Lyd og talegenkendelse

Telefonlinjen smider halvdelen af stemmen væk

Demoen forstod alt. Så blev agenten sat på et telefonnummer, og nu hører den «hund» som «hun». Modellen er den samme – den lyd, den får ind, er det ikke.

31. aug. 20265 min læsning

Kvinde i mørk quiltet jakke står i elevatorforhallen i en boligejendom med mobilen mod øret og den frie hånd løftet, mens hun gentager noget, set gennem glasvæggen fra indgangspartiet, mens en mand i mørk frakke venter uskarpt foran elevatordørene bag hende

Demoen lød perfekt. Agenten forstod alt, svarede hurtigt, læste e-mailadressen tilbage uden en eneste fejl.

Så blev den sat på et telefonnummer. Nu hører den «hund» som «hun», og «tak» som «tag».

Den nærliggende konklusion er, at modellen ikke er god nok til dansk. Som regel er modellen præcis den samme som i demoen. Det, der er anderledes, er den lyd, den får ind – og de to fejl ovenfor er ikke tilfældige. De ligger i hver sin ende af det, telefonlinjen smider væk.

Linjen er et filter, ikke et rør

Almindelig telefoni koder lyd i det, der kaldes smalbånd: 8.000 aflæsninger i sekundet og et frekvensbånd fra omkring 300 til omkring 3.400 hertz. Alt over og under forsvinder.

Standarden er arvet fra den analoge tid, og den blev sat lavt med vilje. Den skulle bære lige akkurat nok til, at ét menneske forstod et andet, ikke mere, fordi båndbredde kostede penge.

For et menneske er det rigeligt. Øret gætter resten. Vi hører, at der bliver sagt «hund», selv når den sidste konsonant er halvt væk, fordi vi har sammenhængen, forventningen og et helt liv med telefonsamtaler i ryggen.

En model til talegenkendelse har ikke det. Den har et signal. Og de fleste modeller er trænet på lyd med 16.000 aflæsninger i sekundet – bredbånd. Får den halvdelen af det, den er vant til, gætter den også, men den gætter dårligere, og den gætter på ting, et menneske aldrig ville gætte på.

Hvad lyden bærer	Cirka hvor	Overlever smalbånd?
Stemmens grundtone – tonefald og stød	80–250 Hz	Nej, ligger under grænsen på 300
Vokaler	300–2.500 Hz	Ja
s, sj og andre hvislelyde	3.000–8.000 Hz	Kun lige akkurat, eller slet ikke
Smældet i t, k og p	2.000–6.000 Hz	Delvist

Dansk bruger begge ender

Her holder det op med at være et generelt problem og bliver et nordisk et.

Øverst i båndet ligger de sidste konsonanter. Dansk skelner ord med en slutkonsonant, der udtales kort og svagt – «tak» og «tag», «hat» og «had», «lys» og «lyd». Smældet i et t eller et k bæres af energi et godt stykke over 3.000 hertz, og præcis dér skærer smalbåndet igennem. Det samme gælder forskellen mellem s og sj i ord som «sjov» og «sov». Når agenten hører «hun» for «hund», er det ikke nødvendigvis, fordi den ikke kan dansk. Det er, at forskellen mellem de to ord i høj grad blev filtreret væk i nettet. For en del af dem, der ringer, lægger der sig desuden endnu et filter oven på dette, i præcis samme frekvensområde.

Nederst i båndet ligger stødet. Stød er dansks eget kendetegn, og det er ikke en tone, men en kort knirken i stemmen – en ændring i selve stemmelæbernes svingning. «Hun» og «hund», «mor» og «mord» skelnes af stødet alene. Det lever i stemmens grundfrekvens, som for de fleste voksne holder sig mellem 80 og 250 hertz – altså under grænsen på 300. Vores øre genskaber grundtonen ud fra overtonerne, og et menneske hører derfor stødet fint i telefonen. En model, der skal opfange knirken i et signal, hvor grundtonen er filtreret væk, har et betydeligt sværere arbejde.

Dansk er dermed uheldigt stillet i begge ender på én gang: sproget bruger toppen af spektret til at skelne konsonanter og bunden til at skelne ord, og telefonlinjen tager lidt af begge dele. Det er en beslægtet grund til, at tal er det sværeste, en stemmeagent hører – dér ligger problemet i tællemåden, her i akustikken, men de rammer den samme samtale.

Vil du tale med nogen, der har gjort det før?

Femten minutter på telefon eller video. Vi siger ærligt, om en stemmeagent passer til jer – og hvad der skal være afklaret, før den går i drift.

Book møde +47 24 12 66 30

15 minutter · uforpligtende · vælg selv tid

Hvor båndbredden faktisk forsvinder

Det gode svar er, at den ikke behøver at forsvinde.

G.722 og Opus er udbredte bredbåndskodeks. De tager 16.000 aflæsninger i sekundet og bærer op mod 7.000 hertz. Ringer kunden fra en moderne mobil over VoLTE, sendes samtalen som regel i bredbånd fra håndsættet og ud i nettet.

Problemet er, at samtalen sjældent går lige igennem. Det svageste led bestemmer for hele vejen. Går opkaldet forbi ét eneste led, der kun taler smalbånd – en ældre central, en SIP-trunk sat op med G.711 som eneste mulighed, en gateway mod det gamle fastnet – bliver hele samtalen kodet ned dér. Båndbredden kommer ikke tilbage bagefter. Lyd, der er smidt væk, er smidt væk.

Det er værd at vide, fordi det hænger sammen med noget, folk gør uden at tænke på lyd overhovedet. Viderestilling lægger endnu et led til den vej, opkaldet tager, og hvert led er en ny anledning til at kode ned. En opsætning, der fungerede godt, da agenten sad direkte på nummeret, kan blive mærkbart dårligere, når opkaldet først skal forbi et virksomhedsnet.

Det er her, Threll.ai har truffet et valg, der handler om præcis dette. Vi kører på Telenors SIP-trunk med direkte integration mod operatørnettet, og det fjerner ét af de led, der ellers tvinger lyden ned i smalbånd: samtalen kan bæres i bredbånd med G.722 hele vejen frem til agenten, for de håndsæt, der understøtter det. Det hjælper ikke en kunde, der ringer fra et gammelt fastnet, og det hjælper ikke, hvis opkaldet allerede er kodet ned i et virksomhedsnet, vi ikke rører. Men det er det led, vi rent faktisk kan gøre noget ved.

Tallene, og forbeholdet der hører med

Der findes ikke noget godt offentligt tal på, hvad smalbånd koster i nøjagtighed på dansk. Det nærmeste er engelsksproget.

Voicegain, en leverandør af talegenkendelse, offentliggjorde i august 2025 en måling på 40 kundecenteroptagelser i 8 kHz smalbånd, hentet fra otte forskellige kunder i forskellige brancher. Den bedste model i testen ramte 87,67 procent af ordene. Den svageste ramte 68,38 procent. Det er næsten tyve procentpoints spænd mellem modeller, der alle regnes for gode.

Forbeholdene er reelle og bør stå: det er amerikansk engelsk, det er 40 filer, og det er leverandørens egen kuraterede samling – de har en åbenlys interesse i, at netop denne type lyd fremstår som svær. Tallene siger intet præcist om dansk.

Det, de siger noget om, er, at valget af model betyder langt mere på smalbånd end på ren lyd, og at forskelle, der ikke er synlige i en demo, bliver store i produktion. Det er den samme grund til, at de tal, en ny model bliver lanceret med, ikke siger meget om jeres egen linje.

Tre ting, der er værd at gøre

Find ud af, hvilket kodek samtalerne rent faktisk kører på. Spørgsmålet går til den, der ejer telefonien, ikke til leverandøren af agenten. Svaret skal være et navn: G.711, G.722, Opus, AMR-WB. Får du ikke et navn, er svaret i praksis G.711.

Test på den ægte vej ind. Ikke i browseren, ikke over et headset på kontoret. Ring til nummeret udefra, fra en mobil, gennem hele opsætningen, som en kunde ville gøre det. Det er den samme grund til, at demoen ikke overlever telefonen, og det hører hjemme i en pilot, der er sat op til at afdække noget.

Køb ikke en større model for at løse et lydproblem. Samler fejlene sig om hvislelyde, korte ord og navne, peger det mod båndbredde snarere end mod sprogforståelse. En dyrere model på den samme dårlige lyd giver bare en dyrere fejl. Og for nogle af dem, der ringer, ligger problemet slet ikke i linjen, men i at deres tale ligger langt fra det, modellen er trænet på.

Threll.ai bygger stemmeagenter på dansk, norsk og svensk. Det meste af arbejdet med at få en agent til at høre rigtigt ligger ikke i modellen. Det ligger i, hvor meget af lyden der er tilbage, når den når frem.

Ofte stillede spørgsmål

Antag G.711, og test udfaldet i stedet for at jagte svaret. Ring til nummeret udefra fra en mobil, som en kunde ville gøre, og læs et par ordpar op, der kun skilles af slutkonsonanten, som tak og tag eller hat og had, og et par, der kun skilles af stødet, som hun og hund. Hører agenten forskellen, bæres noget af bredbåndet frem; hører den den ikke, opfører linjen sig som smalbånd, uanset hvad nogen påstår. I behøver ingen adgang til nettet for at måle resultatet.

Kun hvis hele vejen bærer det, og gevinsten er tydeligst øverst i båndet, hvor smældet i t og k ligger. Det svageste led bestemmer for hele samtalen: både det håndsæt, kunden ringer fra, hvert led undervejs og et virksomhedsnet, I ikke rører, kan kode ned – og båndbredden kommer ikke tilbage bagefter. En opgradering i jeres ende er usynlig for den, der ringer fra et gammelt fastnet.

Stavning flytter problemet i stedet for at løse det. Bogstavnavne er korte ord, der skilles af netop de frekvenser, linjen har smidt væk, så b og p, t og d, e og i bliver lige så svære hver for sig, som navnet var i én bid. Bedre at læse tilbage, hvad agenten tror, den hørte, og lade kunden rette, for en bekræftelse bærer en sammenhæng, som stavning ikke gør.

Sortér de samtaler frem, hvor agenten bad om en gentagelse, og se på, hvad der faktisk blev misforstået. Samler det sig om navne, korte ord og hvislelyde, peger det mod båndbredde. Er det hele sætninger og meningen med henvendelsen, der glipper, er det forståelse. De to kræver hver sin indsats, og en større model hjælper kun på den anden.

Ikke direkte. Målingen er amerikansk engelsk, den bygger på 40 filer, og det er leverandørens egen kuraterede samling, så tallene siger intet præcist om dansk. Det, de kan bruges til, er at fastholde at modelvalget betyder langt mere på smalbånd end på ren lyd – der var næsten tyve procentpoint mellem den bedste og den svageste model. Den eneste måling, der afgør noget for jer, er derfor den, I selv laver på jeres egen vej ind.