本技術涉及智能坐席外呼領域，特別涉及一種基于大模型的全量語音分析方法、裝置、設備及存儲介質。

背景技術：

1、隨著人工智能技術的迅速發(fā)展，大語言模型（large?language?models,?llms）在自然語言處理（nlp）領域展現(xiàn)出強大的能力，特別是在理解、分析和生成人類語言方面。在客戶服務領域，這些技術的應用逐漸增多，旨在通過自動化和智能化手段提升服務效率和質量。

2、傳統(tǒng)的客戶服務系統(tǒng)通常依賴于預設的腳本和規(guī)則，這些系統(tǒng)在處理標準化查詢時表現(xiàn)良好，但在面對復雜或非標準化的用戶需求時，往往顯得不夠靈活和準確。此外，人工坐席在處理大量客戶咨詢時，可能會因為信息過載、情緒疲勞或知識局限而影響服務質量。

3、為了解決這些問題，一些系統(tǒng)開始嘗試引入機器學習算法來分析客戶交互數(shù)據(jù)，從而提供更加個性化的服務。然而，這些早期的解決方案往往受限于算法的復雜性、數(shù)據(jù)的質量和處理能力，難以實現(xiàn)大規(guī)模應用和實時響應。

4、近年來，隨著計算能力的提升和數(shù)據(jù)量的增加，大語言模型在處理復雜的語言任務方面取得了顯著進展。這些模型能夠理解和生成自然語言，為自動化客戶服務提供了新的可能性。但是，如何將這些模型有效地應用于實際的客戶服務場景，特別是在實時語音交互中，仍然是一個技術挑戰(zhàn)。

技術實現(xiàn)思路

1、本技術的目的在于提供一種基于大模型的全量語音分析方法、裝置、設備及存儲介質，以至少解決目前外呼行業(yè)的外呼策略不準確，靈活度低、準確率低的問題。

2、為解決上述技術問題，本技術提供一種基于大模型的全量語音分析方法，包括：

3、獲取坐席與用戶的語音交互數(shù)據(jù)；

4、根據(jù)人工經(jīng)驗規(guī)則以及大語言模型提取所述語音交互數(shù)據(jù)中與產(chǎn)品業(yè)務關聯(lián)的屬性，作為增量標記信息；

5、獲取所述語音交互數(shù)據(jù)進行規(guī)范化后的全量標記信息；

6、將所述語音交互數(shù)據(jù)、所述增量標記信息、全量標記信息作為訓練數(shù)據(jù)訓練所述大語言模型以生成專家模型，其中，所述專家模型建立用戶畫像、坐席畫像、產(chǎn)品畫像的關聯(lián)信息，以及對用戶需求和用戶行為模式的預測信息；

7、根據(jù)所述專家模型匹配目標坐席、目標用戶以及對應的目標產(chǎn)品并反饋至呼叫系統(tǒng)，以從所述呼叫系統(tǒng)獲取所述目標坐席與目標用戶的實時交流數(shù)據(jù)，并根據(jù)所述專家模型基于所述實時交流數(shù)據(jù)預測包括用戶需求和用戶行為模式的預測信息，以向目標坐席推送與所述預測信息匹配的通話策略。

8、可選的，所述根據(jù)人工經(jīng)驗規(guī)則以及大語言模型提取所述語音交互數(shù)據(jù)中與產(chǎn)品業(yè)務關聯(lián)的屬性，作為增量標記信息，包括：

9、提取所述語音交互數(shù)據(jù)中與預設定的提示詞關聯(lián)的屬性；

10、根據(jù)所述人工經(jīng)驗規(guī)則對所述提示詞關聯(lián)的屬性進行第一次標記；

11、根據(jù)所述大語言模型對語音交互數(shù)據(jù)中與產(chǎn)品業(yè)務關聯(lián)的屬性進行第二次標記；

12、根據(jù)所述第一次標記、第二次標記確定增量標記信息。

13、可選的，所述將所述語音交互數(shù)據(jù)、所述增量標記信息、全量標記信息作為訓練數(shù)據(jù)訓練所述大語言模型以生成專家模型之后，還包括：

14、利用測試數(shù)據(jù)對所述專家模型進行測試，獲取所述專家模型的測試結果，其中，所述測試結果包括測試數(shù)據(jù)的提示詞標記；

15、將所述測試結果反饋至提示詞工程，以根據(jù)所述測試數(shù)據(jù)的提示詞標記更新所述提示詞工程中的提示詞關聯(lián)的屬性。

16、可選的，所述將所述語音交互數(shù)據(jù)、所述增量標記信息、全量標記信息作為訓練數(shù)據(jù)訓練所述大語言模型以生成專家模型之后，還包括：

17、獲取迭代更新的提示詞、產(chǎn)品業(yè)務、坐席反饋、用戶行為模式的至少一項更新信息；

18、根據(jù)所述更新信息迭代更新所述人工經(jīng)驗規(guī)則或使所述大語言模型學習所述更新信息；

19、根據(jù)更新后的人工經(jīng)驗規(guī)則或大語言模型對交互數(shù)據(jù)進行增量標記，獲得更新后的增量標記信息；

20、基于所述更新后的增量標記信息更新所述專家模型。

21、可選地，所述根據(jù)人工經(jīng)驗規(guī)則以及大語言模型提取所述語音交互數(shù)據(jù)中與產(chǎn)品業(yè)務關聯(lián)的屬性，作為增量標記信息，包括：

22、確定所述語音交互數(shù)據(jù)的應用領域；

23、根據(jù)所述應用領域匹配個性化分析規(guī)則，并基于所述個性化分析規(guī)則提取所述語音交互數(shù)據(jù)中的用戶需求與偏好；

24、根據(jù)所述用戶需求與偏好對所述語音交互數(shù)據(jù)進行標記，以更新所述增量標記信息。

25、可選的，所述獲取所述語音交互數(shù)據(jù)進行規(guī)范化后的全量標記信息，包括：

26、對所述語音交互數(shù)據(jù)進行識別，生成所述語音交互數(shù)據(jù)的文本信息；

27、對所述文本信息進行歸一化處理，得到規(guī)范化后的文本信息；

28、按照若干種分類規(guī)則?的最小特征單元對所述語音交互數(shù)據(jù)的規(guī)范化后的文本信息進行分割，得到包含若干個最小特征單元的語音數(shù)據(jù)文本；

29、提取不同分類規(guī)則下的所述最小特征單元并匹配相應的屬性信息，使得不同分類規(guī)則下的所述語音數(shù)據(jù)文本的最小特征單元包含所述屬性信息的占比達到預設值，得到所述語音交互數(shù)據(jù)進行規(guī)范化后的全量標記信息。

30、可選的，所述向目標坐席推送與所述預測信息匹配的通話策略，包括：

31、根據(jù)所述用戶行為模式，向目標坐席推送相應的話術策略；

32、判斷所述用戶需求是否與目標產(chǎn)品相符合，若是，向目標坐席推送與所述目標產(chǎn)品相關的介紹信息；若否，根據(jù)所述用戶需求匹配意向產(chǎn)品，并向目標坐席推送所述意向產(chǎn)品相關的介紹信息。

33、為解決上述技術問題，本技術還提供一種基于大模型的全量語音分析裝置，包括：

34、數(shù)據(jù)獲取模塊，用于獲取坐席與用戶的語音交互數(shù)據(jù)；

35、增量標記模塊，用于根據(jù)人工經(jīng)驗規(guī)則以及大語言模型提取所述語音交互數(shù)據(jù)中與產(chǎn)品業(yè)務關聯(lián)的屬性，作為增量標記信息；

36、全量標記模塊，用于獲取所述語音交互數(shù)據(jù)進行規(guī)范化后的全量標記信息；

37、模型訓練模塊，用于將所述語音交互數(shù)據(jù)、所述增量標記信息、全量標記信息作為訓練數(shù)據(jù)訓練所述大語言模型以生成專家模型，其中，所述專家模型建立用戶畫像、坐席畫像、產(chǎn)品畫像的關聯(lián)信息，以及對用戶需求和用戶行為模式的預測信息；

38、模型應用模塊，用于根據(jù)所述專家模型匹配目標坐席、目標用戶以及對應的目標產(chǎn)品并反饋至呼叫系統(tǒng)，以從所述呼叫系統(tǒng)獲取所述目標坐席與目標用戶的實時交流數(shù)據(jù)，并根據(jù)所述專家模型基于所述實時交流數(shù)據(jù)預測包括用戶需求和用戶行為模式的預測信息，以向目標坐席推送與所述預測信息匹配的通話策略。

39、為解決上述技術問題本技術還提供一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述計算機可讀指令被所述處理器執(zhí)行時，使得所述處理器執(zhí)行上述所述基于大模型的全量語音分析方法的步驟。

40、為解決上述技術問題本技術還提供一種存儲有計算機可讀指令的存儲介質，所述計算機可讀指令被一個或多個處理器執(zhí)行時，使得一個或多個處理器執(zhí)行上述所述基于大模型的全量語音分析方法的步驟。

41、本技術創(chuàng)造實施例的有益效果是：通過獲取坐席與用戶的語音交互數(shù)據(jù)；根據(jù)人工經(jīng)驗規(guī)則以及大語言模型提取所述語音交互數(shù)據(jù)中與產(chǎn)品業(yè)務關聯(lián)的屬性，作為增量標記信息；獲取所述語音交互數(shù)據(jù)進行規(guī)范化后的全量標記信息；將所述語音交互數(shù)據(jù)、所述增量標記信息、全量標記信息作為訓練數(shù)據(jù)訓練所述大語言模型以生成專家模型，其中，所述專家模型建立用戶畫像、坐席畫像、產(chǎn)品畫像的關聯(lián)信息，以及對用戶需求和用戶行為模式的預測信息；根據(jù)所述專家模型匹配目標坐席、目標用戶以及對應的目標產(chǎn)品并反饋至呼叫系統(tǒng)，以從所述呼叫系統(tǒng)獲取所述目標坐席與目標用戶的實時交流數(shù)據(jù)，并根據(jù)所述專家模型基于所述實時交流數(shù)據(jù)預測包括用戶需求和用戶行為模式的預測信息，以向目標坐席推送與所述預測信息匹配的通話策略；通過對語音交互數(shù)據(jù)的增量標記以及全量分析，結合大語言模型的深度學習和人工經(jīng)驗規(guī)則，實現(xiàn)了對語音交互數(shù)據(jù)的高效分析和處理，提高了對用戶需求和行為模式預測的準確性，增強了服務個性化和響應速度；通過實時交互數(shù)據(jù)的分析，為坐席提供了精準的通話策略，優(yōu)化了客戶服務體驗；同時，建立了全面的用戶、坐席和產(chǎn)品畫像，為業(yè)務決策提供了數(shù)據(jù)支持，提升了運營效率和市場競爭力。