«Forstår den dialekt?» er som regel det første spørsmålet en norsk virksomhet stiller om en stemmeagent. Det er et godt spørsmål, svaret har blitt merkbart bedre, og det dekker likevel bare den ene retningen.
Nasjonalbibliotekets norske talemodell, NB-Whisper, er trent på blant annet NST-materialet og opptak fra Stortinget, og den gir fra seg normalisert bokmål eller nynorsk – uansett hvem som snakker. Det er ikke en svakhet. Det er hele hensikten: en transkripsjon skal være lesbar og søkbar, ikke en gjengivelse av hvordan noen sa det. Dialekten blir hørt, og så blir den lagt bort i første ledd.
Ressursene for den motsatte veien finnes også. Nasjonalbibliotekets uttaleleksikon NB Uttale har 785 000 ord transkribert i fem uttalevarianter – østnorsk, sørvestlandsk, vestlandsk, trøndersk og nordnorsk – laget nettopp for taleteknologi, talesyntese inkludert. NB Tale har opptak av 380 talere fra 24 dialektområder.
Likevel er stemmene du faktisk velger mellom når du setter opp en agent, i praksis standard østnorsk. Ett alternativ, presentert som en liste.
Det er et valg, ikke en innstilling
For de fleste er standard østnorsk riktig svar. Det er nøytralt, det forstås overalt, og ingen legger merke til det.
Men det er ikke riktig for alle. Et verksted i Volda, en klinikk på Stord, et lag som svarer medlemmene sine: der er det å høres lokal ut ikke pynt, det er selve påstanden. En stemme fra Oslo som sier «hei, du har kommet til oss», forteller noe om hvor «oss» ligger – uten å mene det.
Sømmen blir tydeligst i overleveringen. Agenten snakker standard østnorsk i halvannet minutt, og så tar en kollega over som snakker sunnmørsk. For innringeren er ikke det to stemmer. Det er én samtale som bytter selskap midtveis. Hva som følger med over til mennesket, bestemmer dere på forhånd – hvordan de to høres ut ved siden av hverandre, er det få som har tatt stilling til.
To ting som ikke koster noe
Skriv ned hvorfor agenten deres høres ut som den gjør. Ble stemmen valgt, eller sto den først i lista? Stemmevalget er i ferd med å bli et innkjøp med et opphav og en avtale bak seg, og da er det greit å ha en begrunnelse som ikke er «den lå der».
Og test forståelsen i den retningen som faktisk er vanskelig. Ikke les en setning inn i en demo – ring deres eget nummer, og la noen fra hvert av områdene kundene deres ringer fra, oppgi et etternavn og en dato. Telefonlinja har alt kastet bort en god del av signalet før modellen får det, og det er der forskjellen mellom dialekter blir større, ikke mindre.
Threll.ai bygger stemmeagenter på norsk, svensk og dansk. Dialektspørsmålet har to sider, og den andre – hva agenten selv høres ut som – er avgjort hos de fleste uten at noen bestemte det.
