---
title: "Najkraći odgovori najteže se prepoznaju"
description: "Većina onoga što pozivalac kaže je nekoliko riječi, a to je najteže za prepoznavanje. Oasis Speech 2 smanjuje greške na odgovorima od jedne riječi za 49%."
canonical: "https://dialogist.cc/bs/research/short-replies/"
locale: "bs"
updatedAt: "2026-10-22"
---

# Najkraće odgovore je najteže prepoznati, a na pozivu su najčešći

Istraživanja · 2026-10-22 · Dialogist team

> Većina onoga što pozivalac kaže je nekoliko riječi, a to je najteže za prepoznavanje. Oasis Speech 2 smanjuje greške na odgovorima od jedne riječi za 49%.

„Da“, „četvrtak“, „ne, onaj drugi“. Većina onoga što pozivalac kaže agentu je nekoliko riječi, a nekoliko riječi je ono što je prepoznavanju govora najteže pogoditi. Ova bilješka objašnjava zašto i opisuje put za kratke odgovore koji smo ugradili u Oasis Speech 2. Rezultati po jezicima nalaze se u tekstu [Oasis Speech 2: prepoznavanje u 48 jezika](/bs/research/oasis-speech-2/).

Mjerili smo u 48 jezika koje Oasis Speech prepoznaje, u telefonskom kvalitetu: svaka replika čista i kroz telefonski kodek G.711, uz snimke stvarnih ljudi koji izgovaraju kratke govorne zahtjeve. Verzija 1 i verzija 2 sistema Oasis Speech radile su na istom zvuku.

Oasis Speech 2 smanjuje stopu grešaka na odgovorima od jedne riječi za 49% (medijan u 48 jezika), a svih 48 jezika je napredovalo na kratkim odgovorima, svaka promjena statistički značajna. Kratak odgovor se prepoznaje za oko 150 ms u medijanu (95. percentil oko 210 ms), a na zvuku iz pozivnih centara greška kalibracije ocjene pouzdanosti pala je za 74%.

## Telefonski poziv se sastoji od kratkih odgovora

Poslušajte uslužni poziv sa strane pozivaoca. „Da.“ „Utorak.“ „Ne, onaj drugi broj.“ „Petrović.“ „Četiri četiri jedan sedam.“ Agent pita, a pozivalac odgovara s jednom do tri riječi.

Te riječi nose poziv. Pogrešno čuto „da“ rezerviše pogrešan termin. Pogrešno čuto prezime stvara drugi zapis o klijentu. Pogrešno čuta cifra šalje podsjetnik na pogrešan račun.

Timovi obično grade, podešavaju i testiraju prepoznavanje govora na rečenicama. Na rečenici konvencionalni prepoznavač pogriješi u oko dva znaka od sto. Na jednoj riječi izrezanoj iz istog govora konvencionalni prepoznavač može pogriješiti u jednom znaku od dva. Kratki odgovori su najteži slučaj za prepoznavanje i najčešći na pozivu.

## Zašto je kratko teško

Na kratkom odgovoru se skuplja šest efekata. Svaki je mali na rečenici, a velik na riječi.

### Nedostatak konteksta

Prepoznavanje se oslanja na kontekst. Unutar rečenice prepoznavač predviđa svaku riječ iz susjednih, a susjedne riječi isključuju većinu pogrešnih kandidata. Riječ sama nema susjeda. Jedini dokaz je zvuk.

### Budžet dokaza

Odgovor od jedne riječi traje od 300 do 600 ms. Pucketanje na liniji, udah ili artefakt kodeka pokriva znatno veći dio tog odgovora nego petosekundne rečenice, a oko njega nema ničega što bi štetu usrednjilo.

### Osjetljive ivice

Prvi i posljednji zvuk replike najlakše se gube: govornik počinje tiho, detekcija glasa se otvori djelić sekunde kasno, posljednji suglasnik utihne. U rečenici su to dva zvuka od pedeset. U riječi „da“ to su dva od tri.

### Uski opseg

Telefonska linija prenosi otprilike od 300 do 3.400 Hz. Suglasnici koji razlikuju mnoge riječi (s, f, š i drugi frikativi) veći dio energije nose iznad toga. U rečenici ih vraća kontekst. U jednoj riječi ih ne vraća ništa.

### Privlačnost tišine

Prepoznavač istreniran na tečnom govoru želi proizvoditi riječi. Kad dobije udah, kašalj ili nekoliko stotina milisekundi šuma na liniji, sklon je vratiti kratku, uvjerljivu riječ: „da“, „okej“, „halo“. Kratke replike sadrže mnogo više takvog zvuka nego rečenice.

### Nepopustljiva metrika

Jedno pogrešno slovo u riječi „da“ je trećina riječi. Iste greške koje rečenici koštaju jedan poen greške, kratkom odgovoru koštaju trideset.

## Vlastiti put

Oasis Speech 2 kratku repliku tretira kao poseban problem. Kad je replika kraća od nekoliko sekundi, ide posebnim putem za kratke odgovore, kojem rečenice nikad ne pristupaju. Taj put radi četiri stvari koje prepoznavaču rečenica nisu potrebne.

### Odmjerava nekoliko čitanja prije odgovora

Put za kratke odgovore zadržava nekoliko suparničkih čitanja umjesto da se veže za prvi transkript koji nađe. Među njima bira na osnovu dokaza koji su važni za kratak odgovor: koliko se svako slaže sa zvukom, koliko je vjerovatno kao nešto što osoba kaže u odgovoru i da li njegova dužina odgovara dužini govora.

### Zna koliko odgovor treba biti dug

Na kratkom zvuku prepoznavač obično ispusti riječ ili izmisli jednu. Provjera dužine, podešena po jeziku, drži odgovor u granicama onoga što može stati u trajanje govora.

### Tišinu drži tihom

Posebna kapija za ne-govor gleda akustiku replike. Za kašalj, pucketanje ili glas u pozadini vraća prazan rezultat umjesto izmišljenog „da“. Na stvarnim snimcima kratkih odgovora kapija nije smetala: ispraznila je najviše 0,2% pravih kratkih odgovora.

### Kaže koliko je sigurno

Svaki rezultat nosi ocjenu pouzdanosti, kalibrisanu tako da 0,8 znači da su oko četiri od pet riječi te replike tačne, i za odgovor od jedne riječi i za cijelu rečenicu. Na zvuku iz pozivnih centara greška kalibracije pala je za 74%. Agent koristi ocjenu: ispod praga traži od pozivaoca da ponovi umjesto da nagađa ime ili cifru.

### Podešen za svaki jezik

Put podešavamo posebno za svaki od 48 jezika, na kratkim odgovorima tretiranim kao zasebna kategorija, a ne kao usputni proizvod rečenica. Postavke jezika se isporučuju samo ako je dobitak statistički siguran: uparen bootstrap interval promjene koji leži u cijelosti ispod nule.

Put održava prepoznavanje brzim. Kratak odgovor stiže za oko 150 ms u medijanu i za oko 210 ms u 95. percentilu.

## Kako smo mjerili

- **48 jezika**, mjereno u telefonskom kvalitetu.
- **Obje linije.** Svaku repliku mjerimo dvaput: onako kako je snimljena i nakon prolaska kroz G.711, kodek običnog telefonskog voda. Brojke su prosjek ta dva mjerenja.
- **Kratke replike rezane kao odgovori.** Iz svake rečenice uzimamo jednu dugu repliku i dvije kratke od jedne do tri riječi. Kratku repliku režemo na prirodnoj pauzi gdje je moguće, zadržavamo 80 ms tišine oko nje i dopunjavamo je tišinom iz same snimke, nikad susjednim riječima.
- **Replike slične odgovoru.** Podskup kratkih replika s tišinom s obje strane i bez usamljene riječi-popune: ono što je najbliže odgovoru pozivaoca.
- **Verzija 1 naspram verzije 2** na istom zvuku, rezanom i dopunjenom na isti način.
- **Statistika.** Medijani preko jezika s 95% intervalima koji ponovo uzorkuju i jezike i rečenice u svakom. Jezik se računa kao poboljšan samo ako njegova promjena ostane značajna nakon Holmove korekcije preko svih 48.

## Rezultati

Oasis Speech 2 smanjuje stopu grešaka na kratkim odgovorima u odnosu na verziju 1. Medijan u 48 jezika.

_Smanjenje stope grešaka na kratkim odgovorima po dužini i broj od 48 jezika koji su napredovali; više je bolje._

| Kratki odgovori         | Smanjenje stope grešaka |       Poboljšani jezici |
| ----------------------- | ----------------------: | ----------------------: |
| Jedna riječ             |                 **49%** |                 48 / 48 |
| Dvije riječi            |                 **42%** |                 48 / 48 |
| Tri riječi              |                 **41%** |                 48 / 48 |
| Sve kratke replike      |                 **44%** |                 48 / 48 |
| Replike slične odgovoru |                 **43%** | 36 / 47, nijedan lošiji |

### Osam jezika izbliza

_Smanjenje stope grešaka na kratkim odgovorima u odnosu na verziju 1; više je bolje._

| Jezik       | Smanjenje stope grešaka |
| ----------- | ----------------------: |
| Srpski      |                     51% |
| Bosanski    |                     49% |
| Hrvatski    |                     44% |
| Italijanski |                     40% |
| Njemački    |                     36% |
| Španski     |                     32% |
| Portugalski |                     31% |
| Francuski   |                     27% |

## Na stvarnim kratkim snimcima

Mjerili smo i na snimcima stvarnih ljudi koji izgovaraju kratke govorne zahtjeve od jedne do tri riječi, svojim glasom. Oasis Speech 2 na njima smanjuje stopu grešaka, kroz telefonski kodek G.711:

_Smanjenje stope grešaka na kratkim govornim zahtjevima, kroz telefonski kodek G.711; više je bolje._

| Jezik       | Smanjenje stope grešaka |
| ----------- | ----------------------: |
| Španski     |                     27% |
| Njemački    |                     41% |
| Holandski   |                     30% |
| Turski      |                     33% |
| Portugalski |                     31% |
| Poljski     |                     29% |
| Francuski   |                     40% |
| Mađarski    |                     52% |
| Arapski     |                     34% |

Verzija 2 je u svakom ovdje navedenom jeziku bila bolja od verzije 1, i na čistom zvuku i kroz telefonski kodek. To su brojke za kratke replike koje su najbliže tome kako zvuči pozivalac. Na čistom zvuku stopa grešaka na kratkim odgovorima iznosi 2,9% za španski i 4,0% za njemački (niže je bolje).

## Šta agent radi s tim

Agent se nadovezuje na ono što prepoznavanje vrati:

- **Čita nazad ono što je važno.** Agent čita imena, brojeve, iznose i datume nazad pozivaocu prije nego što ih zabilježi.
- **Ponovo pita umjesto da nagađa.** Kad je ocjena pouzdanosti niska, agent traži od pozivaoca da ponovi i nikad ne upisuje cifru koju nije čuo.
- **Namjerno testiramo na lošem prepoznavanju.** Polygon agentima daje izobličen tekst, ispuštene riječi, cifre čitane jednu po jednu i riječi koje zvuče slično, da provjeri snalazi li se agent kad se prepoznavanje ne snađe. [Kako ocjenjujemo razgovor](/bs/research/how-we-grade-a-conversation/) opisuje metodu.

Stranica [Jezici](/bs/languages/) ocjenjuje svaki od 48 jezika koje agent čuje i govori.

Tags: Research, Prepoznavanje govora

---

Contact: hello@dialogist.cc