Fikirkan tentang masa terakhir anda bercakap melalui walkie-talkie berbanding panggilan telefon.
Pada walkie-talkie, hanya satu orang boleh menghantar pada satu masa. Anda tekan butang, katakan apa yang ingin anda katakan, katakan “habis,” dan lepaskan. Jika anda mempunyai keberatan tiba-tiba di tengah-tengah ayat orang lain — terpaksa tunggu. Anda menunggu giliran anda.
Kebanyakan ejen AI suara hari ini dibina seperti walkie-talkie. Ejen itu menyelesaikan seluruh ayat yang disiapkan — bahkan jika anda sudah pun berkata “tunggu, tidak, saya maksudkan Selasa depan” tiga perkataan lalu. Ia tidak boleh mendengar anda semasa ia berkata-kata. Bagi ejen, gangguan anda sama ada hilang sepenuhnya atau disimpan dalam barisan dan dijawab selepas ia selesai dengan perkara yang anda cuba cegah.
Panggilan telefon tidak berfungsi dengan cara itu. Anda boleh memotong seseorang di tengah-tengah ayat. Mereka berhenti bercakap. Percakapan itu diubah arah secara real-time. Itu bukan sesuatu yang bagus — itu adalah apa yang menjadikannya terasa seperti percakapan bukan dua orang bergilir-gilir melaungkan monolog kepada satu sama lain.
Mengapa ini adalah masalah yang benar-benar sukar, bukan masalah kecil
Model walkie-talkie mudah dibina: mainkan seluruh respons audio, kemudian mulai mendengarkan semula. Model panggilan telefon memerlukan ejen untuk mendengarkan sepanjang masa ia berkata-kata, dan boleh merobohkan respons yang sedang berlangsung sendiri pada saat pertuturan nyata dikesan — tanpa kehilangan jejak tempat percakapan sebenarnya berada.
sequenceDiagram
participant Pelanggan
participant Ejen
participant Aliran Kerja
Pelanggan->>Ejen: "Saya ingin membuat janji—"
Ejen-->>Pelanggan: "Pasti! Hari apa yang sesuai untuk—"
Pelanggan->>Ejen: "—sebenarnya, batalkan itu"
Note over Ejen: Pertuturan dikesan di tengah-tengah ayat.<br/>Pemutaran berhenti serta-merta.
Ejen->>Aliran Kerja: Ganggu langkah semasa
Aliran Kerja-->>Ejen: Nilaikan semula: cawangan pembatalan
Ejen->>Pelanggan: "Tiada masalah — adakah ada yang lain yang boleh saya bantu?"Langkah “Note over Ejen” itu adalah keseluruhan masalah. Ejen terpaksa:
- Mengesan pertuturan sebenar berbanding bunyi latar belakang, secara real-time, semasa audio sendiri dimainkan.
- Hentikan output audio sendiri serta-merta — bukan pada sempadan ayat berikutnya, bukan selepas penimbal mengalir keluar.
- Beritahu mesin aliran kerja yang memacu percakapan “langkah itu tidak selesai, inilah apa yang sebenarnya berlaku,” supaya perkara seterusnya yang dikatakan ejen adalah berdasarkan realiti, bukan pada skrip yang mengandaikan ia dapat menyelesaikan percakapan.
Langkau mana-mana satu daripada ketiga-tiga itu dan anda akan mendapat sesuatu yang terlihat seperti gangguan dalam demo, tetapi runtuh pada saat pelanggan sebenar bercakap di atas ejen di tengah-tengah senarai, atau pada saat dua orang di persekitaran bising kedua-duanya bercakap berhampiran mikrofon.
Apa maksud ini jika anda menilai platform
Tanya orang yang menjual platform AI suara kepada anda untuk benar-benar mengganggu ejen mereka sendiri di tengah-tengah ayat, secara langsung, bukan dalam video demo yang dikurasi. Tanya apa yang berlaku pada keadaan percakapan selepas gangguan itu — adakah ejen ingat apa yang sedang dilakukannya, atau adakah ia hanya meminta maaf dan bermula semula? Jurang antara “menangani gangguan” dan “benar-benar dibina untuk gangguan dari asas” hanya muncul apabila anda memberikan tekanan padanya.
Ini adalah jenis keputusan yang tidak kelihatan dari helaian spesifikasi dan jelas dalam tiga puluh saat pertama menggunakan benda itu.