提到话术，很多读者可能第一感觉就是没太多技术含量，文字游戏而已。但笔者不这么认为，于细微处见精神，往往细节之间决定业务的效果差异。而且相比于模型和策略需要依赖于数据来决策和优化，话术可操作性更高。并且话术的调整周期较短，所需成本也相对较低。在模型和策略相对稳定的的业务周期内，如果能对话术做适合的调整，业务说不定会收到意外的成效。

下面主要从引擎内核适配、文案内容优化、意向规则调整、效果驱动决策几个方面来说明一下话术优化的方向。

一、引擎内核适配：

1、ASR优化：

其实大多数的AI供应商，一般会采购BAT或者科大的ASR引擎，然后基于此做整体语音的方案，包括不限于自建对话管理平台，短信聚合平台以及线路调度平台。那读者可能有疑问了，如果都用的是外呼采购的ASR，那这块的差距就是采购引擎本身之间的差距，和供应商自身能力无关。其实目前的AI基本还是属于监督学习状态，有多少的人力就会体现多少的智能。在ASR能力差距不大的情况下，通过话术设计的技巧，和NLU的调整，例如增加关键字的正则表达可以从一定程度上补足ASR的问题。而且调整语音质检发现的问题，也可以提升话术整体交互的自然度和顺畅度，从而提升整体客户意愿，且能一定程度上降低投诉。

2、NLU优化：

这里其实有两种方式：到底是关键词主导还是算法驱动主导。其实对于笔者而言，一切还是需要根据实际效果和场景来定。一般来说，在新产品或者语音训练较少的场景，在某些话术节点上采用关键词为主，语义理解为辅的方式；在一些常用的场景或者场景相对封闭的，在话术的个别节点可以尝试先走语义理解。

在一些智能客服的场景中，为了更好的帮助用户解决来电问题，会采用伴飞和接力模式：伴飞是智能语音的节点遇到问题时，这时候由人工跟进对话解决完问题后再交由机器人跟进和人对话，当然这里也会涉及前后语音的一致性以及对用户的无感切换问题，不在此篇展开；接力模式即语音交互遇到问题后，后面的交互完全转交给人来解决。

3、TTS优化：

这里主要是变量和录音衔接的平滑度以及录音的自然度和给人的信任感。这部分调整到位的话可以减少质疑人工的比例，增加交互的轮次，提升产品信息传导的几率，来提升整体的转化率。

二、话术文案优化：

这里涉及到一个概念，即用户节点旅程：即一个用户进入语音交互后，经历了哪些节点。这里主要的衡量指标包括主流程是否交互完成，知识库命中情况以及通话时间。我们主要从知识库命中优化、节点打断调整、节点内容优化三方面来说：

1、知识库命中优化：

之前笔者也被问到过这类问题，说接通的高意向用户中，命中知识库的比例很低，那优化知识库对业务提升关系不大。其实笔者认为知识库的调整还是可以提升高意向客户的比例以及转化。这里可以从几个角度来分析：

• 知识库是否应该被命中而未被命中；
• 知识库是否场景覆盖度不够，从而无适合的知识库匹配；
• 是不是进入了和用户咨询业务不匹配的知识库；
• 最后才是这个知识库的说法问题，是否有效回答了用户的问题；

所以，一定先要解决第一点，即确保从用户的问答中流转到所期望的知识库，这部分应该是最容易调整的，也是容易忽视的。

2、节点打断调整

这部分涉及如何确定主流程和知识库节点是否支持打断，以及不支持打断的节点陈述完成的适合时间问题。一般读者可能会想，所有节点都应该被打断，这样才显得智能。但在现实情况中，由于语音引擎能力的限制，节点通常因为噪音或者环境音影响陈述不完就会被打断，完成不了主要信息的传达，会使得营销效果达不到预期。其实换位思考一下，如果你和一个同事在聊天，旁边有另一个同事不断打岔，可以预期你和同事的交谈质量肯定不高，甚至主要要传达的意图对方也没理解。所以是否支持打断，以及在哪些场景支持打断需要AI引擎的能力结合客群的特性来设计。

在一些不支持打断的节点，AI陈述的内容过长，自然会增加质疑是否机器人的可能。这个问题显而易见。我们可以在实际观测中发现哪些不支持节点的挂机比较多，或者通过录音发现，在哪些节点质疑是否人工的比例大，来做节点相应的调整。

3、节点内容优化

这部分主要就是三方面的考虑，即促转化、增意向和抑投诉。

• 促转化：增强对高意向客户的高频命中的知识库优化，促进成单；
• 增意向：增加对低意向的客户二次邀约以及优化兜底话术；
• 抑投诉：一般来说造成投诉的原因主要是用户被反复营销，这部分可以通过名单去重规则来控制外呼频次。另一部分和录音的拟人度和语音交互自然度有关；

三、意向规则调整：

一般我们以通话时长、是否主动挂机、是否有拒绝或投诉倾向、对话轮次数量、知识库的命中程度以及在交互主流程最后经历的节点为核心指标来确定高低意向。所以，话术的设计和意向规则的分类是一个有机整体，不可单独划分来看。

这部分比较敏感，但是我们还是可以从几个角度来分享下笔者对意向规则的理解：

1、知识库权重和流程设计：笔者来看，命中不同的知识库，权重应该区分设计。而且在不同的知识库，是否能被打断以及如何跳转下一个节点，这里的设计也值得斟酌；

2、不明意向用户规则设计：规则一个作用是尽量区分高意向客群，另一个作用是如何识别哪些语音交互中无意向，但实际有转化的客群。这部分就需要和甲方一起配合，进行一定的策略测试，以期最终达成预期的业务效果；

四、效果驱动决策：

以上两部分更多是从AI供应商自身的数据分析来看，如何做优化。如果和甲方深度合作，可以将效果进一步提升。即除了模型需要样本外，AI其实也需要样本。这个样本除了在日常外呼产生的录音进行训练和质检，甲方提供的转化样本名单更可以从另一种视角来分析如何优化话术，可以从更多维度来分析客群特性。

这里笔者列举了一些可以优化的方向：

• 转化人群高频命中知识库；
• 转化人群高频命中节点；
• 转化人群高频挂机节点；
• 投诉人群高频命中知识库；
• 投诉人群高频挂机节点；
• 投诉人群高频命中节点；

在本篇中，笔者讲述了话术优化的一些观点和想法。笔者从自身经验角度，介绍了模型、策略以及话术的在用户增长业务中的作用和优化思路，供读者参考。