Zum Hauptinhalt springen

Sprach-zu-Text-Konfiguration

Sprach-zu-Text (STT) wandelt die Sprache des Benutzers in Text um, den Ihr Bot verarbeiten kann. Konfigurieren Sie die STT-Einstellungen im Tab Sprach-zu-Text des Telefonkanals.

Erstellen eines STT-Anbieters​

Bevor Sie STT im Telefonkanal konfigurieren, müssen Sie einen STT-Anbieter erstellen:

  1. Navigieren Sie zu Bot > Anbieter
  2. Klicken Sie auf Erstellen
  3. Wählen Sie Sprach-zu-Text als Anbietertyp
  4. Wählen Sie Ihren Anbieter (Azure Speech Services oder botario Speech)
  5. Geben Sie Ihre Anmeldedaten und Konfiguration ein
  6. Klicken Sie auf Erstellen

STT-Anbieter erstellen

Verfügbare STT-Anbieter​

AnbieterBeschreibung
Azure Speech ServicesMicrosofts Unternehmens-Spracherkennung mit Diktat und semantischer Segmentierung
botario SpeechBenutzerdefinierter/selbst gehosteter STT-Dienst mit alphanumerischer Optimierung

STT-Einstellungen des Telefonkanals​

Nachdem Sie einen Anbieter erstellt haben, konfigurieren Sie ihn im Telefonkanal:

Auswahl eines Anbieters​

Im Tab Sprach-zu-Text wählen Sie Ihren STT-Anbieter aus dem Dropdown-Menü. Nur Anbieter, die:

  1. In Bot > Anbieter mit dem Typ "Sprach-zu-Text" erstellt wurden
  2. Für diesen Bot in den Bot-Einstellungen aktiviert sind

werden in der Liste angezeigt.

Anbieterspezifische Konfiguration​

Verschiedene Anbieter bieten unterschiedliche Konfigurationsoptionen. Der Telefonkanal ermöglicht es Ihnen, die Standardwerte des Anbieters pro Bot zu überschreiben.

botario Speech​

botario STT-Konfiguration

EinstellungBeschreibung
SprachüberschreibungÜberschreiben des Standard-Sprachcodes (z.B. de für Deutsch)
Bereitstellungsmodelldefault für allgemeine Sprache, alpha_num für alphanumerische Eingaben (IBANs, Codes, etc.)
Wartezeit nach SprachüberschreibungWie lange nach dem Ende der Sprache gewartet wird, bevor die Verarbeitung beginnt
Start Listening OffsetWie früh das Zuhören beginnt, bevor der Bot das Sprechen beendet (0-1,5 Sekunden)

Azure Speech Services​

Azure STT-Konfiguration

EinstellungBeschreibung
SprachüberschreibungÜberschreiben des Standard-Sprachcodes (z.B. de-DE)
Wartezeit nach SprachüberschreibungWie lange nach dem Ende der Sprache gewartet wird
Start Listening OffsetWie früh das Zuhören beginnt (0-1,5 Sekunden)
Profanity FilterWie mit Obszönitäten umgegangen wird: raw (kein Filter), masked (ersetzen), removed (löschen)
Diktatmodus aktivierenDiktatmodus für bessere Genauigkeit bei längeren Reden aktivieren
Semantische SegmentierungSemantische Segmentierung für verbesserte Satzstruktur aktivieren

Diktatmodus​

Wenn aktiviert, ermöglicht der Diktatmodus:

  • Längeres Zuhören für Benutzereingaben
  • Bessere Handhabung natürlicher Pausen in der Sprache
  • Automatische Interpunktion
  • Empfohlen für längere Äußerungen wie Adressen oder detaillierte Beschreibungen

Semantische Segmentierung​

Wenn aktiviert:

  • Verbessert die Erkennung von Satzgrenzen
  • Bessere Handhabung komplexer Sätze
  • Empfohlen für konversationelle Sprache

Allgemeine Einstellungen erklärt​

Start Listening Offset​

Diese Einstellung steuert, wie früh das STT beginnt zuzuhören, bevor die Nachricht des Bots vollständig gesprochen ist.

  • Bereich: 0 bis 1,5 Sekunden
  • Standard: 0,5 Sekunden

Warum es wichtig ist: Benutzer beginnen oft zu sprechen, bevor der Bot fertig ist. Ein höherer Offset erfasst diese frühen Antworten, kann aber auch die Sprache des Bots aufnehmen.

Empfehlungen:

  • Beginnen Sie mit 0,5s (Standard)
  • Erhöhen Sie auf 0,8-1,0s, wenn Benutzer berichten, dass sie abgeschnitten werden
  • Verringern Sie, wenn Transkriptionen die Sprache des Bots enthalten

Wartezeit nach Sprache​

Wie lange nach dem Ende der Benutzersprache gewartet wird, bevor die Transkription abgeschlossen wird.

  • Bereich: 0 bis 5 Sekunden
  • Standard: Variiert je nach Anbieter (typischerweise 0,75s)

Warum es wichtig ist: Einige Benutzer pausieren mitten im Satz. Eine zu kurze Wartezeit schneidet sie ab; eine zu lange schafft unangenehme Verzögerungen.

Empfehlungen:

  • 0,5-0,75s für schnelle Interaktionen (Menüs, ja/nein)
  • 1,0-2,0s für komplexe Eingaben (Adressen, Beschreibungen)
  • Verwenden Sie den Diktatmodus für sehr lange Eingaben anstelle der Erhöhung dieses Wertes

Effektive Werte​

Jede Einstellung zeigt zwei Werte:

  • Aktueller Wert: Was Sie konfiguriert haben (oder leer für Anbieterstandard)
  • Effektiver Wert: Der tatsächlich verwendete Wert (Ihre Überschreibung oder Anbieterstandard)

Der "Effektive Wert" mit "(Anbieterstandard)" zeigt an, dass die Einstellung die Standardkonfiguration des Anbieters verwendet.

Dynamische STT-Konfiguration​

Sie können die STT-Einstellungen während eines Gesprächs mit der Tracker-API ändern:

from botario_gpt_events.phone_events import AzureSTTConfigUpdatePayload

# Wechseln Sie in den Diktatmodus für detaillierte Eingaben
tracker_api.update_stt_config(
    AzureSTTConfigUpdatePayload(
        enable_dictation=True,
        language_code="de-DE"
    )
)

Siehe Telefon-API-Referenz für die vollständige Dokumentation.

Fehlerbehebung​

Sprache wird nicht erkannt​

  • Überprüfen Sie den Synchronisierungsstatus des Anbieters in PhoneServer-Anbieter
  • Stellen Sie sicher, dass die Spracheinstellungen mit der Sprache des Benutzers übereinstimmen
  • Versuchen Sie, die Wartezeit nach Sprache zu erhöhen
  • Überprüfen Sie, ob Hintergrundgeräusche zu hoch sind

Benutzer wird abgeschnitten​

  • Erhöhen Sie den Start Listening Offset
  • Erwägen Sie, den Diktatmodus (Azure) zu aktivieren
  • Erhöhen Sie die Wartezeit nach Sprache

Transkriptionen enthalten Bot-Sprache​

  • Verringern Sie den Start Listening Offset
  • Dies tritt auf, wenn der Offset zu hoch ist

Schlechte Genauigkeit​

  • Versuchen Sie ein anderes Bereitstellungsmodell
  • Aktivieren Sie den Diktatmodus für längere Eingaben (Azure)
  • Überprüfen Sie, ob der Sprachcode mit der Sprache und dem Dialekt des Benutzers übereinstimmt

Verwandte Dokumentation​