【技术实现步骤摘要】
本申请涉及通信，特别涉及一种基于人工智能的外呼效率提升方法、系统及存储介质。
技术介绍
1、通信领域，voip外呼系统尤其受到关注。这些系统被广泛应用于客户服务、电话销售、市场调查等领域，其核心优势在于能够自动化地处理大量的呼叫任务。然而，尽管voip外呼系统在处理能力和成本效率上具有明显优势，但在实际运营中仍面临一些挑战，特别是与电话接通率和通话效率相关的问题。
2、目前市场上的一些voip系统尝试通过设定时间阈值或使用语音转文字的技术来判断呼叫是否成功。时间阈值的方案往往是固定等待60秒后没有接通则立即挂断，这种方案带来长时间的等待。而基于语音转文字的技术的方案虽然优于前者，但仍然存在以下问题，需要耗费一定资源的来进行声学模型分析以及语言学分析，训练成本以及推理成本远大于针对机械播报声的音频特征识别；针对早期媒体使用的是区域性方言的支持效果不好；仍需要较长的音频采集以获取一整个语义单位的转写文本来实现准确的未接通状态的识别。
3、综上，本专利技术目的是为了解决voip外呼系统拨打的电话无法成功接通，包括号码无效、用户忙线、服务中断或用户拒接。这些未接通的呼叫不仅降低了整体的通信效率，而且也造成了资源的浪费的技术问题。
技术实现思路
1、本申请为解决现有的电话电话无法成功接通，以及通话效率低的技术问题，提供一种基于人工智能的外呼效率提升方法、系统及存储介质。
2、具体的，本申请提供基于人工智能的外呼效率提升方法，包括以下步骤：
3、
4、步骤2：开发基于websocket的api服务，用于实时接收和处理音频数据，并将处理结果输出至接口调用方；
5、步骤3：基于所述样本数据集和基于websocket的api服务，执行外呼处理流程，并进行实时外呼异常监控。
6、本专利技术的主要目的是显著提高voip智能外呼系统的电话呼叫效率。通过开发一种基于人工智能的解决方案，利用先进的机器学习算法来识别未接通时的铃声提示音，并在确认电话无法接通时自动挂断，从而优化整个外呼流程，减少因电话无法接通而造成的时间和资源浪费。
7、优选的，所述步骤1还包括：
8、s101：将所述样本数据集按一预设比例划分为训练集、验证集和测试集；其中，所述样本数据集包括语音播报的未接通样本，无播报的未接通样本和已接通的样本；
9、s102：采用卷积神经网络cnn作为基础模型架构，在训练集上进行模型训练得到分类模型；
10、s103：在验证集上进行卷积神经网络cnn模型性能评估，基于性能评估结果进行模型进行调整和优化；
11、s104：在测试集上对对卷积神经网络cnn模型进行最终评估。
12、其中，所述步骤s102之前，还包括：
13、采用melspectrogram方法对样本数据集进行预处理。
14、进一步的，所述步骤s102之前，还包括：
15、对所述样本数据集中的样本数据进行打标签分类，分类包括未接通，已接通以及其他分类。
16、其中，所述步骤2还包括：
17、s201：分类模型导出为onnx格式，通过onnxruntime进行加载和运行模型；
18、s202：开发基于websocket的api服务接收音频数据，预处理后调用分类模型计算出分类结果；
19、s203：对所述分类结果进行处理，如果类别索引为未接通，分类概率达到分类阈值，则通过websocket输出未接通结果给接口调用方，否则输出未确认结果。
20、其中，所述步骤3中的执行外呼处理流程，包括：
21、s301：开始执行外呼处理流程；
22、s302：接受sip信号；
23、s303：判断信令类型，若为183信令或180信令，转s304；否则，为其他信令，则返回ss302；
24、s304：采集早期媒体样本，以100ms为一个时间单位进行音频分片处理，并推送给音频分析模块进行分析；
25、s305：将音频通过base64处理，并通过websocket送到分类模型的api服务，接收api服务返回的预测结果；
26、s306：判断所述预测结果若为未接通，立即发送bye信令，挂断该通通话；若为已接通或其他分类，则持续送音频分片到分类模型api服务。
27、本专利技术公开了一种基于人工智能的外呼效率提升方法，通过对早期媒体的音频特征进行识别，从而达到更加快速的判断是否为未接通的情况，从而直接挂断以减少音频传输所带来的资源浪费以及等待时间。
28、基于同一构思，本专利技术还提供一种基于人工智能的外呼效率提升系统，所述系统包括：
29、模型处理单元，采用卷积神经网络cnn作为基础模型架构，对所收集的早期媒体样本进行模型处理；
30、系统集成单元，开发基于websocket的api服务，用于实时接收和处理音频数据，并将处理结果输出至接口调用方；
31、外呼处理单元，基于所述样本数据集和基于websocket的api服务，执行外呼处理流程，并进行实时外呼异常监控。
32、其中，所述模型处理单元，包括：
33、采集模块，基于所采集的早期媒体样本构建样本数据集，将所述样本数据集按一预设比例划分为训练集、验证集和测试集；
34、预处理模块，采用melspectrogram方法对样本数据集进行预处理；
35、以及分类模块，对所述样本数据集中的样本数据进行打标签分类。
36、进一步的，所述模型处理单元，还包括：
37、模型训练模块，在训练集上进行模型训练得到分类模型；
38、模型优化模块，在验证集上进行卷积神经网络cnn模型性能评估，基于性能评估结果进行模型进行调整和优化；
39、以及模型评估模块，在测试集上对对卷积神经网络cnn模型进行最终评估。
40、基于同一构思，本专利技术还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述基于人工智能的外呼效率提升方法。
41、与现有技术相比，本申请的有益效果在于：
42、本专利技术的目的在于提供基于人工智能的外呼效率提升方法、系统及存储介质，包括一个早期媒体处理流程以及一个提供分类模型的接口服务。本专利技术通过利用卷积神经网络(cnn)开发了一个能够准确分类电话状态的深度学习模型，如未接通、已接通、其他分类；进而开发了基于websocket的api服务，使得系统可以实时接收和处理音频数据，同时保证了数据传输的实时性和高效性；实现了一套完整的外呼处理流程，包括音频采集、接口调用和结果处理，有效地利用深度学习模型来优化外呼效率。通过智能化识别电话状态，显著提高了电本文档来自技高网...
【技术保护点】
1.一种基于人工智能的外呼效率提升方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤1还包括：
3.根据权利要求2所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤S102之前，还包括：
4.根据权利要求3所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤S102之前，还包括：
5.根据权利要求4所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤2还包括：
6.根据权利要求5所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤3中的执行外呼处理流程，包括：
7.根据权利要求1-6任一所述的一种基于人工智能的外呼效率提升方法的系统，其特征在于，所述系统包括：
8.根据权利要求7所述的系统，其特征在于，所述模型处理单元，包括：
9.根据权利要求8所述的系统，其特征在于，所述模型处理单元，还包括：
10.一种存储介质，其特征在于，包括：所述存储器用于存储计算机程序，所述计
...【技术特征摘要】
1.一种基于人工智能的外呼效率提升方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤1还包括：
3.根据权利要求2所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤s102之前，还包括：
4.根据权利要求3所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤s102之前，还包括：
5.根据权利要求4所述的一种基于人工智能的外呼效率提升方法，其特征在于，所述步骤2还包括：
6.根据权利要求5所述的一种...
【专利技术属性】
技术研发人员：郑焕彬，李俊纬，
申请(专利权)人：广东爱因智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。