未來調(diào)度業(yè)務(wù)融入語音識別技術(shù)應(yīng)用的暢想

[摘 要]上海市地鐵規(guī)模不斷擴(kuò)張，但調(diào)度工作的工作方式和依賴工具依然較為落后。為了應(yīng)對日益繁重的調(diào)度工作任務(wù)，從根本上減輕上海市地鐵調(diào)度工作人員的工作壓力和工作強(qiáng)度，實(shí)現(xiàn)降本增效的發(fā)展目標(biāo)，文章從調(diào)度業(yè)務(wù)入手，詳細(xì)分析在調(diào)度業(yè)務(wù)中引入語音識別技術(shù)的可行性及其可能達(dá)到的效果，設(shè)想了在調(diào)度通話、事后質(zhì)檢、表單填寫、預(yù)案觸發(fā)等業(yè)務(wù)流程中引入語音識別技術(shù)的效果和可能面臨的困難，以供參考。

[關(guān)鍵詞]上海地鐵；語音識別技術(shù)；調(diào)度業(yè)務(wù)

中圖分類號：U239.5 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-1722（2024）11-0034-03

現(xiàn)階段，語音識別技術(shù)作為人工智能領(lǐng)域重要的發(fā)展方向之一，在軌道交通行業(yè)已經(jīng)具備諸多實(shí)際落地的應(yīng)用場景，如語音購票、智能客服、智能開關(guān)站等。目前，上述應(yīng)用場景主要側(cè)重于地鐵車站的日常運(yùn)營工作，在軌道交通行業(yè)各業(yè)務(wù)中充當(dāng)“大腦”的角色，與語音識別技術(shù)的實(shí)際結(jié)合案例相對較少。

基于此，文章針對上海地鐵調(diào)度業(yè)務(wù)與語音識別技術(shù)結(jié)合后，能夠?qū)υ辛鞒袒蚬ぷ鲗?shí)施提升和優(yōu)化的點(diǎn)展開大膽設(shè)想，希望可以在不擴(kuò)張現(xiàn)有上海地鐵調(diào)度團(tuán)隊規(guī)模的同時，減輕調(diào)度工作人員的工作壓力，提高工作效率。

一、語音識別技術(shù)概述

ASR技術(shù)的發(fā)展歷史可以追溯到20世紀(jì)六七十年代，當(dāng)時主要集中在單詞識別上。2 0世紀(jì)八九十年代，隱馬爾可夫模型（Hidden Markov Model，HMM）引起了人們的興趣，并成功地應(yīng)用于語音識別領(lǐng)域。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）模型在語音識別領(lǐng)域表現(xiàn)越來越好。

目前，主流的ASR技術(shù)包括基于統(tǒng)計方法的傳統(tǒng)ASR系統(tǒng)和基于深度學(xué)習(xí)的新一代ASR系統(tǒng)兩種。其中，基于統(tǒng)計方法的傳統(tǒng)ASR系統(tǒng)使用高斯混合模型（GMM）和HMM等統(tǒng)計建模方法對語音信號進(jìn)行建模和識別?；谏疃葘W(xué)習(xí)的新一代ASR系統(tǒng)則利用DNN、長短時記憶網(wǎng)絡(luò)（LSTM）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型對語音信號進(jìn)行建模和識別[ 1 ]。相比之下，基于深度學(xué)習(xí)的新一代ASR系統(tǒng)在性能上明顯優(yōu)于傳統(tǒng)ASR系統(tǒng)，因此得到了廣泛應(yīng)用和研究。

二、上海市地鐵調(diào)度業(yè)務(wù)現(xiàn)狀

（一）工作內(nèi)容

調(diào)度工作人員的工作內(nèi)容從類型上主要分為三種。

一是溝通類工作。調(diào)度工作本身絕大部分工作內(nèi)容都是溝通類工作，主要包括與車站的溝通、內(nèi)部跨專業(yè)的溝通以及與運(yùn)營公司和第三方維保單位間的溝通等。相對于文字類信息，溝通類工作的語言類信息在時效性上更具優(yōu)勢，而調(diào)度工作的性質(zhì)也決定了其對時效性的強(qiáng)烈要求。

二是表單類工作。相較于溝通類工作，表單類工作雖然也起到傳遞信息的作用，但與溝通類工作不同的是信息傳遞的對象和對時效性的要求。表單類工作更關(guān)注信息的準(zhǔn)確性。表單類工作最大的優(yōu)點(diǎn)在于留痕和有跡可查，多數(shù)溝通類工作在事后也會相應(yīng)地補(bǔ)充一項表單類工作。

三是復(fù)聽轉(zhuǎn)寫類工作。復(fù)聽轉(zhuǎn)寫類工作主要是將溝通類工作過程中產(chǎn)生的錄音文件，通過重復(fù)收聽轉(zhuǎn)寫為文字版，一般在遇到重大事項需要專門向上匯報時進(jìn)行。平時更多是復(fù)聽類工作，也就是抽調(diào)專人對溝通類工作過程中產(chǎn)生的錄音文件進(jìn)行復(fù)聽，檢查在溝通過程中是否有不合規(guī)、不專業(yè)以及遺漏項等問題。

（二）工作流程

溝通類工作的工作方式主要依賴專用話機(jī)，調(diào)度中心與車站、運(yùn)營單位、內(nèi)部跨專業(yè)以及第三方等的溝通需要通過不同話機(jī)進(jìn)行。溝通類工作結(jié)束后會產(chǎn)生通話錄音。如果屬于日常類溝通工作，需要補(bǔ)充填寫表單的就需要人工進(jìn)行表單補(bǔ)充填寫。通話產(chǎn)生的錄音在后續(xù)會被抽樣做復(fù)聽質(zhì)檢，復(fù)聽質(zhì)檢實(shí)際就是抽派專人復(fù)聽抽樣的通話錄音，檢查通話過程是否合規(guī)、是否有遺漏項等。如果屬于重大事項，如列車火災(zāi)、車門夾人等，則需要調(diào)度人員對通話過程中產(chǎn)生的所有錄音復(fù)聽轉(zhuǎn)寫，即由調(diào)度工作人員人工復(fù)聽錄音文件，將錄音文件轉(zhuǎn)寫為文字版上報給領(lǐng)導(dǎo)，方便領(lǐng)導(dǎo)檢查。

三、調(diào)度業(yè)務(wù)引入語音識別技術(shù)的需求

（一）復(fù)聽轉(zhuǎn)寫

相較于文字信息，語言信息雖然在信息傳遞的實(shí)時性方面具有不可比擬的優(yōu)越性，但在事后復(fù)盤檢閱過程中其便利性卻又不如文字信息，文字的閱讀速度因人而異，音頻的復(fù)聽速度卻依賴于音頻的長度，一段三分鐘的音頻如果復(fù)聽一定需要3分鐘的時長，而且一段音頻還可能會被復(fù)聽，但是將其蘊(yùn)含的內(nèi)容轉(zhuǎn)寫成文字，閱讀起來可能只需要1分鐘的時間，可以略讀不重要的內(nèi)容，重點(diǎn)關(guān)注主要內(nèi)容即可。正因如此，為了上級領(lǐng)導(dǎo)可以及時注意到關(guān)鍵內(nèi)容，調(diào)度人員上報重大事項時需要先將音頻內(nèi)容轉(zhuǎn)寫成文字版。

（二）復(fù)聽質(zhì)檢

相較于復(fù)聽轉(zhuǎn)寫工作，復(fù)聽質(zhì)檢少了將音頻文件轉(zhuǎn)寫為文字版的過程，但是其在事后復(fù)盤檢閱文字信息的便利性是語音信息不具備的，由于調(diào)度工作對實(shí)時性的要求，溝通工作只能以語言溝通為主。

（三）表單填寫

表單填寫工作需要調(diào)度工作人員回憶在電話溝通過程中雙方交換的信息，在信息較多無法完整回憶時，要復(fù)聽錄音文件，將正確的信息以文字的形式填寫在表單內(nèi)，這一過程有點(diǎn)類似復(fù)聽轉(zhuǎn)寫，但與復(fù)聽轉(zhuǎn)寫不同的是，表單填寫不需要將對話內(nèi)容完整轉(zhuǎn)換，表單相對固定，只需要將表單內(nèi)需要的內(nèi)容轉(zhuǎn)成文字填入即可，因調(diào)度人員無法直觀地看到所需內(nèi)容具體在哪一部分，其依然需要從頭到尾完整地復(fù)聽整段錄音，直到將表單所需內(nèi)容填寫完整。

（四）信息檢索

因溝通過程中可能只會產(chǎn)生音頻文件而沒有文字記錄，這會對事后檢索所需信息造成嚴(yán)重障礙，工作人員無法對所需信息進(jìn)行有效檢索，只能逐個排查。如果涉及應(yīng)急事件的處置，工作人員核對后，需要在系統(tǒng)中手動檢索相關(guān)的預(yù)案，在這種較為緊急的時刻，手動檢索的動作相對就顯得比較低效。

四、語音識別技術(shù)的引入

在調(diào)度業(yè)務(wù)中，為了保證重要信息傳遞的實(shí)時性，最關(guān)鍵和不可缺少的環(huán)節(jié)是語言類的信息傳遞，但是與之矛盾的是，語言類的信息在事后的回顧和檢查過程中會帶來種種不便，遠(yuǎn)不如文字信息直觀和便捷。在此過程中，引入語音識別技術(shù)，實(shí)現(xiàn)語音信息到文字信息的自動轉(zhuǎn)換，可以為調(diào)度工作人員節(jié)省大量的精力，減輕絕大部分文字輸入類工作的壓力。

（一）實(shí)時轉(zhuǎn)寫

針對復(fù)聽轉(zhuǎn)寫和復(fù)聽質(zhì)檢的痛點(diǎn)引入語音識別技術(shù)后，將語音識別服務(wù)對接通話系統(tǒng)，在調(diào)度人員與車站、運(yùn)營單位和其他第三方維保單位等通話過程中，將對話內(nèi)容實(shí)時轉(zhuǎn)寫成文字版，既可以避免事后復(fù)聽轉(zhuǎn)寫的工作，也可以將對話內(nèi)容更加直觀、實(shí)時地呈現(xiàn)在調(diào)度人員眼前，最大限度地避免了信息在口語傳遞過程中可能產(chǎn)生的誤解和偏差[ 2 ]。

具體設(shè)想如下：通話系統(tǒng)中接入語音識別的服務(wù)，實(shí)時監(jiān)聽雙方的通話內(nèi)容，將對話內(nèi)容實(shí)時識別輸出成文字版，將輸出的文字內(nèi)容展示在調(diào)度工作人員的計算機(jī)屏幕上。這樣既可以及時發(fā)現(xiàn)并糾正通話雙方溝通過程中可能無意中出現(xiàn)的口誤，也可以對溝通內(nèi)容形成的文字+音頻進(jìn)行雙重記錄，在節(jié)省人為復(fù)聽轉(zhuǎn)寫的精力和時間的同時，提高了質(zhì)檢工作人員的工作效率。

（二）表單自動化

表單填寫工作具有模式化的特點(diǎn)，單一表單中所需填寫的信息是比較固定的，但是，部分表單所需填寫的內(nèi)容又是比較多的，在雙方通話過程中填寫表單比較耗時，效率較低，會有長時間占線的風(fēng)險，違背了調(diào)度工作最基本的及時性響應(yīng)和語音信息傳遞的快捷性。所以，調(diào)度人員一般會在通話結(jié)束后依靠對通話內(nèi)容的回憶填寫表單，內(nèi)容較多記不清楚的還會反復(fù)聽通話錄音，這會占用較多的精力。

針對這一問題，可以將表單填寫工作交給語音識別技術(shù)，稍作改動就可以實(shí)現(xiàn)這一目標(biāo)。具體構(gòu)想如下：在雙方通話的同時，語音識別服務(wù)將通話內(nèi)容實(shí)時轉(zhuǎn)寫為文本內(nèi)容，輸出的文本內(nèi)容經(jīng)過關(guān)鍵字檢測。關(guān)鍵字檢測分為表單生成關(guān)鍵字和內(nèi)容填充關(guān)鍵字，通常要求一次通話只能生成一次表單，識別到生成表單的關(guān)鍵字后調(diào)用表單系統(tǒng)，頁面彈框提示，詢問是否生成該表單。調(diào)度工作人員確認(rèn)生成后，在本次通話過程中不再生成新的表單。

表單生成后，開始執(zhí)行內(nèi)容填充關(guān)鍵字的識別，將識別到的相關(guān)內(nèi)容在表單內(nèi)進(jìn)行自動填充，在本次通話掛斷時頁面再次彈框提示調(diào)度工作人員，自動填充已結(jié)束，工作人員在檢查無誤后可手動點(diǎn)擊提交按鈕進(jìn)行表單提交。內(nèi)容有誤的可以有針對性地修改，修改后再提交。

（三）調(diào)度預(yù)案自動化

在調(diào)度工作過程中，某些特定情況下需要緊急啟動某些已經(jīng)提前設(shè)置好的預(yù)案，比如氣象災(zāi)害、人員入侵、列車事故、淹水倒灌等，需要啟動預(yù)案的場景一般是特別緊急的情況，在這種緊急關(guān)頭，每多浪費(fèi)一秒鐘，危險就會增加一分，可以考慮將語音識別技術(shù)對接到預(yù)案啟動中[ 3 ]。具體構(gòu)想如下：在關(guān)鍵字檢測中再添加一類應(yīng)急預(yù)案關(guān)鍵字，當(dāng)通話雙方在對話過程中觸發(fā)該關(guān)鍵字時，則立馬調(diào)用應(yīng)急預(yù)案系統(tǒng)，在調(diào)度人員工作計算機(jī)的相關(guān)頁面上彈框?qū)ζ涮崾竞驮儐?，是否要啟動該預(yù)案，工作人員手動確認(rèn)后，預(yù)案啟動執(zhí)行。

該流程省去了工作人員檢索相關(guān)預(yù)案的步驟，直接在對話過程中檢測雙方的對話內(nèi)容，調(diào)度工作人員最少只需要點(diǎn)擊一次確認(rèn)按鈕，就可以及時啟動相關(guān)預(yù)案，之所以設(shè)計為工作人員手動確認(rèn)啟動，同樣是考慮到語音識別技術(shù)的容錯機(jī)制。

（四）語音檢索

以上功能的實(shí)現(xiàn)，已經(jīng)基本涵蓋調(diào)度工作中的人工文字輸入類工作，語音檢索功能的構(gòu)想是對以上功能的補(bǔ)充，以上功能主要關(guān)注的是在調(diào)度工作人員和其他方通話的場景下，只能以話機(jī)作為入口去觸發(fā)各種場景的功能，語音檢索功能的設(shè)計則是在話機(jī)之外，單獨(dú)設(shè)置收音麥克風(fēng)，調(diào)度工作人員可以直接對麥克風(fēng)講話來觸發(fā)語音識別的服務(wù)。

五、引入語音識別技術(shù)可能面臨的困難和挑戰(zhàn)

（一）方言

語音識別技術(shù)是對語言發(fā)音內(nèi)容的識別，與發(fā)音準(zhǔn)確性高度相關(guān)。目前市面上主流的語音識別技術(shù)一般都支持普通話和英語的識別，但是我國幅員遼闊，對散布在中華大地各個地方的方言的識別是難點(diǎn)之一，雖然探討的是上海市地鐵的業(yè)務(wù)場景，申通集團(tuán)可以通過規(guī)章制度和招聘要求等，將崗位人員的從業(yè)資v0EwQvCig9MD/9pm7j5AdbdTauam5ItZp3mVSE3DnFU=格限制在普通話或上海話這一范圍內(nèi)，但部分業(yè)務(wù)場景下與調(diào)度人員發(fā)生通話的可能是外部的第三方人員，如施工負(fù)責(zé)人、第三方維保單位等，此類外部人員的發(fā)音習(xí)慣和方言口音等對語音識別技術(shù)是一大挑戰(zhàn)。

（二）噪聲

對上海市地鐵部分調(diào)度通話錄音調(diào)研后發(fā)現(xiàn)，在錄音文件中，部分音頻中存在非常嚴(yán)重的噪聲干擾問題，噪聲的來源大致有兩種。

一種是調(diào)度人員與多車站開群體會議時，部分車站因參會目的已達(dá)到，在經(jīng)過調(diào)度人員同意后，會先行掛斷電話，在掛斷電話時產(chǎn)生的話機(jī)聽筒與話機(jī)機(jī)身磕碰的聲音音量非常大，這個時候基本聽不到正在發(fā)言的工作人員所說的內(nèi)容。

另一種是通話人員旁邊無關(guān)人員的說話聲，此類情況一般出現(xiàn)在車站，無關(guān)人員的聲音被收錄后會對語音識別功能造成干擾，在應(yīng)用場景中很可能造成相關(guān)系統(tǒng)的誤觸發(fā)或無法準(zhǔn)確觸發(fā)等問題。

（三）誤識別

誤識別問題主要發(fā)生在發(fā)音人語速過快或發(fā)音音量過小時，語速過快時容易發(fā)生連音現(xiàn)象，即兩個字或兩個以上的字發(fā)音連在一起，實(shí)際發(fā)出的只有一個音，此時系統(tǒng)接收的發(fā)音只有一個，就會造成漏識別、錯識別等。音量過小時可能無法達(dá)到語音識別系統(tǒng)的音量能量值，導(dǎo)致識別出錯、不識別等。

（四）其他

其他可能對語音識別功能造成負(fù)面影響的情形還有多人同時發(fā)音、發(fā)音模糊等。發(fā)音模糊多發(fā)生在調(diào)度人員與多車站通過電話召開群體會議時，在點(diǎn)名簽到環(huán)節(jié)，車站工作人員的回答發(fā)音極為模糊，基本聽不清回答的內(nèi)容；多人同時發(fā)音的情況在調(diào)研過程中出現(xiàn)較少，在此僅做記錄用以提醒。

六、結(jié)語

人工智能技術(shù)有語音識別技術(shù)，還有圖像識別、行為分析、語義理解、語音合成等領(lǐng)域，文章對語音識別技術(shù)引入調(diào)度業(yè)務(wù)的淺談希望可以起到拋磚引玉的效果，期待諸位同仁可以發(fā)散思維，從不同的領(lǐng)域作出專業(yè)的審視。未來希望能夠與諸君一起，共同建設(shè)更加聰明、便捷、高效的調(diào)度業(yè)務(wù)流程。

參考文獻(xiàn)：

[1]吳佳佳，彭其淵，魯工圓.基于調(diào)度電話語音信息的調(diào)度命令智能生成方法[J].鐵道運(yùn)輸與經(jīng)濟(jì)，2021（04）：105-111+134.

[2]謝璟捷.地鐵運(yùn)營調(diào)度關(guān)鍵業(yè)務(wù)數(shù)據(jù)特征分析及中臺架構(gòu)研究[J].交通科技與管理，2023（21）：22-24.

[3]代偉，劉洪.基于神經(jīng)網(wǎng)絡(luò)的中文語音識別技術(shù)[J].四川師范大學(xué)學(xué)報（自然科學(xué)版），2022（01）：131-135.