ผู้ติดป้ายกำกับที่ผ่านการฝึกอบรมสองคน ซึ่งติดป้ายกำกับความรู้สึกของประโยคจากศูนย์บริการลูกค้า 20,000 ประโยค เห็นตรงกันที่ค่าแคปปาของโคเฮนเพียง 0.605 ในมาตราที่ 1.0 คือเห็นตรงกันสมบูรณ์ และ 0 คือความบังเอิญ (นักวิจัยของ ConnexAI, IntechOpen 2026) เพดานนี้สำคัญ เพราะคะแนนความรู้สึกทุกตัวในแดชบอร์ดวิเคราะห์เสียงพูดถูกฝึกและให้คะแนนจากป้ายกำกับแบบนี้ ขณะเดียวกัน ระบบรู้จำเสียงพูดเชิงพาณิชย์ฟังคำผิด 16.5% ถึง 19.2% ในบทสนทนาจริงของศูนย์บริการลูกค้า 50 รายการ เทียบกับ 10.2% ถึง 11.62% ในเกณฑ์มาตรฐานโทรศัพท์มาตรฐาน (Szymanski และคณะ, Findings of EMNLP 2020) และ 49.8% ของ 1,104 บริษัทใช้การวิเคราะห์การโต้ตอบกับข้อความถอดเสียงเหล่านั้นอยู่แล้ว (Metrigy, AI for Business Success 2025-26) เรารวบรวมข้อมูลจาก Metrigy เอกสารยื่นต่อ SEC ของ NICE และ Verint เกณฑ์มาตรฐานด้านเสียงพูดที่เผยแพร่ใน EMNLP และ LREC โดย OpenAI และบน arXiv, NBER, กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป (EU AI Act) และสภานิติบัญญัติรัฐอิลลินอยส์ รวมถึงแหล่งข้อมูลปฐมภูมิอื่นอีกหลายแห่ง สำหรับด้านระบบอัตโนมัติของอุตสาหกรรมเดียวกัน (วอยซ์บอตและเอเจนต์ AI ไม่ใช่การวิเคราะห์) ดูสถิติระบบอัตโนมัติของศูนย์ติดต่อลูกค้าด้วย AI เสียงของเรา
สรุปโดยย่อ
- 49.8% ของบริษัทใช้การวิเคราะห์การโต้ตอบอยู่แล้ว และอีก 29.9% วางแผนจะเพิ่ม (Metrigy, AI for Business Success 2025-26)
- 55% ของศูนย์ติดต่อลูกค้ายังทำการประกันคุณภาพด้วยสเปรดชีต ลดลงจาก 65% เมื่อปีก่อน (Scorebuddy และ Call Centre Helper, ธันวาคม 2025)
- อัตราความผิดพลาดของคำของ ASR เชิงพาณิชย์ในบทสนทนาจริงของศูนย์บริการลูกค้า 50 รายการ: 16.5% ถึง 19.2% (Szymanski และคณะ, Findings of EMNLP 2020)
- Whisper large-v2 ถอดคำผิด 17.6% กับสายโทรศัพท์ CallHome แต่ 2.7% กับเสียงหนังสือเสียงที่อ่านตามสคริปต์ (OpenAI, บทความ Whisper, 2022)
- กับเสียงจริงของศูนย์บริการลูกค้าที่มีสำเนียงแอฟริกัน Whisper-large-v3 ทำ WER ได้ 24.69% และโมเดลที่ดีที่สุดทำได้ 13.45% (AfriSpeech-MultiBench, arXiv 2025)
- ผู้ติดป้ายกำกับที่เป็นมนุษย์เห็นตรงกันเรื่องความรู้สึกของประโยคจากศูนย์บริการลูกค้าที่ค่าแคปปาของโคเฮน 0.605 (นักวิจัยของ ConnexAI, IntechOpen 2026)
- ผู้ติดป้ายกำกับสองคนที่ประเมินสายลูกค้าจริงเห็นตรงกันที่ ICC เพียง 0.62 สำหรับวาเลนซ์ และ 0.52 สำหรับระดับการตื่นตัว (การศึกษา CusEmo, arXiv 2023)
- โมเดลความรู้สึกที่ใช้เฉพาะเสียงทางอะคูสติกทำความแม่นยำแบบถ่วงน้ำหนักได้ 54.23% กับสายโทรศัพท์ เทียบกับ 85.76% ของมนุษย์ (Chen และคณะ, LREC 2020)
- ผู้ช่วย AI เพิ่มผลิตภาพของเอเจนต์ฝ่ายสนับสนุน 14% และความรู้สึกของลูกค้า 0.18 คะแนนในมาตรา -1 ถึง 1 (เอกสารการทำงาน NBER 31161)
- การอนุมานอารมณ์ของพนักงานในที่ทำงานจากเสียงถูกห้ามในสหภาพยุโรปตั้งแต่ 2 กุมภาพันธ์ 2025 (กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป, ข้อบังคับ (EU) 2024/1689)
- รัฐอิลลินอยส์กำหนดค่าเสียหาย $1,000 ถึง $5,000 ต่อการละเมิดที่เกี่ยวกับตัวระบุชีวมิติ เช่น ลายเสียง (740 ILCS 14)
1. การนำไปใช้: การวิเคราะห์การโต้ตอบและการประกันคุณภาพอัตโนมัติ
คำถามเรื่องการนำไปใช้ได้คำตอบมาแล้วครึ่งหนึ่ง 49.8% ของ 1,104 บริษัทใช้การวิเคราะห์การโต้ตอบอยู่แล้ว (ซอฟต์แวร์ที่ถอดเสียงและขุดข้อมูลจากสายโทรศัพท์ แชต และอีเมลเพื่อหาหัวข้อ ถ้อยคำด้านการปฏิบัติตามกฎระเบียบ และความรู้สึก) และอีก 29.9% วางแผนจะนำมาใช้ภายในปี (Metrigy, AI for Business Success 2025-26) สิ่งที่เปลี่ยนไปคือหน้าที่ของมัน กลุ่มผู้นำไปใช้ที่ใหญ่ที่สุด 46.2% ตอนนี้บอกว่าคุณค่าสูงสุดคือการเปรียบเทียบว่าเอเจนต์ AI ทำงานได้เทียบกับเอเจนต์ที่เป็นมนุษย์อย่างไร (การวิเคราะห์ของ Metrigy, 14 พฤษภาคม 2025) การวิเคราะห์เสียงพูดกำลังกลายเป็นกระดานคะแนนของระบบอัตโนมัติ ไม่ใช่แค่เครื่องมือโค้ช
กระบวนการประกันคุณภาพ (QA) ที่การวิเคราะห์มุ่งจะมาแทนที่ ยังคงทำด้วยมืออย่างน่าประหลาดใจ การสำรวจที่ผู้จำหน่ายสนับสนุนพบว่าการพึ่งสเปรดชีตสำหรับ QA ลดลงจาก 65% เหลือ 55% เมื่อเทียบปีต่อปี และ 44% ของศูนย์ติดต่อลูกค้าแสดงความสนใจอย่างมากต่อการให้คะแนนอัตโนมัติหรือแบบเรียลไทม์ (Scorebuddy และ Call Centre Helper, What Contact Centers Are Doing Right Now, ธันวาคม 2025) ฐานผู้จำหน่ายกระจุกตัวและมีขนาดใหญ่: NICE รายงานรายได้รวมปี 2025 ที่ $2,945.4 ล้าน เพิ่มขึ้นจาก $2,735.3 ล้าน โดยรายได้คลาวด์เพิ่มขึ้น 12.8% และจ่ายสิ่งตอบแทนสุดท้ายรวม $887.3 ล้านเพื่อซื้อ Cognigy บริษัท AI สนทนา (Form 20-F ของ NICE สำหรับปีงบประมาณ 2025)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| บริษัทที่ใช้การวิเคราะห์การโต้ตอบอยู่แล้ว | 49.8% ของ 1,104 บริษัท | Metrigy, AI for Business Success 2025-26 |
| บริษัทที่วางแผนนำการวิเคราะห์การโต้ตอบมาใช้ในปี 2025 | 29.9% | Metrigy, AI for Business Success 2025-26 |
| ผู้นำการวิเคราะห์ไปใช้ที่มองว่าคุณค่าสูงสุดคือการเปรียบเทียบประสิทธิภาพของเอเจนต์ AI กับเอเจนต์ที่เป็นมนุษย์ | 46.2% (กลุ่มใหญ่ที่สุด) | การวิเคราะห์ของ Metrigy, พฤษภาคม 2025 |
| ศูนย์ติดต่อลูกค้าที่ใช้สเปรดชีตสำหรับการประกันคุณภาพ ปีนี้เทียบกับปีที่แล้ว | 55% เทียบกับ 65% | การสำรวจของ Scorebuddy และ Call Centre Helper, ธันวาคม 2025 (ผู้จำหน่ายสนับสนุน) |
| ศูนย์ติดต่อลูกค้าที่สนใจอย่างมากในการให้คะแนนคุณภาพอัตโนมัติหรือแบบเรียลไทม์ | 44% | การสำรวจของ Scorebuddy และ Call Centre Helper, ธันวาคม 2025 (ผู้จำหน่ายสนับสนุน) |
| องค์กรลูกค้าของ NICE และลูกค้าใน Fortune 100 | มากกว่า 25,000 องค์กรในกว่า 150 ประเทศ รวมถึง 85 รายใน Fortune 100 | NICE Form 20-F, ปีงบประมาณ 2025 |
| ลูกค้า Fortune 100 ของ Verint และจำนวนประเทศที่ให้บริการ | มากกว่า 80 รายใน Fortune 100 ในกว่า 175 ประเทศ | Verint Form 10-K, ปีงบประมาณที่สิ้นสุด 31 มกราคม 2025 |
| รายได้ของ Verint จากธุรกิจการสมัครสมาชิก | ประมาณ 80% | Verint Form 10-K, ปีงบประมาณที่สิ้นสุด 31 มกราคม 2025 |
หมายเหตุบริบท: ตัวเลขที่อ้างว่าทีม QA แบบแมนนวลตรวจสอบเพียง “1% ถึง 3%” หรือ “น้อยกว่า 5%” ของสายโทรศัพท์แพร่หลายอยู่ แต่ทุกเวอร์ชันที่เราพบสืบย้อนไปยังบล็อกของผู้จำหน่ายหรือการอ้างอิงที่ตรวจสอบไม่ได้ เราจึงตัดออก ไม่มีการสำรวจสาธารณะอิสระในปี 2025 หรือ 2026 ที่รายงานสัดส่วนสายที่มนุษย์ตรวจสอบเทียบกับที่เครื่องให้คะแนน Form 10-K ของ Verint ยังรายงานด้วยว่าประมาณ 72% ของรายได้มาจากทวีปอเมริกา
2. ความแม่นยำของการถอดเสียงกับเสียงสายจริง
คะแนนความรู้สึกที่อิงข้อความทุกตัวเริ่มจากข้อความถอดเสียง และเสียงสายที่เป็นธรรมชาติแบบแบนด์วิดท์แคบ (8 kHz) เป็นหนึ่งในเสียงประจำวันที่ยากที่สุดสำหรับระบบรู้จำเสียง อัตราความผิดพลาดของคำ (WER) คือสัดส่วนของคำที่ระบบแทนที่ ตกหล่น หรือเพิ่มเข้ามาเมื่อเทียบกับข้อความถอดเสียงของมนุษย์ ระบบเชิงพาณิชย์สามระบบทำ WER ได้ 16.5% ถึง 19.2% ในบทสนทนาจริงของศูนย์บริการลูกค้า 50 รายการ เทียบกับ 10.2% ถึง 11.62% ในเกณฑ์มาตรฐานโทรศัพท์ Switchboard (Szymanski และคณะ, WER we are and WER we think we are, Findings of EMNLP 2020) ผู้เขียนระบุว่าผลลัพธ์ Switchboard ที่ดีที่สุดที่เคยเผยแพร่อยู่ที่ราว 5% ดังนั้นสายจริงมีอัตราความผิดพลาดสูงกว่าที่เกณฑ์มาตรฐานชั้นนำบ่งชี้ประมาณสามถึงสี่เท่า (16.5 / 5 = 3.3 และ 19.2 / 5 = 3.84) ข้อมูลล่าสุดที่มีสำหรับระบบเชิงพาณิชย์กับเสียงศูนย์บริการลูกค้าส่วนตัว: Szymanski และคณะ, 2020 เราไม่พบการทดสอบซ้ำแบบสาธารณะกับการบันทึกสายจริงด้วยเอนจินเชิงพาณิชย์ปัจจุบัน
โมเดลแบบเปิดรุ่นใหม่กว่าก็แสดงช่องว่างเดียวกัน Whisper large-v2 ทำ WER ได้ 2.7% บน LibriSpeech test-clean (หนังสือเสียงที่อ่านตามสคริปต์) แต่ 17.6% บน CallHome และ 13.8% บน Switchboard ซึ่งทั้งสองเป็นชุดบทสนทนาทางโทรศัพท์ (OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision, 2022) สำเนียงทำให้ช่องว่างกว้างขึ้นอีก: ในชุดข้อมูลส่วนตัวขนาดเล็กของสายเอเจนต์กับลูกค้าจริงที่มีสำเนียงแอฟริกัน ผลลัพธ์อยู่ในช่วง 13.45% สำหรับโมเดลที่ดีที่สุด ถึง 88.71% สำหรับโมเดลที่แย่ที่สุด (AfriSpeech-MultiBench, arXiv พฤศจิกายน 2025) สถิติอคติด้านสำเนียงและอัตราความผิดพลาดของคำของเราครอบคลุมมิตินั้นอย่างลึกซึ้ง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| WER ของระบบ ASR เชิงพาณิชย์สามระบบในบทสนทนาจริงของศูนย์บริการลูกค้า 50 รายการ (เสียง 8.5 ชั่วโมง คำพูด 2.2 ชั่วโมง) | 16.5% ถึง 19.2% | Szymanski และคณะ, Findings of EMNLP 2020 |
| WER ของสามระบบเดียวกันในเกณฑ์มาตรฐานโทรศัพท์ HUB’05 Switchboard | 10.2% ถึง 11.62% | Szymanski และคณะ, Findings of EMNLP 2020 |
| WER ของศูนย์บริการลูกค้าแยกตามโดเมนธุรกิจสำหรับระบบที่ดีที่สุด | 13.73% (ประกันภัย) ถึง 20.95% (การจองการเดินทาง) | Szymanski และคณะ, Findings of EMNLP 2020 |
| WER กับเสียงลูกค้าเทียบกับเสียงเอเจนต์ สำหรับระบบที่อ่อนที่สุดในสามระบบ | 20.99% เทียบกับ 17.83% | Szymanski และคณะ, Findings of EMNLP 2020 |
| WER ของ Whisper large-v2 กับเสียงหนังสือเสียงที่อ่านตามสคริปต์ (LibriSpeech test-clean) เทียบกับสายโทรศัพท์ CallHome เทียบกับสายโทรศัพท์ Switchboard | 2.7% เทียบกับ 17.6% เทียบกับ 13.8% | OpenAI, บทความ Whisper 2022 |
| WER ของ NVIDIA Conformer-CTC large เทียบกับ wav2vec2-large-960h กับสายโทรศัพท์ CallHome | 11.3% เทียบกับ 34.8% | OpenAI, บทความ Whisper 2022 (ตารางเปรียบเทียบ) |
| WER กับเสียงจริงของศูนย์บริการลูกค้าที่มีสำเนียงแอฟริกัน: โมเดลที่ดีที่สุดเทียบกับ Whisper-large-v3 เทียบกับ GPT-4o Transcribe | 13.45% เทียบกับ 24.69% เทียบกับ 23.20% | AfriSpeech-MultiBench, arXiv พฤศจิกายน 2025 |
| สัดส่วนของชุดประเมินศูนย์บริการลูกค้าที่ถอดเสียงด้วย ASR (618 ประโยค) ที่มีข้อผิดพลาดในการถอดเสียง | 42.6% (263 ตัวอย่าง) | นักวิจัยของ ConnexAI, IntechOpen 2026 |
หมายเหตุค่าผิดปกติ: ช่องว่างระหว่างเอเจนต์กับลูกค้าไม่ได้เกิดขึ้นกับทุกระบบ สำหรับระบบที่ดีที่สุดในสามระบบเชิงพาณิชย์ WER ของลูกค้าและเอเจนต์เกือบเท่ากัน (16.48% เทียบกับ 16.49%) ดังนั้นฝั่งลูกค้ายากกว่าสำหรับบางเอนจิน ไม่ใช่ทั้งหมด ข้อผิดพลาดยังแตกต่างในลักษณะจากข้อผิดพลาดของเกณฑ์มาตรฐาน สถิติการหลอนของการรู้จำเสียงพูดของเราครอบคลุมคำที่ถูกแต่งขึ้น ซึ่งคะแนน WER เพียงอย่างเดียวแยกไม่ออก
3. ความรู้สึกจากข้อความในข้อความถอดเสียงสาย: ความเห็นตรงกันของมนุษย์และความแม่นยำของเครื่อง
ตัวเลขที่น่าอึดอัดในการวิเคราะห์ความรู้สึกคือเส้นฐานของมนุษย์ ผู้ติดป้ายกำกับสองคนที่ติดป้ายกำกับประโยคจากศูนย์บริการลูกค้า 20,000 ประโยค (บรอดแบนด์ ประกันภัย และอุตสาหกรรมอื่น ๆ) เห็นตรงกันที่ค่าแคปปาของโคเฮน 0.605 (นักวิจัยของ ConnexAI, Enhancing Call Centre Sentiment Analysis with Large Language Models, IntechOpen 2026) ค่าแคปปาปรับความเห็นตรงกันดิบให้พ้นจากความบังเอิญ: 1.0 คือเห็นตรงกันสมบูรณ์ และ 0 คือสิ่งที่ความบังเอิญล้วน ๆ จะให้ ตัวเลข “ความแม่นยำของความรู้สึก” ของผู้จำหน่ายทุกตัวถูกให้คะแนนเทียบกับป้ายกำกับที่มนุษย์เองก็มักโต้แย้งกัน
ภายใต้เพดานนั้น โมเดลทำได้ดีกับข้อความที่สะอาดและสะดุดกับคลาสที่สำคัญที่สุด เมื่อได้รับคำแนะนำการติดป้ายกำกับครบถ้วน LLM แบบเปิดขนาด 32 พันล้านพารามิเตอร์ตรงกับมาตรฐานทองคำของมนุษย์ (ป้ายกำกับอ้างอิงจากมนุษย์) 91% ของเวลาในสามคลาส แต่ F1 แบบแมโคร (ค่าเฉลี่ยของคะแนน F1 รายคลาส ซึ่งลงโทษการเมินคลาสที่พบน้อย) อยู่ที่ 0.79 การทดสอบความทนทานที่แท้จริงคือผลลัพธ์ของ ASR: กับสายใช้งานจริงที่เครื่องถอดเสียง แนวทางเดียวกันทำ F1 แบบแมโครได้ 0.74 จากประโยคเดี่ยว และ 0.86 เมื่อเห็นหน้าต่างหกผลัดการพูด บริบทมีผลมากกว่าขนาด: ในการทดสอบเดียวกัน โมเดล Qwen3 ขนาด 4 พันล้านพารามิเตอร์ได้ F1 แบบแมโคร 0.78 ขณะที่รุ่นพี่ขนาด 32 พันล้านพารามิเตอร์ได้ 0.56 ในชุดข้อมูลโทรศัพท์ Switchboard สัดส่วนของป้ายกำกับอธิบายว่าทำไม “เป็นกลาง” จึงครอบงำแดชบอร์ด: 52.6% ของช่วงเสียงเป็นกลาง (Chen และคณะ, A Large Scale Speech Sentiment Corpus, LREC 2020)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความเห็นตรงกันระหว่างผู้ติดป้ายกำกับที่เป็นมนุษย์สองคนเรื่องความรู้สึกของประโยคจากศูนย์บริการลูกค้า 20,000 ประโยค (ค่าแคปปาของโคเฮน) | 0.605 | นักวิจัยของ ConnexAI, IntechOpen 2026 |
| LLM แบบเปิด (Qwen2.5-32B-Instruct) พร้อมคำแนะนำครบถ้วนเทียบกับมาตรฐานทองคำของมนุษย์ 3 คลาสความรู้สึก 8,750 ตัวอย่าง | ความแม่นยำ 0.91, F1 แบบแมโคร 0.79 | นักวิจัยของ ConnexAI, IntechOpen 2026 |
| DistilBERT ที่ปรับแต่งเพิ่มเติมเทียบกับตัวจำแนก SVM, F1 แบบแมโครกับสายที่มนุษย์ถอดเสียง | 0.90 เทียบกับ 0.82 | นักวิจัยของ ConnexAI, IntechOpen 2026 |
| LLM กับข้อความถอดเสียงโดยเครื่อง (ASR) ของสายใช้งานจริง: ประโยคเดี่ยวเทียบกับหน้าต่างบริบทหกผลัดการพูด, F1 แบบแมโคร | 0.74 เทียบกับ 0.86 | นักวิจัยของ ConnexAI, IntechOpen 2026 |
| ความแม่นยำเฉลี่ยของผู้ติดป้ายกำกับที่เป็นมนุษย์แต่ละคนเทียบกับป้ายกำกับเสียงข้างมาก สายโทรศัพท์ Switchboard (49,500 ช่วงเสียง, 140 ชั่วโมง) | ประมาณ 85% | Chen และคณะ (Google), LREC 2020 |
หมายเหตุบริบท: ในบทเดียวกัน คลาสเชิงลบเป็นจุดอ่อนแม้สำหรับตัวจำแนกที่ดีที่สุด (DistilBERT ที่ปรับแต่งเพิ่มเติมได้ F1 0.78 กับความรู้สึกเชิงลบ เทียบกับ 0.94 กับเชิงบวก) และ SVM พังกับข้อความถอดเสียงโดยเครื่อง โดยได้ F1 แบบแมโคร 0.25 กับเสียงเอเจนต์ และ 0.46 กับเสียงลูกค้า สายใช้งานจริงที่เครื่องถอดเสียงยังเอนเอียง: 61% เป็นกลาง 30% เป็นบวก และ 9% เป็นลบ โมเดลที่ติดป้ายกำกับทุกอย่างว่าเป็นกลางดูแม่นยำกับข้อมูลแบบนี้ แต่พลาดลูกค้าที่โกรธ 9%
4. การตรวจจับอารมณ์จากเสียงทางอะคูสติก: เสียงเพิ่มอะไร
น้ำเสียงคือจุดขายของ “AI ตรวจจับอารมณ์” แต่ในเกณฑ์มาตรฐานความรู้สึกของสายโทรศัพท์ Switchboard มันเป็นสัญญาณเดี่ยวที่อ่อนที่สุด โมเดลที่ใช้เฉพาะเสียงทางอะคูสติกทำความแม่นยำแบบถ่วงน้ำหนักได้ 54.23% ในความรู้สึกสามคลาส เทียบกับ 85.76% ของมนุษย์ และการเพิ่มข้อความยกขึ้นเป็น 65.65% (Chen และคณะ, LREC 2020, รายงานเส้นฐานของ Lu และคณะ 2019) ความแม่นยำแบบถ่วงน้ำหนักนับทุกช่วงเสียงเท่ากัน ส่วนความแม่นยำแบบไม่ถ่วงน้ำหนักเฉลี่ยสามคลาส ดังนั้นคะแนนแบบไม่ถ่วงน้ำหนัก 39.63% ของโมเดลอะคูสติกสูงกว่า 33.3% ที่การเดาสุ่มจะได้เพียงราว 6 จุด (39.63 - 33.33 = 6.3) ข้อมูลล่าสุดที่มีสำหรับเกณฑ์มาตรฐานความรู้สึกของสายโทรศัพท์สาธารณะที่เปรียบเทียบอินพุตทั้งสามประเภท: ชุดข้อมูลความรู้สึก Switchboard, LREC 2020
สายบริการลูกค้าจริงยิ่งติดป้ายกำกับยากกว่า ในศูนย์บริการลูกค้าด้านการเดินทางธุรกิจของฝรั่งเศส (การศึกษา CusEmo) ผู้ติดป้ายกำกับสองคนที่ประเมินอารมณ์ของลูกค้าอย่างต่อเนื่องได้สหสัมพันธ์ภายในชั้น (ICC คะแนนความเห็นตรงกันตั้งแต่ 0 ถึง 1) เท่ากับ 0.62 สำหรับวาเลนซ์ (เป็นบวกหรือเป็นลบแค่ไหน) และ 0.52 สำหรับระดับการตื่นตัว (ตื่นเต้นหรือสงบแค่ไหน) (End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations, arXiv 2023) ความสอดคล้องของโมเดลที่ดีที่สุดกับการประเมินเหล่านั้น (CCC สัมประสิทธิ์สหสัมพันธ์ความสอดคล้อง โดย 1 คือสมบูรณ์) อยู่ที่ 0.699 สำหรับวาเลนซ์ และ 0.508 สำหรับระดับการตื่นตัว หลังจากบอกโมเดลว่าเอเจนต์เห็นอกเห็นใจมากแค่ไหน กล่าวอีกนัยหนึ่ง อารมณ์ของลูกค้าอ่านง่ายขึ้นเมื่อโมเดลได้ยินเสียงเอเจนต์ด้วย สำหรับการใช้งานทางคลินิกของเทคโนโลยีเดียวกัน ดูสถิติความแม่นยำของการรู้จำอารมณ์จากเสียงพูดของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความแม่นยำแบบถ่วงน้ำหนัก ความรู้สึก 3 คลาสกับสายโทรศัพท์ Switchboard: โมเดลอะคูสติกอย่างเดียวเทียบกับโมเดลอะคูสติกรวมข้อความเทียบกับโมเดลที่ใช้คุณลักษณะการรู้จำเสียงพูดเทียบกับผู้ฟังที่เป็นมนุษย์ | 54.23% เทียบกับ 65.65% เทียบกับ 70.10% เทียบกับ 85.76% | Chen และคณะ (Google), LREC 2020 |
| ความแม่นยำแบบไม่ถ่วงน้ำหนัก (เฉลี่ยตามคลาส) สี่แนวทางเดียวกันตามลำดับเดียวกัน | 39.63% เทียบกับ 54.59% เทียบกับ 62.39% เทียบกับ 84.61% | Chen และคณะ (Google), LREC 2020 |
| ชุดข้อมูลต้นทาง CusEmo จากศูนย์บริการลูกค้าด้านการเดินทางธุรกิจของฝรั่งเศส | 5,548 บทสนทนา, 375.39 ชั่วโมง | การศึกษา CusEmo, arXiv 2023 |
| บทสนทนา CusEmo ที่มีการใส่คำอธิบายบริบท; เสียงลูกค้าที่ถูกประเมินอารมณ์ | 469 บทสนทนา; 13.15 ชั่วโมง | การศึกษา CusEmo, arXiv 2023 |
| ความเห็นตรงกันระหว่างผู้ติดป้ายกำกับสองคนที่ประเมินอารมณ์ลูกค้า (ICC): วาเลนซ์เทียบกับระดับการตื่นตัว | 0.62 เทียบกับ 0.52 | การศึกษา CusEmo, arXiv 2023 |
| ความสอดคล้องของโมเดลที่ดีที่สุดกับการประเมินของมนุษย์ (CCC) เมื่อเพิ่มความเห็นอกเห็นใจของเอเจนต์: วาเลนซ์เทียบกับระดับการตื่นตัว | 0.699 เทียบกับ 0.508 | การศึกษา CusEmo, arXiv 2023 |
หมายเหตุบริบท: ชุดข้อมูล CusEmo ใช้ภายในเท่านั้นและยังไม่ได้เผยแพร่ และมีเพียง 469 จาก 5,548 บทสนทนาที่ได้รับการใส่คำอธิบายบริบท ข้อมูลอารมณ์จากศูนย์บริการลูกค้าจริงหายากก็เพราะการบันทึกเสียงมีข้อมูลส่วนบุคคล ซึ่งเป็นเหตุผลหนึ่งที่ตัวเลขความแม่นยำที่เผยแพร่ส่วนใหญ่มาจากพอดแคสต์ เสียงที่แสดงขึ้น หรือชุดข้อมูลโทรศัพท์อายุหลายสิบปี
5. ผลลัพธ์ทางธุรกิจที่วัดได้
ผู้จำหน่ายระบบวิเคราะห์ขายผลลัพธ์ และหลักฐานที่ควบคุมได้ดีที่สุดมาจากข้อความ ไม่ใช่เสียง ในการศึกษาเอเจนต์ฝ่ายสนับสนุนลูกค้า 5,179 คนและแชตราว 3 ล้านครั้ง ผู้ช่วยสนทนา AI เพิ่มจำนวนปัญหาที่แก้ไขได้ต่อชั่วโมงเฉลี่ย 14% และ 34% สำหรับเอเจนต์มือใหม่และมีทักษะต่ำ (Brynjolfsson, Li และ Raymond, Generative AI at Work, เอกสารการทำงาน NBER 31161) การศึกษานี้วัดอารมณ์ของลูกค้าด้วยตัวจำแนกความรู้สึกที่ใช้ LLM (SiEBERT ให้คะแนนข้อความตั้งแต่ -1 ถึง 1) ทำให้เป็นหนึ่งในการศึกษาภาคสนามขนาดใหญ่ไม่กี่งานที่ใช้ความรู้สึกอัตโนมัติเป็นผลลัพธ์ ไม่ใช่เป็นคุณลักษณะ
ตัวชี้วัดที่เป็นนามธรรมกว่าก็ขยับด้วย: ความรู้สึกของลูกค้าเพิ่มขึ้น 0.18 คะแนน (ครึ่งหนึ่งของส่วนเบี่ยงเบนมาตรฐาน) คำขอคุยกับผู้จัดการลดลงเกือบ 25% และเวลาในการจัดการลดลง 3.8 นาที อัตราการแก้ไขปัญหาแทบไม่เปลี่ยน ผู้ซื้อดูเหมือนเชื่อว่าข้อมูลนี้ควรอยู่ระดับสูงสุด: เกือบ 84% ของบริษัท และ 96.7% ของกลุ่มที่ประสบความสำเร็จของ Metrigy บอกว่าข้อมูลการโต้ตอบกับลูกค้าควรเป็นส่วนหนึ่งของแดชบอร์ดผลการดำเนินงานของผู้บริหาร (การวิเคราะห์ของ Metrigy, พฤษภาคม 2025)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผลิตภาพที่เพิ่มขึ้น (ปัญหาที่แก้ไขได้ต่อชั่วโมง) เมื่อใช้ผู้ช่วยสนทนา AI เอเจนต์ 5,179 คน | เฉลี่ย 14% | เอกสารการทำงาน NBER 31161, Brynjolfsson, Li และ Raymond |
| ผลิตภาพที่เพิ่มขึ้นสำหรับเอเจนต์มือใหม่และมีทักษะต่ำ | 34% | เอกสารการทำงาน NBER 31161 |
| การเปลี่ยนแปลงของความรู้สึกเฉลี่ยของลูกค้า (คะแนน SiEBERT ตั้งแต่ -1 ถึง 1) | +0.18 คะแนน ประมาณครึ่งหนึ่งของส่วนเบี่ยงเบนมาตรฐาน | เอกสารการทำงาน NBER 31161 |
| การเปลี่ยนแปลงของคำขอคุยกับผู้จัดการจากลูกค้า (ค่าเริ่มต้นประมาณ 6 จุดเปอร์เซ็นต์) | ลดลงเกือบ 25% | เอกสารการทำงาน NBER 31161 |
| การเปลี่ยนแปลงของเวลาจัดการเฉลี่ย | สั้นลง 3.8 นาที ลดลง 9% | เอกสารการทำงาน NBER 31161 |
| การเปลี่ยนแปลงของอัตราการแก้ไขปัญหา (ค่าเริ่มต้น 82%) | +1.3 จุดเปอร์เซ็นต์ มีนัยสำคัญที่ระดับ 10% เท่านั้น | เอกสารการทำงาน NBER 31161 |
| บริษัทที่ต้องการข้อมูลการโต้ตอบบนแดชบอร์ดของผู้บริหาร: ทุกบริษัทเทียบกับกลุ่มที่ประสบความสำเร็จที่สุด | เกือบ 84% เทียบกับ 96.7% | การวิเคราะห์ของ Metrigy, พฤษภาคม 2025 |
หมายเหตุค่าผิดปกติ: ความรู้สึกของเอเจนต์ในการศึกษาของ NBER เพิ่มขึ้นเพียง 0.02 คะแนน ราว 1% ของส่วนเบี่ยงเบนมาตรฐาน ดังนั้นผลที่ได้ปรากฏในวิธีที่ลูกค้าเขียน ไม่ใช่วิธีที่เอเจนต์เขียน การศึกษานี้ครอบคลุมแชตข้อความที่บริษัทเดียว เราไม่พบการศึกษาแบบควบคุมขนาดใหญ่เทียบเคียงได้เกี่ยวกับผลลัพธ์ของการวิเคราะห์สายเสียง
6. กฎระเบียบและความเป็นส่วนตัว: กฎการตรวจจับอารมณ์และกฎหมายลายเสียง
เส้นแบ่งทางกฎหมายอยู่ที่อารมณ์ของใครถูกอ่าน และอ่านจากอะไร ตั้งแต่ 2 กุมภาพันธ์ 2025 กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรปห้ามระบบ AI ที่อนุมานอารมณ์ของบุคคลในที่ทำงาน ยกเว้นด้วยเหตุผลทางการแพทย์หรือความปลอดภัย (ข้อบังคับ (EU) 2024/1689 มาตรา 5(1)(f) และ 113) กฎหมายนิยามการตรวจจับอารมณ์ว่าเป็นการอนุมาน “บนพื้นฐานของข้อมูลชีวมิติของบุคคลนั้น” ซึ่งเป็นเหตุผลที่แนวปฏิบัติของคณะกรรมาธิการถือว่าศูนย์บริการลูกค้าที่ใช้การรู้จำเสียงเพื่อติดตามความโกรธของพนักงานเป็นสิ่งต้องห้าม แต่ศูนย์ที่ติดตามอารมณ์ของลูกค้าอยู่นอกข้อห้าม และการอนุมานจากข้อความที่เขียนก็อยู่นอกข้อห้ามเช่นกัน (แนวปฏิบัติของคณะกรรมาธิการยุโรปว่าด้วยการปฏิบัติ AI ที่ต้องห้าม, 4 กุมภาพันธ์ 2025 ตัวอย่างตามที่สรุปโดย CMS, 10 กุมภาพันธ์ 2025) ในทางปฏิบัติ การวิเคราะห์ความรู้สึกจากข้อความถอดเสียงของลูกค้าเป็นการออกแบบที่ปลอดภัยที่สุดในยุโรป และการให้คะแนนน้ำเสียงของเอเจนต์เป็นแบบที่เสี่ยงที่สุด
ข้อพิจารณา 44 ของกฎหมายให้เหตุผลของข้อห้ามโดยชี้ไปที่ความกังวลอย่างร้ายแรงเกี่ยวกับพื้นฐานทางวิทยาศาสตร์ของการตรวจจับอารมณ์ โดยระบุถึงความน่าเชื่อถือที่จำกัด การขาดความเฉพาะเจาะจง และการนำไปใช้ทั่วไปที่จำกัด ซึ่งเป็นจุดอ่อนเดียวกับที่คะแนนความเห็นตรงกันในหัวข้อ 3 และ 4 วัดไว้ ในสหรัฐอเมริกา ความเสี่ยงที่คมที่สุดอยู่ที่ข้อมูลชีวมิติ: รัฐอิลลินอยส์นับลายเสียงเป็นตัวระบุชีวมิติ ดังนั้นระบบใดก็ตามที่สร้างลายเสียงของผู้พูด (เช่น เพื่อยืนยันตัวตนผู้โทร) จะอยู่ภายใต้กฎของรัฐและค่าเสียหายต่อการละเมิดแต่ละครั้ง (กฎหมายความเป็นส่วนตัวของข้อมูลชีวมิติรัฐอิลลินอยส์ 740 ILCS 14)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| วันที่ข้อห้ามของสหภาพยุโรปเรื่องการอนุมานอารมณ์ในที่ทำงานและในสถานศึกษา (มาตรา 5(1)(f)) มีผลบังคับใช้ | 2 กุมภาพันธ์ 2025 | กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป ข้อบังคับ (EU) 2024/1689 มาตรา 113 |
| ค่าปรับสูงสุดสำหรับการใช้การปฏิบัติ AI ที่ต้องห้าม | 35,000,000 ยูโร หรือ 7% ของรายได้ทั่วโลกต่อปีทั้งหมด แล้วแต่จำนวนใดสูงกว่า | กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป มาตรา 99(3) |
| สถานะของระบบตรวจจับอารมณ์ที่ไม่ได้ต้องห้าม (เช่น กับลูกค้า) | ถูกจัดเป็นระบบ AI ความเสี่ยงสูง | กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป ภาคผนวก III ข้อ 1(c) |
| วันที่กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรปมีผลบังคับใช้ทั่วไปตามที่เผยแพร่ | 2 สิงหาคม 2026 | กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป มาตรา 113 |
| ศูนย์บริการลูกค้าที่ใช้การรู้จำเสียงเพื่อติดตามอารมณ์ของพนักงาน เช่น ความโกรธ | ต้องห้าม | แนวปฏิบัติของคณะกรรมาธิการยุโรป กุมภาพันธ์ 2025 |
| ศูนย์บริการลูกค้าที่ใช้การรู้จำเสียงเพื่อติดตามอารมณ์ของลูกค้า | อยู่นอกข้อห้ามในที่ทำงาน | แนวปฏิบัติของคณะกรรมาธิการยุโรป กุมภาพันธ์ 2025 |
| ค่าเสียหายตามกฎหมายของรัฐอิลลินอยส์ต่อการละเมิดที่เกี่ยวกับตัวระบุชีวมิติ เช่น ลายเสียง: จากความประมาทเทียบกับโดยเจตนาหรือประมาทเลินเล่ออย่างร้ายแรง | $1,000 เทียบกับ $5,000 | BIPA รัฐอิลลินอยส์ 740 ILCS 14/20 |
| วันที่ BIPA ของรัฐอิลลินอยส์มีผลบังคับใช้และการแก้ไขล่าสุด | 3 ตุลาคม 2008; แก้ไขโดย Public Act 103-769 มีผล 2 สิงหาคม 2024 | สภานิติบัญญัติรัฐอิลลินอยส์ |
หมายเหตุบริบท: แนวปฏิบัติของคณะกรรมาธิการไม่มีผลผูกมัด และการตีความที่มีอำนาจเป็นของศาลยุติธรรมแห่งสหภาพยุโรป รายงานประจำปีของ NICE เองเตือนว่ากฎหมายปัญญาประดิษฐ์ “ทยอยมีผลบังคับใช้จนถึงเดือนสิงหาคม 2026” และค่าปรับสำหรับการไม่ปฏิบัติตาม “สูงมาก” (Form 20-F ของ NICE สำหรับปีงบประมาณ 2025)
สรุป: ความแม่นยำการตรวจจับความรู้สึกด้วยการวิเคราะห์เสียงพูดในศูนย์บริการลูกค้าในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| บริษัทที่ใช้การวิเคราะห์การโต้ตอบอยู่แล้วเทียบกับที่วางแผนนำมาใช้ในปี 2025 | 49.8% เทียบกับ 29.9% (ของ 1,104) | Metrigy, AI for Business Success 2025-26 |
| ศูนย์ติดต่อลูกค้าที่ยังใช้สเปรดชีตสำหรับการประกันคุณภาพ | 55% (ลดลงจาก 65%) | Scorebuddy และ Call Centre Helper, ธันวาคม 2025 |
| รายได้รวมของ NICE ปี 2025 | $2,945.4 ล้าน | NICE Form 20-F, ปีงบประมาณ 2025 |
| WER ของ ASR เชิงพาณิชย์ในบทสนทนาจริงของศูนย์บริการลูกค้า 50 รายการ | 16.5% ถึง 19.2% | Szymanski และคณะ, Findings of EMNLP 2020 |
| ระบบเดียวกันในเกณฑ์มาตรฐานโทรศัพท์ Switchboard | 10.2% ถึง 11.62% | Szymanski และคณะ, Findings of EMNLP 2020 |
| WER ของ Whisper large-v2: เสียงหนังสือเสียงที่อ่านตามสคริปต์เทียบกับสายโทรศัพท์ CallHome | 2.7% เทียบกับ 17.6% | OpenAI, บทความ Whisper 2022 |
| WER กับเสียงศูนย์บริการลูกค้าที่มีสำเนียงแอฟริกัน: โมเดลที่ดีที่สุดเทียบกับ Whisper-large-v3 | 13.45% เทียบกับ 24.69% | AfriSpeech-MultiBench, arXiv 2025 |
| ความเห็นตรงกันระหว่างมนุษย์ต่อมนุษย์เรื่องความรู้สึกของประโยคจากศูนย์บริการลูกค้า (ค่าแคปปาของโคเฮน) | 0.605 | นักวิจัยของ ConnexAI, IntechOpen 2026 |
| F1 แบบแมโครของความรู้สึกด้วย LLM กับข้อความถอดเสียง ASR: ประโยคเดี่ยวเทียบกับบริบทหกผลัดการพูด | 0.74 เทียบกับ 0.86 | นักวิจัยของ ConnexAI, IntechOpen 2026 |
| ความแม่นยำแบบถ่วงน้ำหนักของความรู้สึกในสายโทรศัพท์: อะคูสติกอย่างเดียวเทียบกับอะคูสติกรวมข้อความเทียบกับมนุษย์ | 54.23% เทียบกับ 65.65% เทียบกับ 85.76% | Chen และคณะ (Google), LREC 2020 |
| ความเห็นตรงกันของผู้ติดป้ายกำกับเรื่องวาเลนซ์เทียบกับระดับการตื่นตัวของลูกค้าในสายจริง (ICC) | 0.62 เทียบกับ 0.52 | การศึกษา CusEmo, arXiv 2023 |
| ผลิตภาพที่เพิ่มขึ้นจากผู้ช่วยสนทนา AI เอเจนต์ทั้งหมดเทียบกับมือใหม่ | 14% เทียบกับ 34% | เอกสารการทำงาน NBER 31161 |
| การเปลี่ยนแปลงของความรู้สึกลูกค้า (มาตรา -1 ถึง 1) และคำขอคุยกับผู้จัดการเมื่อมี AI ช่วย | +0.18 คะแนน; คำขอลดลงเกือบ 25% | เอกสารการทำงาน NBER 31161 |
| ข้อห้ามของสหภาพยุโรปเรื่องการอนุมานอารมณ์ในที่ทำงานมีผลตั้งแต่ | 2 กุมภาพันธ์ 2025 | กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป มาตรา 113 |
| ศูนย์บริการลูกค้าที่ใช้การรู้จำเสียงเพื่อติดตามอารมณ์ของพนักงานเทียบกับของลูกค้า | ต้องห้ามเทียบกับอยู่นอกข้อห้ามในที่ทำงาน | แนวปฏิบัติของคณะกรรมาธิการยุโรป กุมภาพันธ์ 2025 |
| ค่าปรับสูงสุดของสหภาพยุโรปสำหรับการปฏิบัติ AI ที่ต้องห้าม | 35,000,000 ยูโร หรือ 7% ของรายได้ทั่วโลก | กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป มาตรา 99(3) |
| ค่าเสียหายของรัฐอิลลินอยส์ต่อการละเมิดข้อมูลชีวมิติ จากความประมาทเทียบกับโดยเจตนา | $1,000 เทียบกับ $5,000 | BIPA รัฐอิลลินอยส์ 740 ILCS 14 |
ระเบียบวิธีและแหล่งที่มา
- Metrigy, The Value of Interaction Analytics (AI for Business Success 2025-26, 1,104 บริษัท) และการวิเคราะห์ของ Metrigy จากการศึกษาเดียวกัน, 14 พฤษภาคม 2025: การนำไปใช้ การวางแผนนำไปใช้ กรณีการใช้งานหลัก ทัศนคติต่อแดชบอร์ด
- Scorebuddy และ Call Centre Helper, What Contact Centers Are Doing Right Now, 11 ธันวาคม 2025: การสำรวจเครื่องมือ QA ผู้จำหน่ายสนับสนุน ไม่เปิดเผยขนาดกลุ่มตัวอย่างในประกาศ
- NICE Ltd, Form 20-F สำหรับปีงบประมาณที่สิ้นสุด 31 ธันวาคม 2025 (SEC EDGAR): รายได้ การเติบโตของคลาวด์ ฐานลูกค้า สิ่งตอบแทนสำหรับ Cognigy ปัจจัยเสี่ยงจากกฎหมายปัญญาประดิษฐ์
- Verint Systems, Form 10-K สำหรับปีงบประมาณที่สิ้นสุด 31 มกราคม 2025 (SEC EDGAR): ฐานลูกค้า ประเทศ สัดส่วนการสมัครสมาชิก รายได้ตามภูมิภาค
- Szymanski และคณะ, WER we are and WER we think we are, Findings of EMNLP 2020: ASR เชิงพาณิชย์ในบทสนทนาจริงของศูนย์บริการลูกค้า 50 รายการ
- Radford และคณะ (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision, 2022: WER ของ Whisper บน LibriSpeech, CallHome และ Switchboard
- Ashungafac และคณะ (Intron Health), AfriSpeech-MultiBench, arXiv พฤศจิกายน 2025: WER ในโดเมนศูนย์บริการลูกค้าสำหรับระบบ ASR 18 ระบบ
- Jordan, Fonseka, Stacey และ Sitvaev (ConnexAI), Enhancing Call Centre Sentiment Analysis with Large Language Models, IntechOpen, 20 มิถุนายน 2026: ความเห็นตรงกันของมนุษย์ ความแม่นยำด้านความรู้สึกของ LLM และตัวจำแนก ความทนทานต่อ ASR ผู้เขียนทำงานให้ผู้จำหน่าย AI สำหรับศูนย์ติดต่อลูกค้า
- Chen และคณะ (Google), A Large Scale Speech Sentiment Corpus, LREC 2020 (LDC2020T14): ป้ายกำกับความรู้สึก Switchboard ความแม่นยำของมนุษย์ เส้นฐานด้านอะคูสติกและข้อความ
- End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations (CusEmo), arXiv 2023: ชุดข้อมูลอารมณ์จากศูนย์บริการลูกค้าจริงและผลลัพธ์ของโมเดล
- Brynjolfsson, Li และ Raymond, Generative AI at Work, เอกสารการทำงาน NBER 31161: ผลลัพธ์ด้านผลิตภาพ ความรู้สึก การส่งต่อ และการลาออก
- ข้อบังคับ (EU) 2024/1689 (กฎหมายปัญญาประดิษฐ์ของสหภาพยุโรป), EUR-Lex: มาตรา 3(39), มาตรา 5(1)(f), มาตรา 99(3), มาตรา 113, ภาคผนวก III, ข้อพิจารณา 44
- คณะกรรมาธิการยุโรป, แนวปฏิบัติว่าด้วยการปฏิบัติ AI ที่ต้องห้าม, 4 กุมภาพันธ์ 2025 และบทสรุปตัวอย่างศูนย์บริการลูกค้าโดย CMS, 10 กุมภาพันธ์ 2025
- สภานิติบัญญัติรัฐอิลลินอยส์, กฎหมายความเป็นส่วนตัวของข้อมูลชีวมิติ, 740 ILCS 14: คำนิยามของลายเสียงและค่าเสียหายตามกฎหมาย
- ข้อสังเกตเกี่ยวกับข้อมูล: การศึกษา WER ของศูนย์บริการลูกค้าเชิงพาณิชย์ (2020) บทความ Whisper (2022) เส้นฐานความรู้สึก Switchboard (2020) และการศึกษา CusEmo (2023) เป็นข้อมูลสาธารณะล่าสุดที่มีสำหรับการวัดของแต่ละงาน เราไม่พบการทดสอบสาธารณะที่ใหม่กว่านี้ของเอนจินเชิงพาณิชย์กับการบันทึกสายจริง และชุดข้อมูลศูนย์บริการลูกค้าที่ใช้ในบทความเหล่านี้เป็นข้อมูลส่วนตัว บทของ IntechOpen ไม่สอดคล้องกันเองในบางจุด (บทคัดย่อกล่าวถึงการสังเกตความรู้สึก 3,000 รายการ ขณะที่เนื้อหาใช้ 8,750 รายการ และบทคัดย่อให้ F1 ของ ASR “ราว 0.76” เทียบกับ F1 แบบแมโคร 0.74 และความแม่นยำ 0.76 ในเนื้อหา) เราใช้ตารางในเนื้อหา ข้อความในบทความ CusEmo รายงาน 0.657 และ 0.434 สำหรับการตั้งค่าหนึ่งที่ตารางของบทความระบุเป็น .667 และ .499 ชุดข้อมูลศูนย์บริการลูกค้าของ AfriSpeech-MultiBench มีเพียง 16 ตัวอย่าง (0.80 ชั่วโมง) และบทความระบุทั้ง 18 และ 19 ระบบที่ถูกประเมิน ผลลัพธ์ของ NBER มาจากแชตข้อความที่บริษัทเดียว ไม่ใช่สายเสียง Metrigy อธิบายผลการนำไปใช้เดียวกันว่าเป็น 49.8% ในจุดหนึ่งและ “เพียงครึ่งเดียว” ในอีกจุดหนึ่ง ข้อกล่าวอ้างที่ถูกพูดซ้ำกันแพร่หลายว่า QA แบบแมนนวลครอบคลุม 1% ถึง 3% ของสายไม่สามารถสืบย้อนไปยังการสำรวจอิสระได้และถูกตัดออก ไทม์ไลน์ของกฎหมายปัญญาประดิษฐ์ของสหภาพยุโรปอ้างอิงตามที่ประกาศในราชกิจจานุเบกษาของสหภาพ โปรดตรวจสอบการแก้ไขในภายหลังก่อนพึ่งพาวันที่ 2 สิงหาคม 2026 สำหรับข้อผูกพันของระบบความเสี่ยงสูง
อัปเดตล่าสุด: 27 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อ Metrigy เผยแพร่การศึกษา AI for Business Success ครั้งถัดไปและ NICE ยื่น Form 20-F ประจำปีฉบับถัดไป