想想你最后一次用对讲机和打电话的经历。
用对讲机时，一次只能有一个人发送信号。你按下按钮，说完你的话，说”完毕”，然后松开。如果你在对方说话中途突然想到异议——那没办法。你得等着轮到你。
今天的大多数语音AI代理就是按照对讲机的方式构建的。即使你已经说了”等等，不对，我是指下周二”，代理仍然会把整个预设的句子说完。它说话的时候听不到你。对代理来说，你的打断要么完全丢失，要么被排队等待——在它说完你想阻止它说的那句话之后才回应。
电话就不是这样工作的。你可以打断别人的话。他们停止说话。对话实时改变路线。这不是个”锦上添花”的功能——这是让对话感觉像真正的对话，而不是两个人轮流独白的关键。
为什么这是个真正的难题，而不是小问题
对讲机模式很容易构建：播放完整的音频响应，然后重新开始监听。电话模式要求代理在说话的整个过程中保持监听，并且在检测到真实语音的一刻立即中断自己正在进行的响应——同时不丢失对话的上下文。
sequenceDiagram
participant 客户
participant 代理
participant 工作流
客户->>代理: "我想预约一个时间段——"
代理-->>客户: "好的！什么时间对你来说——"
客户->>代理: "——等等，算了，取消"
Note over 代理: 检测到语音中断。<br/>立即停止播放。
代理->>工作流: 中断当前步骤
工作流-->>代理: 重新评估：取消分支
代理->>客户: "没问题——还有其他我能帮忙的吗？"那个”Note over 代理”的步骤才是真正的问题所在。代理必须：
- 在播放自己的音频时，实时区分真实语音和背景噪音。
- 立即停止自己的音频输出——不是在下一句话的边界，不是在缓冲区刷新之后。
- 告诉驱动对话的工作流引擎”那个步骤没有完成，这是实际发生的情况”，这样代理接下来说的话才是基于现实的，而不是基于假设它能把话说完的脚本。
如果你跳过这三个步骤中的任何一个，你得到的看起来像演示中的打断功能，但一旦真实客户在代理列举清单时打断它，或者两个人在嘈杂环境中都在麦克风附近说话，它就会崩溃。
如果你在评估平台，这意味着什么
让任何向你推销语音AI平台的人实际演示一下打断他们自己的代理中途说话的情况，要实时演示，不要放精心制作的演示视频。问一下打断之后对话状态会发生什么——代理能记得它在说什么吗，还是只会道歉后重新开始？“能处理打断”和”从根本上为打断而构建”之间的差距只有在你实际推敲时才会显现。
这是那种从规格表上看不出来，但一旦真正用一下就在前三十秒内明显的决定。