फ़ोन कॉल वॉयस एजेंट तक कैसे पहुँचती है
कॉलर की आवाज़ किसी स्पीच मॉडल तक पहुँचने से पहले हैंडसेट, दो ऑपरेटर, एक कैरियर ट्रंक और एक जिटर बफ़र से गुज़रती है। हर पड़ाव ऑडियो के साथ क्या करता है।
वॉयस एजेंट्स के बारे में जो कुछ लिखा जाता है, उसमें से ज़्यादातर ट्रांसक्रिप्ट से शुरू होता है। यह बात हमें हमेशा थोड़ी खटकती रही है, क्योंकि ट्रांसक्रिप्ट बनने तक कॉलर की आवाज़ के साथ बहुत कुछ हो चुका होता है, और उसमें से ज़्यादातर नुकसान ही होता है।
Aika तक लोग एक आम फ़ोन नंबर पर पहुँचते हैं। उनमें से बहुत से लोग बेसिक फ़ोन से, किसी बाज़ार या बस स्टॉप से, जो भी नेटवर्क मिल जाए उस पर कॉल करते हैं। इसलिए पिछले कुछ हफ़्तों में हमने काफ़ी समय एक कॉल को कॉलर के मुँह से हमारे स्पीच मॉडल तक, एक-एक पड़ाव पर, यह मापते हुए बिताया है कि हर पड़ाव क्या करता है। यह वही सफ़र है, उस तरह लिखा हुआ जैसे हम चाहते थे कि कोई हमें समझाता।
शुरुआत हैंडसेट से होती है
फ़ोन से निकलने से पहले ही आवाज़ कंप्रेस हो जाती है। 2G कॉल पर, और ज़्यादातर फ़ीचर फ़ोन पर, यह AMR नैरोबैंड या कोई पुराना नैरोबैंड कोडेक होता है: ऑडियो को एक सेकंड में 8,000 बार सैंपल किया जाता है, जिससे लगभग 3.4 kHz तक की आवाज़ बचती है। 4G फ़ोन पर, VoLTE और HD वॉयस चालू होने पर, यह AMR वाइडबैंड हो सकता है: एक सेकंड में 16,000 सैंपल, और लगभग 7 kHz तक की आवाज़।
यह फ़र्क़ सुनाई देता है। "स" को "फ़" से, या "श" को "स" से अलग करने वाला बहुत कुछ 4 kHz से ऊपर होता है। नैरोबैंड स्वरों को रख लेता है और व्यंजनों को अलग पहचान देने वाला बहुत सा हिस्सा फेंक देता है, और यही वह हिस्सा है जिस पर स्पीच रिकग्नाइज़र दो मिलते-जुलते शब्दों में फ़र्क़ करने के लिए निर्भर करता है।
फिर यह ऑपरेटर बदलती है
कॉलर का ऑपरेटर कॉल को उस ऑपरेटर तक ले जाता है जिसके पास डायल किया गया नंबर है। अगर ये दो अलग नेटवर्क हैं, तो कॉल उनके बीच के इंटरकनेक्ट से गुज़रती है, और व्यवहार में आम तौर पर वाइडबैंड वहीं ख़त्म हो जाता है। इंटरकनेक्ट अक्सर नैरोबैंड होते हैं, इसलिए नए फ़ोन वाला कॉलर भी अक्सर 8 kHz ऑडियो के रूप में ही पहुँचता है।
इसमें से कुछ भी न कॉलर को दिखता है, न हमें। हमें बस वह ऑडियो मिलता है जो दूसरी तरफ़ से निकलता है।
फिर ट्रंक
बिज़नेस नंबर एक ट्रंक पर होता है, यानी ऑपरेटर और किसी टेलीफ़ोनी प्रोवाइडर के बीच, या ऑपरेटर और आपके अपने उपकरण के बीच का कनेक्शन। उस पर कॉल SIP से सेट होती हैं, और ऑडियो RTP पैकेट्स के रूप में चलता है।
उस आख़िरी पड़ाव पर कोडेक लगभग हमेशा G.711 होता है। यह 1972 का है और आज भी दुनिया का ज़्यादातर फ़ोन ऑडियो यही ढोता है। 8-बिट सैंपल, 8 kHz, 64 किलोबिट प्रति सेकंड, एक लॉगरिदमिक स्केल पर (भारत और यूरोप में A-law, उत्तरी अमेरिका में µ-law) ताकि धीमी आवाज़ में तेज़ आवाज़ से ज़्यादा बारीकी बची रहे। हर पैकेट में आम तौर पर 20 ms का ऑडियो होता है, यानी 160 सैंपल।
ट्रंक से ऑडियो आपके कोड तक दो आम तरीक़ों से पहुँचता है। कोई टेलीफ़ोनी प्रोवाइडर कॉल लेकर ऑडियो को छोटे फ़्रेम्स में WebSocket पर आपको स्ट्रीम कर सकता है। या ट्रंक SIP और RTP सीधे आपके अपने चलाए गेटवे पर भेज सकता है। पहला तरीक़ा शुरू करने में कहीं आसान है और हमने यहीं से शुरुआत की। दूसरे में हर कन्वर्ज़न आपका होता है, और जैसे ही आप उन्हें मापना शुरू करते हैं, यह मायने रखने लगता है।
जिटर बफ़र, जो दिखने से ज़्यादा मुश्किल है
RTP, UDP पर चलता है, इसलिए पैकेट देर से, उलटे क्रम में, दो बार, या कभी नहीं पहुँचते। जो स्ट्रीम हर 20 ms पर आनी चाहिए, वह बेतरतीब झोंकों में आती है। किसी चीज़ को पैकेट इकट्ठा करने हैं, उन्हें क्रम में लगाना है, देर से आने वालों के लिए थोड़ा रुकना है, और फिर एक स्थिर 20 ms की घड़ी पर ऑडियो चलाना है।
यही जिटर बफ़र है, और इसका मुश्किल हिस्सा यह तय करना है कि कितना रुकना है। बहुत कम रुकें तो देर से आए पैकेट नुकसान मानकर फेंक दिए जाते हैं। बहुत ज़्यादा रुकें तो बातचीत की हर बारी धीमी हो जाती है। ऊपर से दोनों छोरों की घड़ियाँ खिसकती हैं, और कुछ भेजने वाले ख़ामोशी के दौरान भेजना ही बंद कर देते हैं, जो बिल्कुल पैकेट लॉस जैसा दिखता है, जब तक आप उसे संभालें नहीं।
हमने यह महंगे तरीक़े से सीखा। हमारे बनाए पहले गेटवे में हमारा अपना लिखा जिटर बफ़र था, और उसका टाइमिंग लॉजिक रिव्यू के हर दौर में छोटे लेकिन असली ऑडियो लॉस बग पैदा करता रहा। आख़िर में हमने उसे SpeexDSP के अडैप्टिव जिटर बफ़र से बदल दिया, जो सालों से VoIP ऑडियो ढो रहा है, और सिर्फ़ वे हिस्से रखे जो सच में हमारे लिए ख़ास हैं: पैकेट पार्स करना, स्ट्रीम से कीपैड दबाने को अलग निकालना, आउटपुट घड़ी पर ख़ामोशी भरना, और हर कॉल पर लॉस और देरी गिनना। अपना जिटर बफ़र लिखना यह सीखने का बढ़िया तरीक़ा है कि यह काम कैसे करता है। हम दोबारा ऐसा शिप नहीं करेंगे।
8 kHz से 16 kHz
ज़्यादातर स्पीच रिकग्निशन मॉडल 16 kHz ऑडियो पर ट्रेन होते हैं और फ़ोन ऑडियो 8 kHz होता है, इसलिए कहीं न कहीं सैंपल्स को रीसैंपल करके दर दोगुनी करनी पड़ती है।
रीसैंपलिंग वे फ़्रीक्वेंसी वापस नहीं ला सकती जो कभी थीं ही नहीं। लेकिन ख़राब तरीक़े से की जाए तो यह कुछ जोड़ ज़रूर देती है। हमने एक रूट पर मापा तो लगभग हर 20 ms की सीमा पर सैंपल्स के बीच एक तेज़ उछाल था, पड़ोसी सैंपल्स के सामान्य अंतर से लगभग दोगुना। एक साफ़ रूट पर यही माप 1 के क़रीब था। यह एक हल्की, नियमित चटचटाहट की तरह सुनाई देता है। ऐसा तब होता है जब हर पैकेट को अलग से कन्वर्ट किया जाए, बिना यह याद रखे कि पिछला पैकेट कैसे ख़त्म हुआ था।
इसी माप की वजह से, जब हमने एक टेस्ट रूट के लिए अपना गेटवे बनाया, तो कन्वर्ज़न हमने ख़ुद किया, एक ऐसे रीसैंपलर से जो एक पैकेट से अगले तक अपनी स्थिति याद रखता है।
कीपैड दबाना अलग से जाता है
जब कॉलर कोई बटन दबाता है, तो सिद्धांत रूप में उसकी टोन ऑडियो के अंदर जा सकती है। आम तौर पर ऐसा नहीं होता। ज़्यादातर ट्रंक बटन दबाने को अलग RTP इवेंट्स (RFC 4733) के रूप में भेजते हैं, ताकि कोडेक उन्हें बिगाड़ न सके और स्पीच मॉडल को कभी बीप सुनाई न दे। आपके गेटवे को उन इवेंट्स को अलग निकालकर बटन दबाने के रूप में आगे भेजना होता है, आवाज़ के रूप में नहीं।
कैसे पता चले कि आपका ऑडियो चल चुका है
वापसी के रास्ते की अपनी समस्या है। हम संश्लेषित (सिंथेसाइज़्ड) आवाज़ लाइन पर वापस भेजते हैं, और हमें जानना होता है कि वह कब चल चुकी, ताकि पता चले कि कॉलर ने बीच में टोका या नहीं, और कोई ज़रूरी वाक्य सच में गया या नहीं।
प्रोवाइडर आम तौर पर इसके लिए एक मार्कर देते हैं। आप अपने ऑडियो के बाद एक नाम वाला मार्क लगाते हैं और उससे पहले का सब कुछ चल जाने पर, या कॉलर के टोकने पर उसे हटा दिए जाने पर, वे उसे वापस भेजते हैं। यह साफ़ समझना ज़रूरी है कि वह वापसी क्या साबित करती है, क्योंकि उससे ज़्यादा मतलब निकाल लेना आसान है। ज़्यादा से ज़्यादा वह बताती है कि ऑडियो लाइन के हमारे हिस्से से निकल गया। वह यह नहीं बताती कि किसी इंसान ने उसे सुना। हम इसे लाइन के अपने हिस्से का सबूत मानते हैं, और जो चीज़ सच में मायने रखती है, जैसे सहमति की सूचना, उसे ऐसे डिज़ाइन करते हैं कि वह इससे ज़्यादा पर निर्भर न हो।
इस सब से हम क्या सीखते हैं
हर पड़ाव कुछ छीन लेता है या कुछ जोड़ देता है। किसी मॉडल तक पहुँचने तक ऑडियो आम तौर पर कम से कम एक बार 8 kHz तक दबाया जा चुका होता है, नेटवर्क की एक सीमा पार कर चुका होता है, फिर से क्रम में लगाया और भरा जा चुका होता है, और रीसैंपल हो चुका होता है। साफ़ 16 kHz रिकॉर्डिंग पर ट्रेन हुआ मॉडल उस सिग्नल से अलग कुछ सुन रहा होता है जिस पर उसने सीखा था।
इसलिए हम असली फ़ोन ऑडियो पर टेस्ट करते हैं, हर कन्वर्ज़न पर भरोसा करने के बजाय उसे मापते हैं, और जहाँ कोई कन्वर्ज़न हमारे हाथ में है, उसकी ज़िम्मेदारी हम लेते हैं। अगला स्वाभाविक सवाल यह है कि हम वाइडबैंड कॉल्स ही क्यों नहीं ले लेते। हमने कोशिश की। भारत में यह कहीं लंबी कहानी निकली, और वही अगली पोस्ट है।
संदर्भ और आगे पढ़ने के लिए
- ITU-T, "G.711: Pulse code modulation (PCM) of voice frequencies," 1972.
- 3GPP, "TS 26.171: AMR speech codec, wideband; general description."
- H. Schulzrinne et al., "RFC 3550: RTP, a transport protocol for real-time applications," IETF, 2003.
- H. Schulzrinne and T. Taylor, "RFC 4733: RTP payload for DTMF digits, telephony tones and telephony signals," IETF, 2006.
- J. Rosenberg et al., "RFC 3261: SIP, session initiation protocol," IETF, 2002.
- Xiph.Org, "SpeexDSP", जिटर बफ़र और रीसैंपलर।
ऐसे उद्धृत करें
Aika Labs. 'फ़ोन कॉल वॉयस एजेंट तक कैसे पहुँचती है.' aikalabs.ai/hi/blog/how-a-phone-call-reaches-a-voice-agent, 2026-11-12.