Aangepaste woordenschat voor AI-voice-agents: de uitspraakgids

Aangepaste woordenschat voor AI-voice-agents: zo zorg je voor de juiste uitspraak van namen, adressen en jargon

Een AI-voice-agent die "Thompson-Reilly Orthodontics" verkeerd uitspreekt of de straatnaam "Ashworth Close" niet verstaat, kost je vertrouwen en uiteindelijk ook gesprekken. Het korte antwoord: moderne voice-AI-platforms lossen dit bewust op, niet door geluk, maar via uitspraakwoordenboeken (voor spraakuitvoer) en aangepaste woordenlijsten (voor spraakherkenning). Dit zijn twee afzonderlijke maar complementaire mechanismen die je per assistent configureert, zonder dat je het onderliggende taalmodel opnieuw hoeft te trainen.

Iedereen die een AI-telefoonassistent inzet voor een tandartspraktijk, autodealer of makelaarskantoor loopt tegen dezelfde terugkerende problemen aan: eigennamen, adressen, merknamen en sectorspecifiek jargon. Dit artikel legt uit hoe de oplossing onder de motorkap werkt, hoe toonaangevende aanbieders dit aanpakken en hoe je dit overzichtelijk en centraal beheert in Famulor.

Twee problemen die vaak door elkaar worden gehaald: begrijpen versus uitspreken

Een voice-agent heeft twee spraakcomponenten, elk met zijn eigen storingsgevoeligheid:

• Speech-to-Text (STT): De agent moet ongebruikelijke woorden die de beller uitspreekt correct herkennen, zoals een zeldzame achternaam, een postcodecombinatie of een product-SKU. Als het model het woord verkeerd verstaat, komt de verkeerde term in het transcript terecht en werkt alles wat daarop volgt (boekingen, CRM-invoer, doorverbinden) met foutieve data.
• Text-to-Speech (TTS): De agent moet woorden die hij zelf uitspreekt correct klemtonen en uitspreken, zoals een bedrijfsnaam, een medicijn of een technische term. Dit is geen begrip-probleem, maar een kwestie van akoestische correctheid.

Beide problemen raken dezelfde categorieën woorden: eigennamen (personen, plaatsen, bedrijven), acroniemen en afkortingen, en domeinspecifiek jargon (medisch, juridisch, technisch). Als je slechts één kant van de vergelijking oplost, blijf je zitten met gesprekken die onnatuurlijk klinken.

Hoe de toonaangevende voice-engines uitspraakbeheer aanpakken

Famulor is een leveranciersonafhankelijk platform dat verbonden is met meerdere STT- en TTS-engines tegelijk. Elk platform hanteert een andere aanpak voor gecontroleerde uitspraak:

De gemene deler: geen van deze aanbieders vereist een volledige hertraining. Alle vier de benaderingen zijn configuratie, geen modelontwikkeling. Dat maakt het in de praktijk een klus van een week in plaats van een project van een kwartaal.

Een korte IPA-handleiding

Het Internationaal Fonetisch Alfabet (IPA) klinkt in eerste instantie intimiderend, maar is in de praktijk goed te doen: elk symbool staat voor precies één klank, ongeacht hoe het woord gespeld wordt. Voor de achternaam "Nguyen" kan een foneemregel eruitzien als <<ˈŋʷɪn>> — het klemtoonteken (ˈ) markeert de beklemtoonde lettergreep en de rest spelt de daadwerkelijke klank in plaats van de letters. Voor de meeste toepassingen is het leren van vijf tot tien symbolen — het primaire klemtoonteken (ˈ), een handvol klinkers en veelvoorkomende medeklinkercombinaties — voldoende om de woorden te dekken die steeds terugkeren. Teams die niet vanaf nul IPA willen leren, kunnen een uitspraakreferentietool of transcriptiehulp gebruiken. Het belangrijkste is dat je het resultaat in een testgesprek beluistert voordat het live gaat, in plaats van alleen de regel op papier te lezen.

Aliasregels zijn een eenvoudiger startpunt en dekken de meeste gevallen: in plaats van een fonetische notatie vervang je het woord door een spelling die de standaard-engine al correct uitspreekt. "SKU" wordt "skew", "Ste." wordt "Suite". Stap pas over op IPA als een aliasregel hoorbaar verkeerd blijft klinken.

Veelgemaakte instelfouten

Vier patronen zien we steeds terugkeren. Ten eerste bouwen teams het woordenboek één keer bij de uitrol en kijken er nooit meer naar om; nieuwe producten, locaties of medewerkers met ongebruikelijke namen vallen dan buiten de boot. Ten tweede lossen teams alleen de TTS-kant op, omdat ze tijdens het testen direct horen dat de uitspraak niet klopt, terwijl STT-fouten onzichtbaar in het transcript blijven staan. Ten derde worden regels per assistent aangemaakt in plaats van centraal beheerd, waardoor dezelfde bedrijfsnaam drie verschillende, deels verouderde correcties heeft over drie taalversies heen. Ten vierde wordt het woordenboek volledig gebaseerd op rustige testgesprekken op kantoor in plaats van op echte gesprekken; achtergrondgeluid, accenten en zwakke mobiele verbindingen zorgen in de praktijk voor andere foutpatronen dan in een rustige testomgeving.

Uitspraakbeheer instellen: stap voor stap

1. Verzamel probleemwoorden uit echte gesprekken

Gok niet welke woorden problemen veroorzaken, maar haal het uit de data. Analyse na het gesprek en gespreksverslagen laten betrouwbaar zien welke termen herhaaldelijk verkeerd worden herkend of uitgesproken. Verzamel deze lijst gedurende twee tot vier weken livegebruik voordat je een woordenboek bouwt, zodat je geen tijd verspilt aan het "repareren" van woorden die eigenlijk nooit een probleem waren.

2. Sorteer op STT- versus TTS-probleem

Classificeer elk probleemwoord: wordt het door de beller gezegd en verkeerd verstaan (STT), of door de agent gezegd en verkeerd uitgesproken (TTS)? Veel termen, zoals je eigen bedrijfsnaam, hebben vaak beide correcties nodig.

3. Bouw TTS-regels: alias of foneem

Eenvoudige gevallen hebben alleen een aliasregel nodig ("Dr." uitgesproken als "Doctor"). Eigennamen zonder voor de hand liggende standaarduitspraak, zoals een ongebruikelijke achternaam of een voertuigmodel, hebben een foneemregel in IPA nodig. Dat vergt wat inwerktijd, maar loont voor elke term die in bijna elk gesprek voorkomt.

4. Voeg STT-woordenschat toe

Voer zeldzame eigennamen, productnamen en jargon in als keywords of keyterms. Korte losse woorden werken prima als een eenvoudige lijst; meerwoordige uitdrukkingen (zoals straatnamen met huisnummers) zijn betrouwbaarder als zinsneden dan als individuele woorden.

5. Valideer met echte testgesprekken

Luister naar de testgesprekken, niet alleen naar de transcripten; klemtoonfouten zijn in geschreven tekst vaak niet te zien. Test bewust met verschillende sprekers, accenten en achtergrondgeluiden voordat je live gaat.

6. Beheer centraal in plaats van dupliceren per assistent

Zodra meerdere assistenten (bijvoorbeeld voor verschillende locaties of talen) dezelfde termen gebruiken (zoals je bedrijfsnaam of veelvoorkomende productnamen), werkt een gedeeld, herbruikbaar woordenboek beter dan een kopie per assistent. Het vermindert het onderhoudswerk en voorkomt dat een correctie in de ene assistent wordt vergeten in de andere.

De Famulor-aanpak: gecentraliseerd uitspraakbeheer, geen vendor lock-in

Omdat Famulor een leveranciersonafhankelijk voice-AI-platform is dat tegelijkertijd met meerdere STT- en TTS-engines is verbonden, zit je niet vast aan één uitspraaksyntaxis. De knowledge base bevat je bedrijfsspecifieke termen centraal — productnamen, adressen, contactpunten — en de agent put hieruit in elk gesprek. Met de voice library kun je voor elke taal en use case de juiste engine en stem kiezen in plaats van vast te zitten aan één TTS-aanbieder.

Voor referentie-uitspraken in prompt-stijl — "spreek 'famulor' uit als 'FA-mu-lor'" — gebruik je de AI Prompt Editor, waarmee wijzigingen direct testbaar zijn zonder code of API-aanroepen. Omdat Famulor 40+ talen ondersteunt, is dit vooral belangrijk voor bedrijven met meertalige klanten of locaties in meerdere landen: een uitspraakcorrectie voor de Engelse assistent wordt niet automatisch overgenomen door de Duitse of Franse assistent; elke taal heeft zijn eigen onderhouden lijst nodig.

Voorbeelden uit de praktijk per sector

Riverside Family Dental, een praktijk met 12 medewerkers, liep in de eerste twee weken na de uitrol tegen een terugkerend probleem aan: de assistent herkende "periodontale reiniging" niet betrouwbaar en sprak de naam van de verwijzende orthodontist, een achternaam met een koppelteken, verkeerd uit. Na het toevoegen van een jargonlijst aan de knowledge base voor tandartspraktijken en een foneemcorrectie voor de naam, daalde het aantal verzoeken om verduidelijking tijdens het boeken van afspraken aanzienlijk.

Een autodealer met drie locaties liep tegen een soortgelijk patroon aan: voertuigmodelnamen zoals "Ioniq" of "Cayenne" werden op de standaard TTS-stem verkeerd beklemtoond, wat bellers in testgesprekken verwarde. Een klein foneemwoordenboek voor de tien meest genoemde modelnamen loste het probleem op alle drie de locaties tegelijk op, omdat het woordenboek werd gedeeld in plaats van gedupliceerd. Meer over sectorspecifieke instellingen vind je in het overzicht voor de automotive sector.

Voor een makelaar die zich op een specifieke buurt richtte, was het grotere probleem niet de uitspraak maar de herkenning: straatnamen met ongebruikelijke spellingen werden in het transcript steeds verkeerd verstaan, waardoor bellers aan de verkeerde listing werden gekoppeld. Een keyterm-lijst met de twintig meest voorkomende straatnamen in het doelgebied loste dit op zonder ook maar één TTS-instelling aan te passen. Meer voorbeelden staan op de pagina over vastgoed.

Wat slechte uitspraak daadwerkelijk kost

Uitspraakproblemen lijken op het eerste gezicht een cosmetisch detail. In de praktijk produceren ze drie meetbare effecten: een hoger afhaakpercentage, omdat bellers aannemen dat de assistent niet legitiem is en ophangen; slechte data, omdat verkeerd verstane namen of adressen zo in het CRM of de agenda terechtkomen; en meer handmatig opschoonwerk, omdat medewerkers na afloop verkeerd doorverbonden of verkeerd gekoppelde gesprekken moeten corrigeren. Elk van deze punten vertaalt zich direct in minuten per gesprek, en minuten per gesprek vertalen zich in kosten. Een gesprek waarbij de assistent een naam twee keer moet vragen of een verkeerd verstaan adres handmatig moet worden gecorrigeerd, duurt vaak 20 tot 40 seconden langer dan een vlekkeloos gesprek. Over een paar honderd gesprekken per maand loopt dat op tot aanzienlijke extra gesprekstijd, hetzij als wachtrijvertraging voor andere bellers, hetzij als extra capaciteit waarvoor je moet betalen.

De instelinspanning is in vergelijking daarmee klein: het opbouwen van de tien tot dertig belangrijkste termen van een bedrijf kost doorgaans één tot twee uur; een eenmalige klus met daarna licht onderhoud. Om een ruwe indicatie te krijgen van wat correct geconfigureerde uitspraak waard is bij jouw gespreksvolume en personeelskosten, geeft de Famulor ROI-calculator hieronder een snelle schatting op basis van gespreksvolume, gemiddelde afhandeltijd en de huidige personeelskosten per gesprek.

Conclusie

Eigennamen, adressen en jargon zijn de reden waarom veel voice-AI-uitroltrajecten in de eerste weken stroef aanvoelen — en waarom ze ook met relatief weinig inspanning oplosbaar zijn. De oplossing is zelden een nieuw model; het is een goed onderhouden uitspraakwoordenboek aan de TTS-kant en een lijst met keywords of keyterms aan de STT-kant, beide centraal beheerd in plaats van per assistent opnieuw uitgevonden. Famulor bundelt precies deze onderdelen in één platform: een knowledge base, een voice library met meerdere engines, een prompt editor en 40+ talen — zonder dat je vastzit aan één aanbieder. Als je assistent nog steeds struikelt over je eigen bedrijfsnaam, is de volgende nuttige stap een korte live demo waarin we je daadwerkelijke termen doorlopen — bedrijfsnaam, producten, adressen — en precies laten zien hoe de configuratie werkt.

Veelgestelde vragen

Wat is een uitspraakwoordenboek?

Een uitspraakwoordenboek is een lijst met koppelingen tussen woorden en uitspraak die een text-to-speech-engine vertelt hoe specifieke woorden moeten klinken — hetzij via fonetische notatie (IPA), hetzij via een eenvoudige woordvervanging.

Wat is het verschil tussen keyword boosting en een uitspraakwoordenboek?

Keyword boosting werkt aan de speech-to-text-kant en verbetert hoe betrouwbaar het woord van een beller wordt herkend. Een uitspraakwoordenboek werkt aan de text-to-speech-kant en bepaalt hoe de agent zelf een woord uitspreekt. Je hebt beide nodig om een woord in beide richtingen correct te verwerken.

Heb ik voor elke taal een aparte uitspraaklijst nodig?

Ja. Uitspraakregels zijn taalspecifiek, omdat fonetiek en klemtoonpatronen per taal verschillen. Een bedrijfsnaam heeft zijn eigen regel nodig in een Duitse of Franse stemconfiguratie, zelfs als deze in het Engels al correct werkt.

Hoeveel woorden moet een uitspraakwoordenboek bevatten?

Er is geen vast aantal; elk woord dat herhaaldelijk verkeerd wordt uitgesproken of verstaan, is de moeite waard om toe te voegen. In de praktijk dekken 10 tot 50 vermeldingen de meest voorkomende problemen voor de meeste kleine en middelgrote bedrijven.

Kan ik uitspraakcorrecties instellen zonder kennis van programmeren?

Voor eenvoudige woordvervangingen wel; de meeste platforms, waaronder Famulor, bieden hiervoor no-code-interfaces. Foneem-nauwkeurige correcties met IPA-notatie profiteren van een basisbegrip van het fonetisch alfabet, maar dit is met een beetje oefening goed te leren.

Hoe vaak moet ik de uitspraaklijst bijwerken?

Direct na de uitrol is het raadzaam om de lijst na twee tot vier weken livegebruik te evalueren op basis van gespreksanalyses. Daarna is een controle telkens wanneer je nieuwe producten, locaties of medewerkers met ongebruikelijke namen toevoegt, meestal voldoende.

Wat gebeurt er als een woord niet in het woordenboek staat?

De engine valt terug op zijn standaard uitspraaklogica, die de meeste gangbare woorden goed afhandelt. Fouten treden vooral op bij zeldzame eigennamen, jargon of anderstalige termen die geen vermelding hebben.

Heeft een verkeerde uitspraak ook invloed op de herkenning later in hetzelfde gesprek?

Indirect wel: wanneer de assistent een term verkeerd uitspreekt, herhalen bellers deze vaak of corrigeren ze de assistent, wat het gesprek verlengt en de kans op extra herkenningsfouten vergroot.