論文の概要: FEND: Far-End Detection in Outbound Voice AI Calls
- arxiv url: http://arxiv.org/abs/2611.18050v1
- Date: Fri, 13 Nov 2026 11:25:42 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:31:10.229104
- Title: FEND: Far-End Detection in Outbound Voice AI Calls
- Title(参考訳): FEND:アウトバウンド音声AI通話における極端検出
- Abstract要約: ボイスAIエージェントがアウトバウンドコールを行う場合、遠端はライブの人かもしれない。
提案されたフレームワークであるFENDは、遠方の音声とそのストリーミング書き起こしを読み取る。
自動クラスごとに1つの検出器(ボイスメール、AI呼び出し者)を実行する。
人間は、何も発生しないときにデフォルトとなり、20秒以内に1つのラベルを返す。
- 参考スコア(独自算出の注目度): 8.213992476007592
- License:
- Abstract: When a conversational Voice AI agent places an outbound call, the far end may be a live person, a voicemail greeting, an interactive voice response (IVR) system, or increasingly another AI system answering on the callee's behalf. Standard Answering Machine Detection (AMD) reports only whether a human or a machine picked up, a design meant for human call centres, where one machine is as uninteresting as another. That single bit does not tell a Voice AI agent what to do, since leaving a voicemail message, navigating an IVR and holding a short exchange with another AI are three different actions and a two-valued label cannot distinguish them. In 1,000 randomly sampled calls from our own outbound deployment, a live person answered 48.1%, a voicemail system 44.6%, an AI 6.9% and an IVR 0.4%. Our proposed framework, FEND, reads the far end's audio and its streaming transcript and runs one detector for each automated class (voicemail, IVR, AI callee), with human the default when nothing fires, returning a single label within 20 seconds. On a public benchmark the voicemail components reach 100% accuracy without ever misclassifying a live human, where Asterisk's AMD misclassifies 30 to 66% of them. For the AI callee, acoustic features do not transfer across recording conditions, but speech timing does, separating AI from human at 0.952 ROC-AUC, because synthesised speech leaves far shorter gaps between words. On production traffic, separating a live person from any automated far end reaches F1 0.979, and only 2.9% of live people are given an automated label, the error that matters most for an agent acting on the result.
- Abstract(参考訳): 会話型のVoice AIエージェントがアウトバウンドコールを行うと、遠端は生の人、ボイスメールの挨拶、対話型音声応答(IVR)システム、あるいは、呼び出し側に代わって応答する別のAIシステムとなる。
Standard Answering Machine Detection (AMD)は、人間または機械が拾ったかどうかのみを報告している。
ボイスメールメッセージを残し、IVRをナビゲートし、他のAIと短い交換を行うのは3つの異なるアクションであり、2つの評価されたラベルは区別できない。
私たちのアウトバウンドデプロイメントからランダムにサンプリングされた1000のコールで、ライブの人が48.1%、ボイスメールシステム44.6%、AI 6.9%、IVR 0.4%を回答した。
提案したフレームワークであるFENDは、遠方のオーディオとそのストリーミング書き起こしを読み出し、自動化されたクラス(ボイスメール、IVR、AI呼び出し)毎に1つの検出器を実行します。
公開ベンチマークでは、ボイスメールコンポーネントは生の人間を誤分類することなく100%精度に達し、アステリスクのAMDは30から66%を誤分類している。
AI呼び出し者にとって、音声の特徴は記録条件を越えて伝達されるのではなく、音声のタイミングは、合成音声が単語間のギャップをはるかに短くしているため、0.952 ROC-AUCでAIを人間から分離する。
生産トラフィックでは、任意の自動化された極端から生身を分離するF10.979に達し、その結果に作用するエージェントにとって最も重要なエラーである自動ラベルが与えられたのは、生身の2.9%のみである。
関連論文リスト
- DIY Customized Speech Recognition for a Person with Speech Disabilities [45.88028371034407]
本稿では,脳性麻痺者を対象とした音声認識システムの設計,実装,評価について述べる。
OpenAIのWhisperメディアとLow-Rank Adaptation (LoRA) を用いた大規模v3モデルを、最初の著者自身の講演から記録されたオーディオサンプルに微調整した。
これらのモデルに基づいて、最初の著者はリアルタイムインタプリタとして機能するモバイルアプリケーションであるAVozを開発した。
論文 参考訳(メタデータ) (2026-11-08T12:04:29Z) - XTurnix: Large-Scale Self-Supervised Turn Control through Two-State Binary Decisions [61.21258621703645]
XTurnixはテキストベースのコンパクトなモデルで、AIの現在のリスニング状態や発話状態に条件付けられた2つのバイナリ決定として、ターンコントロールを定式化する。
我々は、XTurnixを4つの公開ベンチマークとバランスの取れた自己計算ベンチマークで評価した。
論文 参考訳(メタデータ) (2026-10-03T09:49:00Z) - Voice-Light: A Full-Duplex Cascaded Voice Agent with Causal Turn-Taking and Speculative Generation [0.0]
本稿では、音声の信頼性を耐久性のある歴史のためにレンダリングする音声オーバ・ASRシステムを提案する。
早期に学習した完了チェックポイントは2.70%の偽カット率を維持したが、12.53%のターンリコールしか得られなかった。
したがってシステムは、学習された政治の代替を主張するのではなく、ハイブリッドコントローラを保有する。
論文 参考訳(メタデータ) (2026-09-17T18:49:48Z) - The Machines Are Calling: Measuring Automated and Synthetic Voices in Unwanted Inbound Calls [8.497127814945147]
2024年、FCC(連邦通信委員会)は、電話消費者保護法(TCPA)に基づくAI生成音声を提出した。
ピアレビューされた測定では、不要なコールトラフィックがマシンによってどれだけ置かれているかは示されていない。
10,987件の通話が66日間にわたって録音された。
論文 参考訳(メタデータ) (2026-09-10T06:28:50Z) - SWE-chat: Coding Agent Interactions From Real Users in the Wild [70.18158706281724]
SWE-chatは、オープンソースの開発者から収集された実際のコーディングエージェントセッションの大規模なデータセットである。
現在、データセットには6000のセッションが含まれており、63,000以上のユーザプロンプトと355,000のエージェントツールコールが含まれている。
論文 参考訳(メタデータ) (2026-04-22T17:08:19Z) - Real-Time Voicemail Detection in Telephony Audio Using Temporal Speech Activity Features [1.066048003460524]
本稿では,事前学習したニューラル音声活動検出器の音声活動パターンから15の時間的特徴を抽出する軽量なアプローチを提案する。
2つの評価セットで合計764の電話録音を行い、96.1%の精度で合成する。
論文 参考訳(メタデータ) (2026-04-02T17:43:24Z) - People are poorly equipped to detect AI-powered voice clones [12.3166714008126]
同一性マッチングと自然性の観点から,AI生成音声の現実性について報告する。
人間の参加者は、AIが生成した音声の記録を一貫して識別することはできない。
論文 参考訳(メタデータ) (2024-10-03T21:26:58Z) - Beyond Static Evaluation: A Dynamic Approach to Assessing AI Assistants' API Invocation Capabilities [48.922660354417204]
人間の関与なしにアシスタントのAPIコール能力を評価するために,自動動的評価(Automated Dynamic Evaluation, AutoDE)を提案する。
この枠組みでは,人間と機械の相互作用において,真の人間の会話パターンを忠実に反映するように努力する。
論文 参考訳(メタデータ) (2024-03-17T07:34:12Z) - Can Machines Imitate Humans? Integrative Turing-like tests for Language and Vision Demonstrate a Narrowing Gap [56.611702960809644]
3つの言語タスクと3つの視覚タスクで人間を模倣するAIの能力をベンチマークする。
次に,人間1,916名,AI10名を対象に,72,191名のチューリング様試験を行った。
模倣能力は従来のAIパフォーマンス指標と最小限の相関を示した。
論文 参考訳(メタデータ) (2022-11-23T16:16:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。