AIAMD
быстрое определение автоответчика по первым секундам звонка
2 мин чтенияобновлено
AIAMD (Answering Machine Detection) — компактная аудиомодель от автора kugu для определения, кто ответил на исходящий звонок: живой человек или автоответчик (голосовая почта, голосовой ассистент, IVR-меню или сетевые гудки). Модель анализирует первые 3 секунды аудио и каждые 0,48 секунды обновляет вероятность того, что на линии робот, позволяя принять решение прямо во время соединения. В основе лежит замороженный извлекатель признаков YAMNet и лёгкая рекуррентная сеть на базе GRU (Gated Recurrent Unit) всего на 44 657 обучаемых параметров — это реализация научной работы Altwlkany et al. (2024). Инструмент пригодится разработчикам систем автообзвона, колл-центров и голосовых ботов.
Ключевые особенности
- Потоковая оценка в реальном времени: каждые 0,48 секунды выдаёт вероятность
p(machine), позволяя завершить или переключить вызов ещё до окончания приветствия. - Сверхлёгкая архитектура: поверх замороженного YAMNet работает компактная связка
Dense(32) → GRU(48) → Dense(1)на 44,6 тыс. параметров, не требующая мощных GPU. - Калибровка из коробки: в репозитории уже есть файл калибровки с температурой
1.156и оптимальным порогом0.452, а также готовый скриптinference.pyсо всей предобработкой. - Устойчивость к тишине и длине записи: при обучении к обоим классам добавляли случайные паузы из фонового шума, чтобы модель не ориентировалась на длину клипа.
Что можно сделать
- Фильтрация в системах автообзвона: отсекать автоответчики и гудки на 1–2 секунде разговора, чтобы не тратить время операторов или ресурсы дорогого голосового LLM-агента.
- Маршрутизация для голосовых ботов: сразу переключать сценарий бота на запись сообщения, если модель с высокой уверенностью распознала голосовую почту.
- Докалибровка под свой трафик: взять готовый класс
AmdDetectorи подобрать собственный порог срабатывания под баланс ложных срабатываний на вашей телефонии.
Пример
from inference import AmdDetector
detector = AmdDetector()
result = detector.predict(samples, sample_rate)
# {"decision": "machine", "p_machine": 0.99, "threshold": 0.452, ...}Подробнее
Метрики на тесте (порог 0.452): Balanced accuracy — 0.963, AUC — 0.993, Recall по людям — 0.962, по автоответчикам — 0.963 (на отложенной выборке из 7000 записей — 0.965).Точность по времени прослушивания: 0.868 через 0,98 с, 0.940 через 1,94 с и 0.965 через 2,90 с.
Лучше всего ловит голосовую почту (0.974) и гудки (0.955), сложнее даются кастомные приветствия и короткие ответы только с именем (~0.86–0.89).
Ограничения: рассчитана только на телефонное аудио 8 кГц длиной до 3 с; при требовании 99% точности по людям доля пойманных автоответчиков падает до ~73%, а из-за обучения на данных одного канала на другой телефонии метрики могут снизиться.










Комментарии