Tall er det vanskeligste en stemmeagent hører på norsk

Begge tellemåtene er fortsatt i bruk

Vedtaket avskaffet ikke den gamle tellemåten. Den er fortsatt vanlig i dagligtale, særlig blant eldre.

For en stemmeagent betyr det at seksogtretti og trettiseks er samme tall, at syv og sju er samme siffer, og at tyve og tredve dukker opp i samtaler selv om de ikke er normerte former i bokmål. Kulturdepartementet godkjente bare syv da spørsmålet sist var oppe, i 2005.

Hver av disse er enkel å håndtere alene. Det som gjør det vanskelig, er at begge tellemåtene kan opptre i samme setning, fra samme person, i samme nummer. Én som leser opp elleve siffer, bytter gjerne rytme underveis uten å merke det selv.

Et tall er ikke et tall. Det er et felt.

Den viktigste enkeltopplysningen en agent kan ha når den hører sifre, er hva sifrene er ment å være.

Norske identifikasjonsnumre har faste lengder, og flere av dem har innebygde kontrollsiffer:

Nummer	Antall siffer	Slik det som regel leses høyt
Postnummer	4	Ett og ett, eller som ett firesifret tall
Telefonnummer	8	To og to
Organisasjonsnummer	9	Tre og tre
Kontonummer	11	Fire, to, fem
Fødselsnummer	11	Seks, deretter fem

Nummer

Antall siffer

Slik det som regel leses høyt

Postnummer

Ett og ett, eller som ett firesifret tall

Telefonnummer

To og to

Organisasjonsnummer

Tre og tre

Kontonummer

Fire, to, fem

Fødselsnummer

Seks, deretter fem

Vet agenten at den holder på å fylle feltet «organisasjonsnummer», vet den samtidig at svaret skal være ni siffer, og at det siste er et kontrollsiffer beregnet av de åtte foran. Da er ikke transkripsjonen lenger en gjetning som må godtas. Den er en gjetning som kan avvises. Kontonummer og fødselsnummer har tilsvarende kontroll.

Dette er en billig mekanisme, og den er billig nettopp fordi den ikke handler om lyd. Feltet gjør regnestykket, ikke øret.

Linja tar bort det som skiller sifrene fra hverandre

Vanlig telefoni overfører omtrent 300 til 3400 hertz. Alt over forsvinner, og det rammer atskillig mer enn sifrene.

Det er et fornuftig valg for tale generelt, og et dårlig valg for sifre. Mye av energien som skiller en s-lyd fra en sj-lyd ligger over 3400 hertz, og på en telefonlinje høres seks og sju derfor mindre forskjellige ut enn de gjør i et stille rom. I en vanlig setning gjør det ingenting, fordi resten av setningen bærer betydningen. I en rekke på elleve siffer finnes det ingen slik hjelp. Hvert siffer må stå på egne bein.

Det er også grunnen til at sifre er den delen av samtalen som forverres mest når systemet flyttes ut av laboratoriet. En demo sier lite om hva agenten gjør på ekte, og for tall er avstanden mellom de to størst: demoen kjøres over bredbånd, med god mikrofon, i et stille rom.

Pausene er data

Les et norsk telefonnummer høyt. Du grupperer det to og to, med en liten pause mellom hver gruppe.

Grupperingen er ikke pynt. Den er feilretting. Den forteller lytteren hvor hver bit begynner og slutter, og den er grunnen til at Telegrafstyret i det hele tatt fikk et målbart utslag i 1949.

En vanlig oppbygning av en stemmeagent kaster den informasjonen. Lyden går til talegjenkjenning, gjenkjenningen produserer en tekststreng, og teksten går videre til språkmodellen. Pausene overlever ikke det steget. Modellen får 22334455, eller 2 2 3 3 4 4 5 5, og må finne ut av resten selv.

Det er verdt å vite hva leverandøren din faktisk gjør her, for det er ikke synlig utenfra og det slår ikke ut i noe tall du får rapportert. Høy nøyaktighet på ordnivå kan fint stå side om side med at hvert femte kontonummer blir feil – ord er mange, og sifre er få.

Dansk er en annen oppgave enn svensk

Den samme agenten selges gjerne som «nordisk». På tallsiden er det tre ganske ulike oppgaver.

Svensk er den enkleste. Tallordene følger skriftrekkefølgen, og systemet er rent titallsbasert: femtiotvå er 52, uten videre.

Dansk er den vanskeligste, og vanskelig på to måter samtidig. Rekkefølgen er omvendt, slik den var i norsk før 1951: tooghalvfems er 92, med eneren først. Og tierne over førti bærer rester av et tyvetallssystem. Halvtreds kommer av halvtredsindstyve – to og en halv gang tyve – og halvfjerds av halvfjerdsindstyve, tre og en halv gang tyve. Et dansk tall over femti er altså ikke bare uttalt baklengs. Det inneholder også et ledd som ikke ser ut som noe tall i det hele tatt.

Norsk ligger imellom, med to tellemåter i omløp samtidig.

Konsekvensen er praktisk. En modell som er justert på svenske tall, og deretter målt på svenske tall, ser god ut og oppfører seg dårlig på dansk – og feilene samler seg i akkurat de feltene det koster mest å ta feil av. Det er en av grunnene til at språkene bør bygges hver for seg heller enn å behandles som varianter av hverandre.

Det som faktisk hjelper

Tre ting, i denne rekkefølgen.

Agenten bør vite hvilket felt den fyller før kunden begynner å snakke, slik at lengde og kontrollsiffer får gjøre jobben.

Den bør lese nummeret tilbake i den grupperingen kunden forventer – to og to for et telefonnummer, tre og tre for et organisasjonsnummer. En tilbakelesning i feil rytme blir bekreftet nesten like ofte som en riktig, fordi kunden hører etter sifre og ikke etter struktur.

Og den bør ha lov til å gi opp. Et nummer som ikke går opp mot kontrollsifferet etter to forsøk, fortjener ikke et tredje. Det er et punkt der samtalen skal over til et menneske – med sifrene agenten faktisk oppfattet, sendt med.

Denne gangen kan ikke vedtaket komme utenfra

Løsningen i 1951 var elegant fordi den var mulig. Man kunne endre hvordan et helt land snakker, fordi det fantes én kanal og alle brukte den.

Den utveien finnes ikke nå. Ingen kommer til å vedta at kundene skal lese kontonummeret sitt i grupper på fire, to og fem for at maskinen skal slippe å ta feil. Korreksjonen må ligge i systemet.

Threll.ai bygger stemmeagenter på norsk, svensk og dansk. En agent som forstår hele setningen din, men skriver ned ett siffer feil i kontonummeret, har ikke løst samtalen. Den har bare gjort feilen vanskeligere å oppdage.