Hai người gán nhãn được đào tạo, khi gán nhãn sắc thái cảm xúc của 20.000 câu nói tại tổng đài, chỉ đồng thuận ở hệ số kappa Cohen là 0,605, trên thang mà 1,0 là đồng thuận hoàn hảo và 0 là ngẫu nhiên (các nhà nghiên cứu ConnexAI, IntechOpen 2026). Mức trần đó quan trọng vì mọi điểm số cảm xúc trong bảng điều khiển phân tích giọng nói đều được huấn luyện và chấm điểm dựa trên những nhãn như vậy. Trong khi đó, các hệ thống nhận dạng giọng nói thương mại nhận sai 16,5% đến 19,2% số từ trên 50 cuộc hội thoại tổng đài thực tế, so với 10,2% đến 11,62% trên một bộ đánh giá điện thoại tiêu chuẩn (Szymanski và cộng sự, Findings of EMNLP 2020), và 49,8% trong số 1.104 công ty đã chạy phân tích tương tác trên những bản phiên âm đó (Metrigy, AI for Business Success 2025-26). Chúng tôi tổng hợp dữ liệu từ Metrigy, hồ sơ SEC của NICE và Verint, các bộ đánh giá giọng nói được công bố tại EMNLP và LREC, bởi OpenAI và trên arXiv, NBER, Đạo luật AI của EU (EU AI Act) và Đại hội đồng Illinois, cùng nhiều nguồn sơ cấp khác. Về mặt tự động hóa của cùng ngành này (voicebot và tác nhân AI thay vì phân tích), hãy xem thống kê tự động hóa trung tâm liên lạc bằng AI giọng nói của chúng tôi.
Tóm tắt nhanh
- 49,8% công ty đã dùng phân tích tương tác và thêm 29,9% có kế hoạch bổ sung (Metrigy, AI for Business Success 2025-26).
- 55% trung tâm liên lạc vẫn thực hiện đảm bảo chất lượng bằng bảng tính, giảm từ 65% một năm trước (Scorebuddy và Call Centre Helper, tháng 12 năm 2025).
- Tỷ lệ lỗi từ của ASR thương mại trên 50 cuộc hội thoại tổng đài thực tế: 16,5% đến 19,2% (Szymanski và cộng sự, Findings of EMNLP 2020).
- Whisper large-v2 mắc 17,6% lỗi từ trên các cuộc gọi điện thoại CallHome nhưng chỉ 2,7% trên giọng đọc sách nói (OpenAI, bài báo Whisper, 2022).
- Trên âm thanh tổng đài thực tế giọng châu Phi, Whisper-large-v3 đạt WER 24,69% và mô hình tốt nhất đạt 13,45% (AfriSpeech-MultiBench, arXiv 2025).
- Người gán nhãn đồng thuận về cảm xúc của câu nói tại tổng đài ở kappa Cohen 0,605 (các nhà nghiên cứu ConnexAI, IntechOpen 2026).
- Hai người gán nhãn đánh giá các cuộc gọi khách hàng thực tế chỉ đồng thuận ở ICC 0,62 về hóa trị cảm xúc và 0,52 về mức kích thích (nghiên cứu CusEmo, arXiv 2023).
- Các mô hình cảm xúc chỉ dùng âm học đạt độ chính xác có trọng số 54,23% trên cuộc gọi điện thoại, so với 85,76% của con người (Chen và cộng sự, LREC 2020).
- Một trợ lý AI đã tăng năng suất nhân viên hỗ trợ 14% và sắc thái cảm xúc của khách hàng 0,18 điểm trên thang -1 đến 1 (bài nghiên cứu NBER 31161).
- Suy luận cảm xúc của nhân viên tại nơi làm việc từ giọng nói bị cấm ở EU từ ngày 2 tháng 2 năm 2025 (Đạo luật AI của EU, Quy định (EU) 2024/1689).
- Illinois quy định mức bồi thường 1.000 $ đến 5.000 $ cho mỗi vi phạm liên quan đến mã định danh sinh trắc học như dấu vân giọng nói (740 ILCS 14).
1. Mức độ áp dụng: Phân tích tương tác và đảm bảo chất lượng tự động
Câu hỏi về mức độ áp dụng mới được giải quyết một nửa. 49,8% trong số 1.104 công ty đã dùng phân tích tương tác (phần mềm phiên âm và khai thác cuộc gọi, trò chuyện và email để tìm chủ đề, cụm từ tuân thủ và sắc thái cảm xúc), và thêm 29,9% có kế hoạch triển khai trong năm (Metrigy, AI for Business Success 2025-26). Điều thay đổi là mô tả công việc. Nhóm áp dụng lớn nhất, 46,2%, nay cho rằng giá trị lớn nhất là so sánh hiệu suất của tác nhân AI với tác nhân con người (phân tích của Metrigy, ngày 14 tháng 5 năm 2025). Phân tích giọng nói đang trở thành bảng điểm cho tự động hóa, chứ không chỉ là công cụ huấn luyện.
Quy trình đảm bảo chất lượng (QA) mà phân tích hướng tới thay thế vẫn còn thủ công một cách đáng ngạc nhiên. Một khảo sát do nhà cung cấp tài trợ cho thấy việc dựa vào bảng tính cho QA giảm từ 65% xuống 55% theo năm, và 44% trung tâm liên lạc bày tỏ sự quan tâm mạnh mẽ đến chấm điểm tự động hoặc theo thời gian thực (Scorebuddy và Call Centre Helper, What Contact Centers Are Doing Right Now, tháng 12 năm 2025). Cơ sở nhà cung cấp tập trung và lớn: NICE báo cáo tổng doanh thu năm 2025 là 2.945,4 triệu $, tăng từ 2.735,3 triệu $, với doanh thu đám mây tăng 12,8%, và đã trả tổng khoản thanh toán cuối cùng là 887,3 triệu $ cho công ty AI hội thoại Cognigy (Form 20-F của NICE cho năm tài chính 2025).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Công ty đã dùng phân tích tương tác | 49,8% trong số 1.104 công ty | Metrigy, AI for Business Success 2025-26 |
| Công ty có kế hoạch triển khai phân tích tương tác trong năm 2025 | 29,9% | Metrigy, AI for Business Success 2025-26 |
| Đơn vị áp dụng phân tích có giá trị lớn nhất là so sánh hiệu quả của tác nhân AI với hiệu quả của tác nhân con người | 46,2% (nhóm lớn nhất) | Phân tích của Metrigy, tháng 5 năm 2025 |
| Trung tâm liên lạc dùng bảng tính cho đảm bảo chất lượng, năm nay so với năm ngoái | 55% so với 65% | Khảo sát của Scorebuddy và Call Centre Helper, tháng 12 năm 2025 (do nhà cung cấp tài trợ) |
| Trung tâm liên lạc quan tâm mạnh đến chấm điểm chất lượng tự động hoặc theo thời gian thực | 44% | Khảo sát của Scorebuddy và Call Centre Helper, tháng 12 năm 2025 (do nhà cung cấp tài trợ) |
| Tổ chức khách hàng của NICE và khách hàng thuộc Fortune 100 | Hơn 25.000 tổ chức tại hơn 150 quốc gia, trong đó có 85 công ty thuộc Fortune 100 | NICE Form 20-F, năm tài chính 2025 |
| Khách hàng thuộc Fortune 100 của Verint và số quốc gia được phục vụ | Hơn 80 công ty thuộc Fortune 100, tại hơn 175 quốc gia | Verint Form 10-K, năm tài chính kết thúc ngày 31 tháng 1 năm 2025 |
| Doanh thu của Verint từ mảng đăng ký | Khoảng 80% | Verint Form 10-K, năm tài chính kết thúc ngày 31 tháng 1 năm 2025 |
Ghi chú bối cảnh: các con số cho rằng đội QA thủ công chỉ xem xét “1% đến 3%” hoặc “dưới 5%” số cuộc gọi lưu hành rộng rãi, nhưng mọi phiên bản chúng tôi tìm thấy đều truy về blog của nhà cung cấp hoặc các trích dẫn không thể xác minh, nên chúng tôi loại ra. Không có khảo sát công khai độc lập nào trong năm 2025 hoặc 2026 báo cáo tỷ lệ cuộc gọi được con người xem xét so với được máy chấm điểm. Verint Form 10-K cũng báo cáo rằng khoảng 72% doanh thu của họ đến từ châu Mỹ.
2. Độ chính xác phiên âm trên âm thanh cuộc gọi thực tế
Mọi điểm số cảm xúc dựa trên văn bản đều bắt đầu từ một bản phiên âm, và âm thanh cuộc gọi tự nhiên băng tần hẹp (8 kHz) thuộc loại âm thanh hằng ngày khó nhất mà một bộ nhận dạng phải đối mặt. Tỷ lệ lỗi từ (WER) là tỷ lệ từ mà hệ thống thay thế, bỏ sót hoặc chèn thêm so với bản phiên âm của con người. Ba hệ thống thương mại đạt WER từ 16,5% đến 19,2% trên 50 cuộc hội thoại tổng đài thực tế, so với 10,2% đến 11,62% trên bộ đánh giá điện thoại Switchboard (Szymanski và cộng sự, WER we are and WER we think we are, Findings of EMNLP 2020). Các tác giả lưu ý rằng kết quả Switchboard tốt nhất đã công bố vào khoảng 5%, nên các cuộc gọi thực tế có tỷ lệ lỗi gấp khoảng ba đến bốn lần so với những gì các bộ đánh giá tiêu biểu gợi ý (16,5 / 5 = 3,3 và 19,2 / 5 = 3,84). Dữ liệu mới nhất hiện có cho các hệ thống thương mại trên âm thanh tổng đài riêng tư: Szymanski và cộng sự, 2020; chúng tôi không tìm thấy lần lặp lại công khai nào của phép thử này trên bản ghi cuộc gọi thực tế với các công cụ thương mại hiện nay.
Các mô hình mở mới hơn cho thấy cùng một khoảng cách. Whisper large-v2 đạt WER 2,7% trên LibriSpeech test-clean (sách nói được đọc) nhưng 17,6% trên CallHome và 13,8% trên Switchboard, cả hai đều là bộ hội thoại điện thoại (OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision, 2022). Giọng vùng miền còn nới rộng khoảng cách hơn nữa: trên một bộ dữ liệu riêng nhỏ gồm các cuộc gọi thực tế giữa nhân viên và khách hàng giọng châu Phi, kết quả dao động từ 13,45% với mô hình tốt nhất đến 88,71% với mô hình tệ nhất (AfriSpeech-MultiBench, arXiv tháng 11 năm 2025). Thống kê về thiên lệch giọng vùng miền và tỷ lệ lỗi từ của chúng tôi bàn sâu về khía cạnh này.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| WER của ba hệ thống ASR thương mại trên 50 cuộc hội thoại tổng đài thực tế (8,5 giờ âm thanh, 2,2 giờ lời nói) | 16,5% đến 19,2% | Szymanski và cộng sự, Findings of EMNLP 2020 |
| WER của cùng ba hệ thống trên bộ đánh giá điện thoại HUB’05 Switchboard | 10,2% đến 11,62% | Szymanski và cộng sự, Findings of EMNLP 2020 |
| WER tổng đài theo lĩnh vực kinh doanh của hệ thống tốt nhất | 13,73% (bảo hiểm) đến 20,95% (đặt vé du lịch) | Szymanski và cộng sự, Findings of EMNLP 2020 |
| WER trên giọng khách hàng so với giọng nhân viên, của hệ thống yếu nhất trong ba hệ thống | 20,99% so với 17,83% | Szymanski và cộng sự, Findings of EMNLP 2020 |
| WER của Whisper large-v2 trên giọng đọc sách nói (LibriSpeech test-clean) so với cuộc gọi điện thoại CallHome so với cuộc gọi điện thoại Switchboard | 2,7% so với 17,6% so với 13,8% | OpenAI, bài báo Whisper 2022 |
| WER của NVIDIA Conformer-CTC large so với wav2vec2-large-960h trên cuộc gọi điện thoại CallHome | 11,3% so với 34,8% | OpenAI, bài báo Whisper 2022 (bảng so sánh) |
| WER trên âm thanh tổng đài thực tế giọng châu Phi: mô hình tốt nhất so với Whisper-large-v3 so với GPT-4o Transcribe | 13,45% so với 24,69% so với 23,20% | AfriSpeech-MultiBench, arXiv tháng 11 năm 2025 |
| Tỷ lệ của một tập đánh giá tổng đài được ASR phiên âm (618 câu nói) có chứa lỗi phiên âm | 42,6% (263 mẫu) | Các nhà nghiên cứu ConnexAI, IntechOpen 2026 |
Ghi chú về giá trị ngoại lệ: khoảng cách giữa nhân viên và khách hàng không phải là phổ quát. Với hệ thống tốt nhất trong ba hệ thống thương mại, WER của khách hàng và nhân viên gần như giống nhau (16,48% so với 16,49%), nên phía khách hàng khó hơn với một số công cụ, không phải tất cả. Lỗi cũng khác về bản chất so với lỗi trên bộ đánh giá; thống kê về ảo giác nhận dạng giọng nói của chúng tôi bàn về những từ bịa ra, thứ mà chỉ riêng điểm WER không phân tách được.
3. Sắc thái cảm xúc của văn bản trên bản phiên âm cuộc gọi: Mức đồng thuận của con người và độ chính xác của máy
Con số khó chịu trong phân tích sắc thái cảm xúc là mức chuẩn của con người. Hai người gán nhãn cho 20.000 câu nói tại tổng đài (băng thông rộng, bảo hiểm và các ngành khác) đồng thuận ở kappa Cohen là 0,605 (các nhà nghiên cứu ConnexAI, Enhancing Call Centre Sentiment Analysis with Large Language Models, IntechOpen 2026). Kappa hiệu chỉnh mức đồng thuận thô theo yếu tố ngẫu nhiên: 1,0 là đồng thuận hoàn hảo và 0 là mức mà ngẫu nhiên đơn thuần sẽ tạo ra. Mọi con số “độ chính xác cảm xúc” của nhà cung cấp đều được chấm điểm dựa trên những nhãn mà chính con người cũng thường tranh cãi.
Trong mức trần đó, các mô hình làm tốt trên văn bản sạch và vấp ở lớp quan trọng nhất. Với hướng dẫn gán nhãn đầy đủ, một LLM mở 32 tỷ tham số khớp với chuẩn vàng của con người (nhãn tham chiếu do con người gán) 91% số lần trên ba lớp, nhưng F1 vĩ mô của nó (trung bình điểm F1 theo từng lớp, phạt việc bỏ qua các lớp hiếm) là 0,79. Phép thử áp lực thực sự là đầu ra của ASR: trên các cuộc gọi thực tế do máy phiên âm, cùng cách tiếp cận đạt F1 vĩ mô 0,74 từ từng câu nói riêng lẻ và 0,86 khi nhìn thấy một cửa sổ sáu lượt thoại. Ngữ cảnh có tác dụng hơn kích thước: trong cùng các phép thử, một mô hình Qwen3 4 tỷ tham số đạt F1 vĩ mô 0,78 trong khi mô hình anh em 32 tỷ tham số chỉ đạt 0,56. Trên kho ngữ liệu điện thoại Switchboard, cơ cấu nhãn cho thấy vì sao “trung tính” chiếm ưu thế trên các bảng điều khiển: 52,6% đoạn là trung tính (Chen và cộng sự, A Large Scale Speech Sentiment Corpus, LREC 2020).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Mức đồng thuận giữa hai người gán nhãn về cảm xúc của 20.000 câu nói tại tổng đài (kappa Cohen) | 0,605 | Các nhà nghiên cứu ConnexAI, IntechOpen 2026 |
| LLM mở (Qwen2.5-32B-Instruct) với hướng dẫn đầy đủ so với chuẩn vàng của con người, 3 lớp cảm xúc, 8.750 mẫu | Độ chính xác 0,91, F1 vĩ mô 0,79 | Các nhà nghiên cứu ConnexAI, IntechOpen 2026 |
| DistilBERT được tinh chỉnh so với bộ phân loại SVM, F1 vĩ mô trên các cuộc gọi do con người phiên âm | 0,90 so với 0,82 | Các nhà nghiên cứu ConnexAI, IntechOpen 2026 |
| LLM trên bản phiên âm của máy (ASR) của các cuộc gọi thực tế: một câu nói so với cửa sổ ngữ cảnh sáu lượt thoại, F1 vĩ mô | 0,74 so với 0,86 | Các nhà nghiên cứu ConnexAI, IntechOpen 2026 |
| Độ chính xác trung bình của từng người gán nhãn so với nhãn đa số, cuộc gọi điện thoại Switchboard (49.500 đoạn, 140 giờ) | Khoảng 85% | Chen và cộng sự (Google), LREC 2020 |
Ghi chú bối cảnh: trong cùng chương đó, lớp tiêu cực là điểm yếu ngay cả với bộ phân loại tốt nhất (DistilBERT được tinh chỉnh đạt F1 0,78 với cảm xúc tiêu cực so với 0,94 với tích cực), và SVM sụp đổ trên bản phiên âm của máy, chỉ đạt F1 vĩ mô 0,25 trên giọng nhân viên và 0,46 trên giọng khách hàng. Các cuộc gọi thực tế do máy phiên âm cũng bị lệch: 61% trung tính, 30% tích cực và 9% tiêu cực. Một mô hình gán nhãn mọi thứ là trung tính trông có vẻ chính xác trên dữ liệu như vậy trong khi bỏ sót 9% khách hàng đang tức giận.
4. Phát hiện cảm xúc bằng âm học: Giọng nói bổ sung điều gì
Giọng điệu là điểm bán hàng của “AI nhận diện cảm xúc”, thế nhưng trong bộ đánh giá cảm xúc cuộc gọi điện thoại Switchboard, nó là tín hiệu đơn lẻ yếu nhất. Một mô hình chỉ dùng âm học đạt độ chính xác có trọng số 54,23% trên bài toán cảm xúc ba lớp, so với 85,76% của con người, và việc thêm văn bản nâng con số này lên 65,65% (Chen và cộng sự, LREC 2020, báo cáo các mức cơ sở của Lu và cộng sự 2019). Độ chính xác có trọng số tính mọi đoạn như nhau; độ chính xác không trọng số lấy trung bình ba lớp, nên điểm không trọng số 39,63% của mô hình âm học chỉ cao hơn khoảng 6 điểm so với 33,3% mà đoán ngẫu nhiên sẽ đạt được (39,63 - 33,33 = 6,3). Dữ liệu mới nhất hiện có cho một bộ đánh giá cảm xúc cuộc gọi điện thoại công khai so sánh cả ba loại đầu vào: kho ngữ liệu cảm xúc Switchboard, LREC 2020.
Các cuộc gọi dịch vụ khách hàng thực tế còn khó gán nhãn hơn. Tại một tổng đài du lịch công tác của Pháp (nghiên cứu CusEmo), hai người gán nhãn đánh giá liên tục cảm xúc của khách hàng đạt hệ số tương quan nội lớp (ICC, điểm đồng thuận từ 0 đến 1) là 0,62 cho hóa trị cảm xúc (tích cực hay tiêu cực đến mức nào) và 0,52 cho mức kích thích (hưng phấn hay bình tĩnh đến mức nào) (End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations, arXiv 2023). Mức đồng điệu của mô hình tốt nhất với các đánh giá đó (CCC, hệ số tương quan đồng điệu, trong đó 1 là hoàn hảo) là 0,699 cho hóa trị cảm xúc và 0,508 cho mức kích thích, sau khi mô hình được cho biết nhân viên đồng cảm đến mức nào. Nói cách khác, tâm trạng của khách hàng dễ đọc hơn khi mô hình cũng nghe được nhân viên. Về các ứng dụng lâm sàng của cùng công nghệ này, hãy xem thống kê về độ chính xác nhận diện cảm xúc qua giọng nói của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ chính xác có trọng số, cảm xúc 3 lớp trên cuộc gọi điện thoại Switchboard: mô hình chỉ dùng âm học so với mô hình âm học cộng văn bản so với mô hình dùng đặc trưng nhận dạng giọng nói so với người nghe là con người | 54,23% so với 65,65% so với 70,10% so với 85,76% | Chen và cộng sự (Google), LREC 2020 |
| Độ chính xác không trọng số (trung bình theo lớp), cùng bốn cách tiếp cận theo cùng thứ tự | 39,63% so với 54,59% so với 62,39% so với 84,61% | Chen và cộng sự (Google), LREC 2020 |
| Bộ sưu tập nguồn CusEmo từ một tổng đài du lịch công tác của Pháp | 5.548 cuộc hội thoại, 375,39 giờ | Nghiên cứu CusEmo, arXiv 2023 |
| Các cuộc hội thoại CusEmo có chú thích ngữ cảnh; âm thanh của khách hàng được đánh giá về cảm xúc | 469 cuộc hội thoại; 13,15 giờ | Nghiên cứu CusEmo, arXiv 2023 |
| Mức đồng thuận giữa hai người gán nhãn đánh giá cảm xúc của khách hàng (ICC): hóa trị cảm xúc so với mức kích thích | 0,62 so với 0,52 | Nghiên cứu CusEmo, arXiv 2023 |
| Mức đồng điệu của mô hình tốt nhất với đánh giá của con người (CCC) khi thêm sự đồng cảm của nhân viên: hóa trị cảm xúc so với mức kích thích | 0,699 so với 0,508 | Nghiên cứu CusEmo, arXiv 2023 |
Ghi chú bối cảnh: kho ngữ liệu CusEmo chỉ dùng nội bộ và chưa được công bố, và chỉ 469 trong số 5.548 cuộc hội thoại được chú thích ngữ cảnh. Dữ liệu cảm xúc tổng đài thực tế khan hiếm chính vì các bản ghi chứa dữ liệu cá nhân, đó là một lý do khiến hầu hết các con số độ chính xác được công bố đến từ podcast, giọng diễn xuất hoặc các kho ngữ liệu điện thoại đã có từ nhiều thập kỷ.
5. Kết quả kinh doanh đã đo lường
Các nhà cung cấp giải pháp phân tích bán kết quả, và bằng chứng được kiểm soát tốt nhất đến từ văn bản, không phải giọng nói. Trong một nghiên cứu với 5.179 nhân viên hỗ trợ khách hàng và khoảng 3 triệu cuộc trò chuyện, một trợ lý hội thoại AI đã tăng số vấn đề được giải quyết mỗi giờ trung bình 14% và 34% với nhân viên mới vào nghề và kỹ năng thấp (Brynjolfsson, Li và Raymond, Generative AI at Work, bài nghiên cứu NBER 31161). Nghiên cứu đo tâm trạng khách hàng bằng bộ phân loại cảm xúc dựa trên LLM (SiEBERT, chấm điểm văn bản từ -1 đến 1), khiến đây là một trong số ít nghiên cứu thực địa lớn dùng cảm xúc tự động làm kết quả thay vì làm đặc trưng.
Các chỉ số mềm hơn cũng dịch chuyển: sắc thái cảm xúc của khách hàng tăng 0,18 điểm (nửa độ lệch chuẩn), các yêu cầu được nói chuyện với quản lý giảm gần 25%, và thời gian xử lý giảm 3,8 phút. Tỷ lệ giải quyết hầu như không thay đổi. Người mua dường như tin rằng dữ liệu này thuộc về cấp cao nhất: gần 84% công ty, và 96,7% nhóm thành công của Metrigy, cho rằng dữ liệu tương tác với khách hàng nên là một phần của bảng điều khiển hiệu suất dành cho lãnh đạo (phân tích của Metrigy, tháng 5 năm 2025).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Mức tăng năng suất (số vấn đề được giải quyết mỗi giờ) với trợ lý hội thoại AI, 5.179 nhân viên | Trung bình 14% | Bài nghiên cứu NBER 31161, Brynjolfsson, Li và Raymond |
| Mức tăng năng suất với nhân viên mới vào nghề và kỹ năng thấp | 34% | Bài nghiên cứu NBER 31161 |
| Thay đổi về sắc thái cảm xúc trung bình của khách hàng (điểm SiEBERT từ -1 đến 1) | +0,18 điểm, khoảng nửa độ lệch chuẩn | Bài nghiên cứu NBER 31161 |
| Thay đổi về yêu cầu của khách hàng được nói chuyện với quản lý (mức cơ sở khoảng 6 điểm phần trăm) | Giảm gần 25% | Bài nghiên cứu NBER 31161 |
| Thay đổi về thời gian xử lý trung bình | Ngắn hơn 3,8 phút, giảm 9% | Bài nghiên cứu NBER 31161 |
| Thay đổi về tỷ lệ giải quyết (mức cơ sở 82%) | +1,3 điểm phần trăm, chỉ có ý nghĩa ở mức 10% | Bài nghiên cứu NBER 31161 |
| Công ty muốn có dữ liệu tương tác trên bảng điều khiển của lãnh đạo: tất cả công ty so với nhóm thành công nhất | Gần 84% so với 96,7% | Phân tích của Metrigy, tháng 5 năm 2025 |
Ghi chú về giá trị ngoại lệ: sắc thái cảm xúc của nhân viên trong nghiên cứu NBER chỉ tăng 0,02 điểm, khoảng 1% độ lệch chuẩn, nên mức cải thiện thể hiện ở cách khách hàng viết, không phải cách nhân viên viết. Nghiên cứu bao gồm chat văn bản tại một công ty; chúng tôi không tìm thấy nghiên cứu có đối chứng quy mô tương đương nào về kết quả của phân tích cuộc gọi thoại.
6. Quy định và quyền riêng tư: Quy tắc nhận diện cảm xúc và luật về dấu vân giọng nói
Ranh giới pháp lý nằm giữa việc cảm xúc của ai được đọc và đọc từ đâu. Từ ngày 2 tháng 2 năm 2025, Đạo luật AI của EU cấm các hệ thống AI suy luận cảm xúc của một người tại nơi làm việc, trừ các lý do y tế hoặc an toàn (Quy định (EU) 2024/1689, Điều 5(1)(f) và 113). Đạo luật định nghĩa nhận diện cảm xúc là suy luận “dựa trên dữ liệu sinh trắc học của họ”, đó là lý do hướng dẫn của Ủy ban coi một tổng đài dùng nhận dạng giọng nói để theo dõi sự tức giận của nhân viên là bị cấm, nhưng tổng đài theo dõi cảm xúc của khách hàng thì nằm ngoài lệnh cấm, và việc suy luận từ văn bản viết cũng nằm ngoài (hướng dẫn của Ủy ban châu Âu về các thực hành AI bị cấm, ngày 4 tháng 2 năm 2025, các ví dụ theo tóm tắt của CMS, ngày 10 tháng 2 năm 2025). Trên thực tế, phân tích cảm xúc dựa trên bản phiên âm đối với khách hàng là thiết kế an toàn nhất ở châu Âu, còn chấm điểm giọng điệu của nhân viên là rủi ro nhất.
Đoạn dẫn nhập 44 của Đạo luật biện minh cho lệnh cấm bằng cách chỉ ra những lo ngại nghiêm trọng về cơ sở khoa học của nhận diện cảm xúc, nêu độ tin cậy hạn chế, thiếu tính đặc hiệu và khả năng khái quát hóa hạn chế, chính là những điểm yếu mà các điểm đồng thuận trong phần 3 và 4 đo lường. Tại Hoa Kỳ, mức độ phơi nhiễm rõ rệt nhất mang tính sinh trắc học: Illinois coi dấu vân giọng nói là mã định danh sinh trắc học, nên bất kỳ hệ thống nào tạo ra dấu vân giọng nói của người nói (ví dụ để xác thực người gọi) đều thuộc phạm vi các quy tắc và mức bồi thường theo từng vi phạm của bang này (Đạo luật Bảo mật Thông tin Sinh trắc học Illinois, 740 ILCS 14).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ngày áp dụng lệnh cấm của EU đối với việc suy luận cảm xúc tại nơi làm việc và trong giáo dục (Điều 5(1)(f)) | Ngày 2 tháng 2 năm 2025 | Đạo luật AI của EU, Quy định (EU) 2024/1689, Điều 113 |
| Mức phạt tối đa khi sử dụng thực hành AI bị cấm | 35.000.000 EUR hoặc 7% tổng doanh thu hằng năm toàn cầu, tùy mức nào cao hơn | Đạo luật AI của EU, Điều 99(3) |
| Tình trạng của các hệ thống nhận diện cảm xúc không bị cấm (ví dụ đối với khách hàng) | Được liệt kê là hệ thống AI rủi ro cao | Đạo luật AI của EU, Phụ lục III, điểm 1(c) |
| Ngày áp dụng chung của Đạo luật AI của EU theo bản công bố | Ngày 2 tháng 8 năm 2026 | Đạo luật AI của EU, Điều 113 |
| Tổng đài dùng nhận dạng giọng nói để theo dõi cảm xúc của nhân viên như sự tức giận | Bị cấm | Hướng dẫn của Ủy ban châu Âu, tháng 2 năm 2025 |
| Tổng đài dùng nhận dạng giọng nói để theo dõi cảm xúc của khách hàng | Nằm ngoài lệnh cấm tại nơi làm việc | Hướng dẫn của Ủy ban châu Âu, tháng 2 năm 2025 |
| Mức bồi thường theo luật định của Illinois cho mỗi vi phạm liên quan đến mã định danh sinh trắc học như dấu vân giọng nói: do sơ suất so với cố ý hoặc liều lĩnh | 1.000 $ so với 5.000 $ | BIPA của Illinois, 740 ILCS 14/20 |
| Ngày có hiệu lực của BIPA Illinois và lần sửa đổi mới nhất | Ngày 3 tháng 10 năm 2008; được sửa đổi bởi Public Act 103-769, có hiệu lực ngày 2 tháng 8 năm 2024 | Đại hội đồng Illinois |
Ghi chú bối cảnh: hướng dẫn của Ủy ban không có tính ràng buộc, và thẩm quyền diễn giải thuộc về Tòa án Công lý của EU. Chính báo cáo thường niên của NICE cảnh báo rằng Đạo luật AI “được áp dụng dần dần đến tháng 8 năm 2026” và các khoản phạt do không tuân thủ “là đáng kể” (Form 20-F của NICE cho năm tài chính 2025).
Tổng kết: Độ chính xác phát hiện sắc thái cảm xúc của phân tích giọng nói tổng đài qua các con số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Công ty đã dùng phân tích tương tác so với công ty có kế hoạch triển khai trong năm 2025 | 49,8% so với 29,9% (trong số 1.104) | Metrigy, AI for Business Success 2025-26 |
| Trung tâm liên lạc vẫn dùng bảng tính cho đảm bảo chất lượng | 55% (giảm từ 65%) | Scorebuddy và Call Centre Helper, tháng 12 năm 2025 |
| Tổng doanh thu năm 2025 của NICE | 2.945,4 triệu $ | NICE Form 20-F, năm tài chính 2025 |
| WER của ASR thương mại trên 50 cuộc hội thoại tổng đài thực tế | 16,5% đến 19,2% | Szymanski và cộng sự, Findings of EMNLP 2020 |
| Cùng các hệ thống đó trên bộ đánh giá điện thoại Switchboard | 10,2% đến 11,62% | Szymanski và cộng sự, Findings of EMNLP 2020 |
| WER của Whisper large-v2: giọng đọc sách nói so với cuộc gọi điện thoại CallHome | 2,7% so với 17,6% | OpenAI, bài báo Whisper 2022 |
| WER trên âm thanh tổng đài giọng châu Phi: mô hình tốt nhất so với Whisper-large-v3 | 13,45% so với 24,69% | AfriSpeech-MultiBench, arXiv 2025 |
| Mức đồng thuận giữa người với người về cảm xúc của câu nói tại tổng đài (kappa Cohen) | 0,605 | Các nhà nghiên cứu ConnexAI, IntechOpen 2026 |
| F1 vĩ mô về cảm xúc của LLM trên bản phiên âm ASR: một câu nói so với ngữ cảnh sáu lượt thoại | 0,74 so với 0,86 | Các nhà nghiên cứu ConnexAI, IntechOpen 2026 |
| Độ chính xác có trọng số về cảm xúc cuộc gọi điện thoại: chỉ âm học so với âm học cộng văn bản so với con người | 54,23% so với 65,65% so với 85,76% | Chen và cộng sự (Google), LREC 2020 |
| Mức đồng thuận của người gán nhãn về hóa trị cảm xúc so với mức kích thích của khách hàng trong cuộc gọi thực tế (ICC) | 0,62 so với 0,52 | Nghiên cứu CusEmo, arXiv 2023 |
| Mức tăng năng suất từ trợ lý hội thoại AI, tất cả nhân viên so với nhân viên mới | 14% so với 34% | Bài nghiên cứu NBER 31161 |
| Thay đổi sắc thái cảm xúc khách hàng (thang -1 đến 1) và yêu cầu được nói chuyện với quản lý khi có trợ lý AI | +0,18 điểm; giảm gần 25% số yêu cầu | Bài nghiên cứu NBER 31161 |
| Lệnh cấm của EU đối với việc suy luận cảm xúc tại nơi làm việc có hiệu lực từ | Ngày 2 tháng 2 năm 2025 | Đạo luật AI của EU, Điều 113 |
| Tổng đài dùng nhận dạng giọng nói để theo dõi cảm xúc của nhân viên so với của khách hàng | Bị cấm so với nằm ngoài lệnh cấm tại nơi làm việc | Hướng dẫn của Ủy ban châu Âu, tháng 2 năm 2025 |
| Mức phạt tối đa của EU đối với các thực hành AI bị cấm | 35.000.000 EUR hoặc 7% doanh thu toàn cầu | Đạo luật AI của EU, Điều 99(3) |
| Mức bồi thường của Illinois cho mỗi vi phạm sinh trắc học, do sơ suất so với cố ý | 1.000 $ so với 5.000 $ | BIPA của Illinois, 740 ILCS 14 |
Phương pháp luận và Nguồn
- Metrigy, The Value of Interaction Analytics (AI for Business Success 2025-26, 1.104 công ty) và phân tích của Metrigy về cùng nghiên cứu, ngày 14 tháng 5 năm 2025: mức độ áp dụng, kế hoạch áp dụng, các trường hợp sử dụng hàng đầu, thái độ đối với bảng điều khiển.
- Scorebuddy và Call Centre Helper, What Contact Centers Are Doing Right Now, ngày 11 tháng 12 năm 2025: khảo sát công cụ QA, do nhà cung cấp tài trợ; cỡ mẫu không được nêu trong thông cáo.
- NICE Ltd, Form 20-F cho năm tài chính kết thúc ngày 31 tháng 12 năm 2025 (SEC EDGAR): doanh thu, tăng trưởng đám mây, cơ sở khách hàng, khoản thanh toán cho Cognigy, yếu tố rủi ro về Đạo luật AI.
- Verint Systems, Form 10-K cho năm tài chính kết thúc ngày 31 tháng 1 năm 2025 (SEC EDGAR): cơ sở khách hàng, quốc gia, tỷ trọng đăng ký, doanh thu theo khu vực.
- Szymanski và cộng sự, WER we are and WER we think we are, Findings of EMNLP 2020: ASR thương mại trên 50 cuộc hội thoại tổng đài thực tế.
- Radford và cộng sự (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision, 2022: WER của Whisper trên LibriSpeech, CallHome và Switchboard.
- Ashungafac và cộng sự (Intron Health), AfriSpeech-MultiBench, arXiv tháng 11 năm 2025: WER lĩnh vực tổng đài cho 18 hệ thống ASR.
- Jordan, Fonseka, Stacey và Sitvaev (ConnexAI), Enhancing Call Centre Sentiment Analysis with Large Language Models, IntechOpen, ngày 20 tháng 6 năm 2026: mức đồng thuận của con người, độ chính xác cảm xúc của LLM và bộ phân loại, độ bền vững trước ASR. Các tác giả làm việc cho một nhà cung cấp AI trung tâm liên lạc.
- Chen và cộng sự (Google), A Large Scale Speech Sentiment Corpus, LREC 2020 (LDC2020T14): nhãn cảm xúc Switchboard, độ chính xác của con người, các mức cơ sở âm học và văn bản.
- End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations (CusEmo), arXiv 2023: kho ngữ liệu cảm xúc tổng đài thực tế và kết quả mô hình.
- Brynjolfsson, Li và Raymond, Generative AI at Work, bài nghiên cứu NBER 31161: kết quả về năng suất, cảm xúc, leo thang và tỷ lệ nghỉ việc.
- Quy định (EU) 2024/1689 (Đạo luật AI của EU), EUR-Lex: Điều 3(39), Điều 5(1)(f), Điều 99(3), Điều 113, Phụ lục III, Đoạn dẫn nhập 44.
- Ủy ban châu Âu, Hướng dẫn về các thực hành AI bị cấm, ngày 4 tháng 2 năm 2025 và bản tóm tắt của CMS về các ví dụ tổng đài, ngày 10 tháng 2 năm 2025.
- Đại hội đồng Illinois, Đạo luật Bảo mật Thông tin Sinh trắc học, 740 ILCS 14: định nghĩa dấu vân giọng nói và mức bồi thường theo luật định.
- Lưu ý về dữ liệu: nghiên cứu WER tổng đài thương mại (2020), bài báo Whisper (2022), các mức cơ sở cảm xúc Switchboard (2020) và nghiên cứu CusEmo (2023) là dữ liệu công khai mới nhất hiện có cho các phép đo tương ứng; chúng tôi không tìm thấy phép thử công khai nào mới hơn đối với các công cụ thương mại trên bản ghi cuộc gọi thực tế, và các bộ dữ liệu tổng đài dùng trong những bài báo này là riêng tư. Chương của IntechOpen có chỗ không nhất quán nội bộ (phần tóm tắt nêu 3.000 quan sát cảm xúc trong khi phần thân dùng 8.750, và phần tóm tắt đưa F1 ASR “khoảng 0,76” so với F1 vĩ mô 0,74 và độ chính xác 0,76 trong phần thân); chúng tôi dùng các bảng trong phần thân. Văn bản bài báo CusEmo báo cáo 0,657 và 0,434 cho một thiết lập mà bảng của nó ghi là .667 và .499. Bộ dữ liệu tổng đài của AfriSpeech-MultiBench chỉ có 16 mẫu (0,80 giờ), và bài báo nêu cả 18 lẫn 19 hệ thống được đánh giá. Kết quả của NBER đến từ chat văn bản tại một công ty, không phải cuộc gọi thoại. Metrigy mô tả cùng một kết quả áp dụng là 49,8% ở một chỗ và “chỉ một nửa” ở chỗ khác. Các tuyên bố được lặp lại rộng rãi rằng QA thủ công bao phủ 1% đến 3% số cuộc gọi không thể truy về một khảo sát độc lập và đã bị loại ra. Lộ trình của Đạo luật AI của EU được trích dẫn như đã công bố trên Công báo; hãy kiểm tra các sửa đổi sau đó trước khi dựa vào ngày 2 tháng 8 năm 2026 cho các nghĩa vụ rủi ro cao.
Cập nhật lần cuối: ngày 27 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần làm mới tiếp theo dự kiến diễn ra khi Metrigy công bố nghiên cứu AI for Business Success tiếp theo và NICE nộp Form 20-F thường niên tiếp theo.