Norge har en enda gång beslutat hur språket ska uttalas. Det skedde 1951, det gällde räkneorden, och initiativet kom från televerket.
Bakgrunden var praktisk. Telefonnumren i Oslo hade utökats från fem siffror till sex, och telegrafstyrelsen hade mätt att folk skrev ner märkbart färre fel när talen lästes i samma ordning som de skrivs – alltså tjugotre i stället för tre och tjugo. Stortinget beslutade enhälligt i november 1950, och den nya talordningen gällde från den 1 juli 1951.
Svenskan behövde aldrig något sådant beslut. Danskan tog aldrig det steget. Det är hela skälet till att en röstagent som är byggd för ”Norden” sällan är lika bra på alla tre språken – och till att det är svårt att upptäcka.
Svenskan är den enkla, och det är problemet
Svenska räkneord följer skriftordningen och systemet är rent tiobaserat. Femtiotvå är 52, och mer än så är det inte.
Danskan är motsatsen, och svår på två sätt samtidigt. Ordningen är omvänd: tooghalvfems är 92, med entalet först. Och tiotalen över fyrtio bär rester av ett tjugotalssystem. Halvtreds kommer av halvtredsindstyve – två och en halv gång tjugo – och halvfjerds av halvfjerdsindstyve, tre och en halv gång tjugo. Ett danskt tal över femtio är alltså inte bara uttalat baklänges. Det innehåller också ett led som inte ser ut som något tal alls.
Norskan ligger däremellan, med två sätt att säga tal i omlopp samtidigt: trettiseks och seksogtretti betyder samma sak, och båda förekommer i verkliga samtal.
Det praktiska problemet är inte att danskan är svår. Det är att svenskan är lätt. En modell som justeras på svenska siffror och sedan mäts på svenska siffror ser bra ut, och felen samlas i ett annat språk än det man tittade på. Det är ett av skälen till att språken bör byggas var för sig i stället för att behandlas som varianter av varandra.
Ett tal är inte ett tal. Det är ett fält.
Den viktigaste enskilda upplysningen en agent kan ha när den hör siffror är vad siffrorna ska föreställa.
Vet agenten att den fyller fältet ”organisationsnummer” vet den också att svaret ska vara tio siffror, och att den sista är en kontrollsiffra som räknas fram ur de nio framför. Då är transkriberingen inte längre en gissning som måste accepteras. Den är en gissning som kan avvisas.
| Nummer | Antal siffror | Så läses det oftast högt |
|---|---|---|
| Postnummer | 5 | Tre, sedan två |
| Organisationsnummer | 10 | Sex, sedan fyra |
| Personnummer | 10 eller 12 | Sex eller åtta, sedan fyra |
| Bankgiro | 7 eller 8 | Varierar |
| Telefonnummer | Varierar | Två och två, men längden är inte fast |
Den sista raden är värd att stanna vid, för den är ett svenskt problem. Norska och danska telefonnummer har åtta siffror, alltid. Svenska har det inte: riktnummer och abonnentnummer varierar i längd. Just den kontroll som är gratis i grannländerna – räkna siffrorna, avvisa om antalet inte stämmer – finns alltså inte här.
Svenskan är med andra ord lätt på orden och svår på längderna. Det är ett byte, inte en rabatt.
Linjen tar bort det som skiljer siffrorna åt
Vanlig telefoni överför ungefär 300 till 3400 hertz. Allt däröver försvinner.
Det är ett rimligt val för tal i allmänhet och ett dåligt val för siffror. Mycket av den energi som skiljer ett s-ljud från ett sj-ljud ligger över 3400 hertz. I en vanlig mening gör det ingenting, eftersom resten av meningen bär betydelsen. I en rad på tio siffror finns ingen sådan hjälp. Varje siffra måste stå på egna ben.
Det är också därför siffror är den del av samtalet som blir märkbart sämre när systemet lämnar labbet. En demo säger inte mycket om vad agenten gör på riktigt, och för siffror är avståndet mellan de två som störst: demon körs över bredband, med bra mikrofon, i ett tyst rum.
Pauserna är data
Läs ett telefonnummer högt. Du grupperar det, med en liten paus mellan varje grupp.
Grupperingen är inte utsmyckning. Den är felrättning. Den berättar för lyssnaren var varje bit börjar och slutar, och den är skälet till att den norska telegrafstyrelsen överhuvudtaget fick ett mätbart utslag 1949.
En vanlig uppbyggnad av en röstagent kastar bort den informationen. Ljudet går till taligenkänning, igenkänningen producerar en textsträng, och texten går vidare till språkmodellen. Pauserna överlever inte det steget. Modellen får 22334455, eller 2 2 3 3 4 4 5 5, och måste reda ut resten själv.
Det är värt att veta vad din leverantör faktiskt gör här, för det syns inte utifrån och det slår inte igenom i något tal du får rapporterat. Hög träffsäkerhet på ordnivå kan mycket väl stå sida vid sida med att var femte kontonummer blir fel – ord är många, och siffror är få.
Det som faktiskt hjälper
Tre saker, i den ordningen.
Agenten bör veta vilket fält den fyller innan kunden börjar tala, så att längd och kontrollsiffra får göra jobbet. Saknas den fasta längden, som för svenska telefonnummer, blir återläsningen desto viktigare.
Agenten bör läsa tillbaka numret i den gruppering kunden förväntar sig – tre och två för ett postnummer, sex och fyra för ett personnummer. En återläsning i fel rytm bekräftas nästan lika ofta som en rätt, eftersom kunden lyssnar efter siffror och inte efter struktur.
Och den bör få ge upp. Ett nummer som inte stämmer mot kontrollsiffran efter två försök förtjänar inte ett tredje. Det är en punkt där samtalet ska gå vidare till en människa – med de siffror agenten faktiskt uppfattade skickade med.
Den här gången kan beslutet inte komma utifrån
Lösningen i Norge 1951 var elegant för att den var möjlig. Man kunde ändra hur ett helt land talar, eftersom det fanns en kanal och alla använde den.
Den utvägen finns inte i dag. Ingen kommer att besluta att kunderna ska läsa sitt personnummer i grupper om sex och fyra för att maskinen ska slippa ta fel. Korrigeringen måste ligga i systemet.
Threll.ai bygger röstagenter på svenska, norska och danska. En agent som förstår hela din mening men skriver ner en siffra fel i kontonumret har inte löst samtalet. Den har bara gjort felet svårare att upptäcka.
