«Меня зовут… меня зовут…»: лингвистическая карта для голосовых агентов
"My name is... my name is...": A Linguistic Map for Voice Agents — Midam Kim, ServiceNow
Голосовой агент ломается, когда слои распознавания, синтеза речи, очерёдности реплик и понимания задачи рассогласованы и не адаптируются вместе на протяжении звонка.
- Слои связаны между собой — спикер утверждает, что без любого из четырёх уровней (звуки, слова, взаимодействие, ментальная модель) агент падает, поэтому настраивать ASR или TTS по отдельности недостаточно.
- Ментальная модель живёт дольше реплик — звуки и слова исчезают сразу после произнесения, а понимание задачи накапливается по ходу звонка, и именно его стоит отслеживать и учитывать в метриках удовлетворённости.
- Типовые сбои для проверки — распознавание путает M и N в продиктованном имени, английские правила чтения превращают имя пользователя в Madam, а агент перебивает человека, который читает номер аккаунта. При непонимании агент должен уточнять, а не повторять вопрос целиком.
Кому полезно: тем, кто выводит голосовых агентов в продакшен и хочет понять, на каком слое звонок ломается.
Статья по теме
Главы
Похожие доклады
Проектирование голосовых агентов для естественных разговоров
AI Engineer World's Fair 2026
Близко по содержанию
Голосовые агенты могут не только говорить, но и действовать
Близко по содержанию
Ваш голосовой агент — всего лишь рация
Близко по содержанию
Голосовому агенту не нужна frontier-модель
AI Engineer World's Fair 2026
Близко по содержанию

