机器是无法识别声音的，所以第一步是将用户的声音转换成文字，这一步需要依靠语音识别技术。语音识别本身就是一项

复杂的技术，需要持续的投入。目前世界上好的只有几个：科大讯飞、谷歌、微软、阿里、百度、腾讯等等。因此，许多

国内电话机器人厂商使用的语音识别技术大多是科大和阿里的。

此时用户所说的话已经通过语音识别转化为文字，机器拿到文字后，需要用自然语言理解来识别用户的意图，也就是理解用

户在说什么。

此时机器已经识别了用户的意图，所以机器需要决定如何回复用户的问题。例如，我们应该继续遵循正常的对话过程，还

是应该先回答用户的问题？还是需要重复刚才说的话？一句话：基于用户的意图，机器决定回复用户的内容。

此时机器已经知道回复用户的具体内容，此时是组织回复的语言。一般来说，这些话术是预先设置好的。当需要这段内容

的时候，从这段内容对应的话术中抽取一个来回复就好了。

当然，当机器知道要回答哪个话术时，需要调用这个话术对应的录音。毕竟，我们在打电话。这个时候，为了让营销效果更

好，大部分客户都会选择播放真人录音。毕竟效果比较逼真。正因为如此，人工录音的效果很大程度上决定了前端用户接电

话时的体验。

ITPub博客

电话机器人是如何实现对话的？