语音 Agent

通俗解释

语音 Agent 的链路包括 ASR、对话管理、工具调用和 TTS,难点在延迟、打断、口音和噪声。人类对话的轮换间隔约 200 毫秒,超过 1 秒就会明显不自然。生产系统通常采用流式识别、端到端语音模型和打断恢复策略。它适合预约、客服、外呼和门店接待,但高风险承诺、退款和医疗建议应转人工。评估要看任务完成率、平均通话时长和转人工率,不能只看语音自然度。