховувати всі дзвінки неможливо. AI-модель сканує 100% записів у реальному часі або в batch-режимі.
Акустичні маркери стресу та агресії
import librosa import numpy as np from dataclasses import dataclass @dataclass class EmotionalAcoustics: f0_mean: float # середня частота (агресія: зростання >20%) f0_range: float # діапазон тону (стрес: звуження) f0_std: float # варіабельність speaking_rate: float # темп (стрес: прискорення або сповільнення) energy_mean: float # гучність (агресія: значне зростання) jitter: float # тремор голосу (стрес: зростання) shimmer: float # нерівномірність амплітуди hnr: float # гармонічне відношення (стрес: зниження) def extract_stress_features(audio: np.ndarray, sr: int = 16000) -> EmotionalAcoustics: # Основний тон f0, voiced_flag, _ = librosa.pyin(audio, fmin=75, fmax=500, sr=sr) f0_voiced = f0[voiced_flag & ~np.isnan(f0)] # Енергія 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 аналізує акустичні характеристики голосу: частоту основного тону (F0), темп мовлення, енергію, джитер, шимер. Ці ознаки змінюються при стресі та агресії, незалежно від змісту мовлення. Аналіз ведеться кожні 3 секунди, що дозволяє реагувати миттєво.
Які акустичні ознаки вказують на стрес?
Евристичні правила (наприклад, «якщо гучність > порогу — агресія») дають точність ~60%. Наш ML-класифікатор на основі Gradient Boosting або нейромережі (PyTorch) підвищує точність до 85% і вище. Ключова перевага — урахування індивідуального baseline голосу. Перші 10 секунд розмови система запам'ятовує «норму» для конкретного клієнта та визначає відхилення від неї.
Порівняйте: правила дають 60% точності, наша модель — 85%. Це в 1.4 раза точніше, що критично знижує кількість хибних спрацьовувань і пропусків.
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 = {} # персональний baseline перших 10 секунд def classify( self, features: EmotionalAcoustics, baseline: EmotionalAcoustics = None ) -> dict: feat_vector = self._to_vector(features) if baseline: # Нормалізуємо відносно 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)} } Як класифікатор ураховує індивідуальний baseline?
Для кожного клієнта на початку дзвінка ми обчислюємо baseline — усереднені акустичні характеристики за перші 10 секунд. Усі наступні ознаки нормалізуються відносно нього. Це дозволяє відрізнити «тиху від природи» людину від раптово притихлої у стресі. Без baseline модель часто плутає спокійну агресію з нейтральним станом.
Навчання на датасеті емоцій
Використовуємо RAVDESS (англійська) + EMOVO + кастомні записи з розміткою. Для української — RESD (Russian Emotional Speech Dataset) або власна розмітка.
Продуктивність після навчання: accuracy ~78–85% на 3 класах (neutral / stressed / aggressive). Порівняння: евристичні правила дають 60% точності, наша модель — 85% — це в 1.4 раза краще.
Порівняння підходів
| Метод | Точність | Урахування baseline | Час реакції |
|---|---|---|---|
| Евристичні правила | ~60% | Ні | Миттєво |
| ML-класифікатор (Gradient Boosting) | 78–85% | Так | 3 секунди |
| Нейромережа (PyTorch) | до 90%+ | Так | 3–5 секунд |
Етапи роботи над проєктом
- Аналітика — аудит процесів, збір вимог, оцінка обсягу даних.
- Збір даних і розмітка — якщо немає готового датасету, записуємо дзвінки та розмічаємо емоції вручну (2–4 тижні).
- Розробка ML-пайплайну — вилучення ознак, навчання моделі (Gradient Boosting або нейромережа на PyTorch), валідація.
- Інтеграція — REST API або gRPC сервіс, обробка потоку аудіо, алерти в CRM.
- Тестування — A/B тест на 10% дзвінків, порівняння з поточною системою.
- Деплой і супровід — контейнеризація (Docker + Kubernetes), моніторинг дрейфу даних.
Що входить у роботу?
- Датасет (збір, очищення, розмітка) — за потреби.
- Навчена модель у форматі ONNX або TorchScript.
- REST API для інференсу з документацією.
- Інтеграція з вашою SIP-інфраструктурою або CRM.
- Дашборд статистики (розподіл емоцій, тренди, SLA).
- Навчання операторів та супервізорів.
- Гарантія на якість моделі (accuracy не нижче 80% на контрольній вибірці).
Терміни та вартість
| Етап | Термін | Умови |
|---|---|---|
| Модель на готовому датасеті (2–3 класи) | 2–3 тижні | Так, якщо підходить відкритий датасет |
| Збір і розмітка даних з нуля | 2–3 місяці | Розширений обсяг робіт |
| Інтеграція та деплой | 1–2 тижні | Під ключ, повна документація |
Вартість розраховується індивідуально після аналізу даних та вимог.
Типові помилки при впровадженні
- Використання однієї й тієї ж моделі для різних акцентів і мов без адаптації.
- Відсутність baseline — призводить до хибних спрацьовувань на «емоційних» клієнтах.
- Спроба розпізнавати більше 3–4 класів — accuracy падає до 60%.
- Ігнорування дрейфу даних: модель потребує періодичного донавчання на нових записах.
Замовте пілотний проєкт або технічний аудит — ми оцінимо точність на ваших даних і запропонуємо оптимальне рішення. Отримайте консультацію щодо інтеграції без зобов'язань.
CLASSIFICATION_WINDOW_SEC = 3.0 # аналізуємо кожні 3 секунди 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) # Перші 10 сек — встановлюємо 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() Терміни: класифікатор на готовому датасеті — 2–3 тижні. Збір датасету та навчання з нуля — 2–3 місяці. Зв'яжіться з нами для обговорення вашого проєкту.