· AI Engineer World's Fair 2024
Как дать голос AI-агентам
Giving a Voice to AI Agents
Скорость и точность голосовых агентов уже достаточны, а следующий шаг к человеческому звучанию — передача контекста разговора между STT, LLM и TTS.
- Цикл короче 500 мс — по данным блога Daily, полный цикл STT, LLM и TTS укладывается в 500 мс: STT и TTS от Deepgram, LLM — Llama. Человек отвечает за 400–600 мс, поэтому такая задержка, по словам спикера, естественна.
- Контекст в STT — распознавание с историей разговора, по словам спикера, заметно точнее, чем с парой секунд аудио. Точность STT выросла с примерно 75% до более 90%, а задержка упала до 100–200 мс.
- Контекст в TTS — текстовая модель может передавать синтезатору инструкции по тону и темпу, а результат синтеза возвращать как контекст для следующей реплики.
- Модульность и себестоимость — для банков и call-центров спикер предлагает разделить стек: большой STT, небольшая LLM под узкие задачи и один стабильный голос TTS. Speech-to-speech модели, по его словам, дают меньше контроля над поведением агента.
Кому полезно: тем, кто выводит голосовых агентов в продакшен и выбирает, из каких компонентов собрать стек.
Статья по теме
Главы
Похожие доклады
Ваш голосовой агент — всего лишь рация
Близко по содержанию
От транскрипции к живой музыке: аудиостек Gemini
AI Engineer Europe 2026
Близко по содержанию
Запуск корпоративного голосового AI agent за 100 дней
AI Engineer World's Fair 2025
Близко по содержанию
Разговорное видео в реальном времени с Pipecat и Tavus
AI Engineer World's Fair 2025
Близко по содержанию

