Threll.ai
Lyd og talegjenkjenning

Telefonlinja kaster bort halve stemmen din

Demoen forsto alt. Så ble agenten satt på et telefonnummer, og nå hører den «Kjell» som «skjell». Modellen er den samme – lyden den får inn, er det ikke.

5 min lesing
Kvinne i mørk boblejakke står i heisfoajeen i en boligblokk med mobilen mot øret og den frie hånden løftet mens hun gjentar noe, sett gjennom glassveggen fra inngangspartiet, mens en mann i mørk frakk venter uskarpt foran heisdørene bak henne

Demoen hørtes perfekt ut. Agenten forsto alt, svarte kjapt, leste tilbake e-postadressen uten en eneste feil.

Så ble den satt på et telefonnummer. Nå hører den «Kjell» som «skjell», og «bønner» som «bønder».

Den nærliggende konklusjonen er at modellen ikke er god nok på norsk. Som regel er modellen nøyaktig den samme som i demoen. Det som er forskjellig, er lyden den får inn – og de to feilene over er ikke tilfeldige. De ligger i hver sin ende av det telefonlinja kaster bort.

Linja er et filter, ikke et rør

Vanlig telefoni koder lyd i det som kalles smalbånd: 8 000 avlesninger i sekundet, og et frekvensbånd fra rundt 300 til rundt 3 400 hertz. Alt over og under forsvinner.

Standarden er arvet fra den analoge tida, og den ble satt lavt med vilje. Den skulle bære akkurat nok til at ett menneske forsto et annet, ikke mer, fordi båndbredde kostet penger.

For et menneske holder det fint. Øret gjetter resten. Vi hører at det er «Kjell» selv når halve konsonanten er borte, fordi vi har konteksten, forventningen og et helt liv med telefonsamtaler i ryggen.

En talegjenkjenningsmodell har ikke det. Den har et signal. Og de fleste modeller er trent på lyd med 16 000 avlesninger i sekundet – bredbånd. Får den halvparten av det den er vant til, gjetter den også, men den gjetter dårligere, og den gjetter på ting et menneske aldri ville gjettet på.

Hva lyden bærer Omtrent hvor Overlever smalbånd?
Grunntonen i stemmen – tonefall og tonelag 80–250 Hz Nei, ligger under kuttet på 300
Vokaler 300–2 500 Hz Ja
s, sj, kj, skj og andre hvislelyder 3 000–8 000 Hz Bare så vidt, eller ikke
Smellet i t, k og p 2 000–6 000 Hz Delvis

Norsk bruker begge endene

Her slutter dette å være et generelt problem og blir et nordisk et.

Øverst i båndet ligger forskjellen på hvislelydene. Skillet mellom kj og skj – «kjenner» og «skjenner», «kylling» og «skylling» – bæres i hovedsak av energi over 3 000 hertz. Det samme gjelder den retroflekse s-en i «norsk» og «vers», og smellet i en t eller k på slutten av et ord. Smalbåndet kutter tvers gjennom akkurat det området. Når agenten hører «skjell» for «Kjell», er det ikke nødvendigvis fordi den ikke kan norsk. Det er at forskjellen mellom de to lydene i stor grad ble filtrert bort i nettet. For en del av innringerne legger det seg dessuten et filter til oppå dette, i nøyaktig samme frekvensområde.

Nederst i båndet ligger grunntonen. Norsk og svensk skiller ord med tonelag: «bønner» og «bønder», «hender» som kroppsdel og «hender» som verb. Tonelaget ligger i stemmens grunnfrekvens, som for de fleste voksne holder seg mellom 80 og 250 hertz – altså under kuttet på 300. Øret vårt gjenskaper grunntonen ut fra overtonene, og et menneske hører derfor tonelaget helt greit på telefon. En modell som skal spore tonehøyde i et signal der grunntonen er filtrert bort, har en vesentlig vanskeligere jobb.

Norsk er dermed uheldig i begge ender samtidig: språket bruker toppen av spekteret til å skille konsonanter og bunnen til å skille ord, og telefonlinja tar litt av begge deler. Det er en beslektet grunn til at tall er det vanskeligste en stemmeagent hører på norsk – der ligger problemet i tellemåten, her i akustikken, men de rammer den samme samtalen.

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

Hvor båndbredden faktisk forsvinner

Det gode svaret er at den ikke trenger å forsvinne.

G.722 og Opus er utbredte bredbåndskodeker. De tar 16 000 avlesninger i sekundet og bærer opp mot 7 000 hertz. Ringer kunden fra en moderne mobil over VoLTE, sendes samtalen som regel i bredbånd fra håndsettet og ut i nettet.

Problemet er at samtalen sjelden går rett fram. Den svakeste lenken bestemmer for hele veien. Går anropet innom ett eneste ledd som bare snakker smalbånd – en eldre sentral, en SIP-trunk satt opp med G.711 som eneste alternativ, en gateway mot det gamle fastnettet – blir hele samtalen kodet ned der. Båndbredden kommer ikke tilbake etterpå. Lyd som er kastet bort, er kastet bort.

Det er verdt å vite, fordi det henger sammen med noe folk gjør uten å tenke på lyd i det hele tatt. Viderekobling legger et ledd til i veien anropet tar, og hvert ledd er en ny anledning til å kode ned. Et oppsett som fungerte godt da agenten satt rett på nummeret, kan bli merkbart dårligere når anropet først skal innom et bedriftsnett.

Det er her Threll.ai har gjort et valg som handler om nettopp dette. Vi kjører på Telenors SIP-trunk, med direkte integrasjon mot operatørnettet, og det fjerner ett av leddene som ellers tvinger lyden ned i smalbånd: samtalen kan bæres i bredbånd med G.722 helt fram til agenten, for de håndsettene som støtter det. Det hjelper ikke en kunde som ringer fra et gammelt fastnett, og det hjelper ikke hvis anropet allerede er kodet ned i et bedriftsnett vi ikke rører. Men det er det leddet vi faktisk kan gjøre noe med.

Tallene, og forbeholdet som hører med

Det finnes ikke noe godt offentlig tall på hva smalbånd koster i nøyaktighet på norsk. Det nærmeste er engelskspråklig.

Voicegain, en leverandør av talegjenkjenning, publiserte i august 2025 en måling på 40 kundesenteropptak i 8 kHz smalbånd, hentet fra åtte ulike kunder i ulike bransjer. Den beste modellen i testen traff 87,67 prosent av ordene. Den svakeste traff 68,38 prosent. Det er nesten tjue prosentpoengs spenn mellom modeller som alle regnes som gode.

Forbeholdene er reelle og bør stå: dette er amerikansk engelsk, det er 40 filer, og det er leverandørens egen kuraterte samling – de har en åpenbar interesse i at nettopp denne typen lyd framstår som vanskelig. Tallene sier ingenting presist om norsk.

Det de sier noe om, er at valget av modell betyr langt mer på smalbånd enn på ren lyd, og at forskjeller som ikke er synlige i en demo, blir store i produksjon. Det er den samme grunnen til at tallene en ny modell lanseres med, ikke sier stort om deres egen linje.

Tre ting som er verdt å gjøre

Finn ut hvilken kodek samtalene faktisk kjører på. Spørsmålet går til den som eier telefonien, ikke til leverandøren av 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 ekte veien inn. Ikke i nettleseren, ikke over et headset på kontoret. Ring nummeret utenfra, fra en mobil, gjennom hele oppsettet slik en kunde ville gjort det. Det er den samme grunnen til at demoen ikke overlever telefonen, og det hører hjemme i en pilot som er satt opp for å avdekke noe.

Ikke kjøp en større modell for å løse et lydproblem. Samler feilene seg rundt hvislelyder, korte ord og navn, peker det mot båndbredde snarere enn mot språkforståelse. En dyrere modell på samme dårlige lyd gir bare en dyrere feil. Og for noen innringere ligger problemet ikke i linja i det hele tatt, men i at talen deres ligger langt unna det modellen er trent på.

Threll.ai bygger stemmeagenter på norsk, svensk og dansk. Det meste av arbeidet med å få en agent til å høre riktig, ligger ikke i modellen. Det ligger i hvor mye av lyden som er igjen når den kommer fram.

Ofte stilte spørsmål

Anta G.711 og test utfallet i stedet for å jage svaret. Ring nummeret utenfra fra en mobil og les opp noen navn med kj- og skj-lyd, og et par ord som bare skilles av tonelag. Hører agenten forskjell, bæres noe av bredbåndet fram; hører den det ikke, oppfører linja seg som smalbånd uansett hva noen påstår. Du trenger ingen tilgang til nettet for å måle resultatet.

Bare hvis hele veien bærer det, og gevinsten er tydeligst øverst i båndet der kj og skj skilles. Det er den svakeste lenken som bestemmer: både innringerens håndsett, hvert ledd underveis og et bedriftsnett dere ikke rører, kan kode ned samtalen – og båndbredden kommer ikke tilbake etterpå. En oppgradering i deres ende blir usynlig for den som ringer fra et gammelt fastnett.

Staving flytter problemet i stedet for å løse det. Bokstavnavn er korte ord som skilles av nettopp de frekvensene linja har kastet bort, så b og p, t og d, e og i blir like vanskelige hver for seg som navnet var i én bit. Bedre å lese tilbake det agenten tror den hørte og la innringeren rette, siden en bekreftelse bærer kontekst som staving ikke gjør.

Sorter fram samtalene der agenten ba om en gjentakelse, og se på hva som faktisk ble misforstått. Samler det seg om navn, korte ord og hvislelyder, peker det mot båndbredde. Er det hele setninger og meningsinnhold som glipper, er det forståelse. De to krever ulike tiltak, og en større modell hjelper bare på det andre.

Delvis. Kuttet øverst i båndet rammer alle tre språkene, siden hvislelyder og smellet i t, k og p ligger der uansett. Problemet nederst i båndet er derimot norsk og svensk: dansk skiller ikke ordpar på tonelag slik de to gjør, så en dansk agent taper mindre på at grunntonen filtreres bort.

Relaterte artikler

Fortsett å lese flere artikler

Se alle artikler