Threll.ai
Navn og talegjenkjenning

Agenten hører telefonnummeret riktig. Navnet er en annen sak.

På de målingene som finnes av ekte agentsamtaler, er navn den svakeste kategorien i hver eneste modell – flere ganger verre enn telefonnummer. Ikke fordi modellene er dårlige på navn, men fordi et navn ikke har noe å sjekkes mot.

5 min lesing
Kvinne i mørk skjorte står alene i et tomt personalkjøkken med mobilen mot øret og munnen halvåpen midt i en setning, mens lavt morgenlys fra høyre faller over kinnet hennes og over et papirark hun holder i forgrunnen

Vi har skrevet at tall er det vanskeligste en stemmeagent hører på norsk. Det står seg – tellemåten er et norsk problem som ingen internasjonal måling fanger opp. Men på de målingene som finnes av ekte agentsamtaler, er det ikke tall som ligger dårligst an. Det er navn.

Der feilene faktisk sitter

AssemblyAI publiserer feilrater brutt ned på entitetstype, målt mot Pipecats åpne test-sett. Det settet består av ekte samtaler mellom innringere og stemmeagenter, ikke opplest tekst. Fire modeller, samme lyd:

Modell Ordfeilrate Navn Telefonnummer
Universal-3.5 Pro Realtime 6,99 % 16,92 % 3,55 %
Google Chirp3 9,04 % 22,10 % 4,95 %
ElevenLabs Scribe v2 9,76 % 38,03 % 4,78 %
Deepgram Flux 15,58 % 39,21 % 10,41 %

Tre ting er verdt å stanse ved. Navn er den svakeste kategorien i alle fire radene. Navn er mellom knapt fire og åtte ganger verre enn telefonnummer – i samme modell, på samme lyd. Og overskriftstallet forutsier det ikke: Chirp3 og Scribe v2 ligger under ett prosentpoeng fra hverandre på ordfeilrate, og seksten prosentpoeng fra hverandre på navn.

Presiseringen hører med. Dette er leverandørens egne publiserte tall, og lyden er engelske samtaler. Nivåene gjelder ikke for en norsk linje, og et rangeringstall er aldri målt på telefonen deres. Rekkefølgen og mekanismen gjør det.

En uavhengig måling peker samme vei. I en fagartikkel lagt fram på EDM 2026 måler Trinh, He og Whitehill Whisper large-v3 på forelesningslyd, og får 32,3 prosent ordfeilrate på egennavn mot 7,0 prosent på alt annet i de samme opptakene. Det er en faktor på 4,6 – på nøyaktig de ordene som bærer saken. De samme forfatterne oppgir at Whisper large-v3 ligger på 28,9 prosent for personnavn i ConEC, et test-sett bygget på kvartalspresentasjoner.

Hvorfor et navn er vanskeligere enn et nummer

Et nummer har innebygd kontroll. Et navn har ingen. Ti mulige verdier per plass, en kjent lengde, og ofte et kontrollsiffer som avslører at noe er galt. Et etternavn har et vokabular på flere hundre tusen og ingen redundans i det hele tatt. Hører modellen «Bakke» der det ble sagt «pakke», finnes det ingenting i strengen som sier at det er feil.

Bokstavene som skiller norske navn, er de linja kaster bort. Forskjellen mellom b og p, d og t, v og f ligger i frekvensområder som vanlig telefoni fjerner på veien inn. Det er de samme parene som gjør et etternavn om til et vanlig ord: Bakke til pakke, Dahl til tall, Vold til fold.

æ, ø og å er skrivevalg, ikke lyder. Sæther, Sether og Seter kan lyde likt over en dårlig linje. Bjørn og Bjorn er samme lyd. Løvås, Lovaas og Lovås er tre måter å skrive samme familie. En modell som er trent mest på engelsk, har ingen sterk grunn til å plassere de bokstavene der de skal stå. Svensk har det samme problemet med ä og ö, dansk med æ og ø.

Samme navn har flere lovlige stavemåter. Olsen og Olsson. Andersen og Anderssen. Christiansen og Kristiansen. Selv en fonetisk perfekt transkripsjon peker ikke entydig på én rad i kunderegisteret.

Og navnet er det ene innringeren ikke kan si på en annen måte. «Kan du gjenta det?» hjelper på et spørsmål. På «Kjærstad» gir det agenten det samme signalet en gang til, litt høyere.

Vil du snakke med noen som har gjort dette før?

Femten minutter på telefon eller video. Vi sier ærlig fra om en stemmeagent passer for dere – og hva som må være avklart før den settes i drift.

Book møte (åpnes i nytt vindu)+47 24 12 66 30

15 minutter · uforpliktende · velg tid selv

Det som virker, er kontekst – men bare filtrert kontekst

Hovedfunnet i den samme fagartikkelen er verdt å ta med seg, for det er kontraintuitivt. Forfatterne lot en språkmodell rette egennavnene i etterkant, og prøvde tre måter å gi den noe å rette mot:

  1. Hele kontekstdokumentet. Feilraten på navn gikk opp, fra 32,3 til 43,4 prosent.
  2. Et sammendrag av dokumentet. Også verre: 38,6 prosent.
  3. Bare de navnene i konteksten som likner fonetisk på det modellen skrev, av samme type, sammen med setningene de står i. Ned til 22,7 prosent – en relativ forbedring på 30 prosent.

Mer kontekst gjorde det verre. Riktig kontekst gjorde det bedre. Og på navn som ikke fantes i dokumentet i det hele tatt, landet metoden på 23,6 prosent – altså gjorde den ikke skade der den ikke kunne hjelpe.

AssemblyAI rapporterer samme mønster fra en annen vinkel: å sende agentens eget spørsmål med til talemodellen kuttet ordfeilraten 10,2 prosent på 20 000 samtalefiler, og oppdiktede ord gikk ned 18,3 prosent. En modell som vet at spørsmålet var «hva er etternavnet ditt?», gjetter ikke på et vanlig ord.

Tre grep i oppsettet

  1. Send inn navnene før innringeren sier dem. Kommer anropet fra et nummer dere kjenner, vet dere hva kunden heter før hun har sagt et ord – og hvilke ansatte hun kan komme til å spørre etter. Send den listen inn som forventede termer. Men send en kort liste, ikke hele registeret: målingene over sier at ufiltrert kontekst gjør det verre.
  2. Send spørsmålet sammen med svaret. Agenten vet hva den nettopp spurte om. Får talemodellen vite det også, tolker den svaret som et navn framfor som et ord.
  3. La agenten aldri skrive inn et navn den er usikker på. Modeller gir en konfidensverdi per ord. Bruk den som en port: under terskelen leser agenten navnet tilbake bokstav for bokstav, eller samtalen settes over til et menneske. Et navn som havner feil i en journal eller en ordre, koster mer enn tretti sekunder ekstra i samtalen.

Tre spørsmål vi får

«Kan vi ikke bare be folk stave?» Det flytter problemet, det fjerner det ikke. Bokstavnavnene på norsk kolliderer nøyaktig der linja er svakest: be og de, pe og te, ce og se. Det finnes en offisiell norsk staveliste, men den er ikke i alminnelig bruk, så innringere improviserer – «D som i David», «D som i Dora», «D som i Danmark» – og agenten må nå tolke et helt nytt ord i tillegg til bokstaven. Staving hjelper mest når agenten leser tilbake, minst når innringeren leser opp.

«Hjelper en bedre modell?» Ja, og mer enn mange tror. Spriket i tabellen over er reelt: det er langt mer å hente på å velge riktig modell for navn enn for telefonnummer. Poenget er at overskriftstallet ikke viser hvor spriket ligger. Velg på entitetstallet, og mål byttet på egne samtaler.

«Kan vi hoppe over navnet?» Ofte ja, og det er kanskje det nyttigste svaret her. Ordrenummer og telefonnummer er kategoriene som måles lavest, og de peker like presist på raden i registeret. Spør om navnet fordi det er høflig. Slå opp på nummeret, fordi det er det som holder.

Threll.ai bygger stemmeagenter på norsk, svensk og dansk. Det finnes ingen modell som hører «Kjærstad» riktig hver gang over en telefonlinje. Det finnes derimot oppsett der agenten vet at den ikke hørte det – og det er den forskjellen som avgjør om feilen dukker opp i samtalen eller i journalen.

Relaterte artikler

Fortsett å lese flere artikler

Se alle artikler