旅行与住宿 / 住宿中介
Airbnb：语音客服的分类与引导
- 企业
- Airbnb
- 国家
- 美国
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
原有的IVR是固定的菜单树。来电者必须按键，沿既定路径走。通用语音识别模型经常听错Airbnb内部的用语，会把listing转成lifting，把help with my stay转成happy Christmas Day。
使用的技术与数据
IVR接通后，会请来电者用几句话说明来电原因。回答由Airbnb专用的ASR转写。公司把通用预训练模型换成了针对含噪电话语音调优的模型，并优化了领域词表以识别Airbnb的术语。Contact Reason Detection模型把来电归入取消与退款、账户问题等类别。帮助文档以embedding索引进向量数据库，通过余弦相似度取出最多30条，再由LLM重排序模型重新排列。排在最前的文档链接通过短信和应用通知发送。发送链接之前，Paraphrasing模型会把意图概括成一句话读给来电者听。当来电者提出要找人工时，另一个意图识别模型会捕捉到并转接给人工。
成果
在数百个语音样本上，词错误率从33%降到约10%。意图识别的延迟平均保持在50ms以下，文档检索通常在60ms内完成。概括语句的匹配由人工评估，精确率超过90%。Airbnb表示，随着错误率下降，帮助文档推荐的准确度提高，使用ASR菜单的客户NPS改善，对人工坐席的依赖和处理时间都有所减少。
局限与待解问题
全部客服咨询的解决率和成本节省率，原文中没有具体数字。自助解决率的改善只在面向英语地区host的实验中确认了方向。
来源
本案例根据公开资料整理，并非 ATF Works 客户的成果。