蚂蚁AI交流¶

本次会议蚂蚁侧介绍了他们的 ASR 和 TTS 大模型，其中 ASR 大模型在实际电话场景下做了重点优化，例如 8K信道、方言、环境和降噪等。此外，也突出介绍他们的 TTS 大模型具备更强化专业感与细粒度控制。

1. TTS核心目标与能力规划¶

• 确立出厂级专家目标：首要目标是打造“出厂级专家”模型，使客户在各业务场景中可直接调用，无需二次适配。
• 强化专业感与场景属性：模型需具备强专业感并匹配特定业务场景属性。
• 营销场景：要求语气更热情、更具感染力。
• 催收场景：要求语气相对严肃、正式。
• 细化语言控制能力：需在沟通全过程中提供细粒度的控制手段，以辅助业务目标的达成。
• 补足Zero Shot能力：针对外部客户需求暴露出的不足，后续需重点补齐 Zero Shot 相关技术能力。

2. ASR电话场景痛点与优化方向¶

蚂蚁专家明确电话场景中的识别痛点，实际电话应用中存在多项微小但关键的识别障碍，例如：

• 环境与信号问题：涵盖方言、背景噪声、近远场差异以及基准 8k 信道与通用语音识别的 Gap。
• 业务专有名词：特定业务领域的专有名词识别率有待提升。

针对上述痛点，他们的 ASR 大模型重点对 8k 信道进行深度优化。

3. AI催收机器人¶

AI外呼产品评估维度

• 多维线下评估指标：需综合考量时延、打断自然度、业务专业性、完整性及准确性等多个核心指标。
• 线上真实效果验证：最终需投放至线上观察实际效果，并与人工坐席的真实对话表现进行 PK，分析 ROI 及各厂商 AI 外呼产品的效果差异。

效果评估与优劣势分析

• 人工检查依赖：测试样例回复是否满足预期，目前主要依赖于人工进行逐项检查。
• 回收数据对比机制：上线测试后需对回收数据进行优劣对比，剔除外在因素后深入分析 AI 能力的具体欠缺点。
• 使用方工具化应用：作为使用方需借助该评估工具来定位问题，从而针对性地优化后续的AI催收能力。
• 轮次漏斗分析：会有类似话术框架的漏斗数据分析，主要用于后续话术的优化。
• AI话术设计：如果希望 AI 具备各种复杂场景的催收，业务同学深入参与 AI 催收的话术设计中。当前并没有针对不同客群设计独立的话术体系，但可以传入参数支持话术生成。

智能体自动评测与调优

• 开发智能体评测功能：近期正在研发类似评测 Agent 和调优 Agent 的专门智能体。
• 自动化对话评估：针对线上实际发生的对话，由智能体从专业角度进行评估打分。
• 基于分数的持续调优：在获取专业评估分数后，智能体能够基于此结果继续执行优化操作。