Голосовые AI-агенты перебивают людей: проблема в таймере, а не в модели

Голосовые AI-агенты перебивают людей: проблема в таймере, а не в модели — и решение на русском синтаксисе

Все голосовые AI-платформы решают, что человек договорил, по таймеру тишины — молчание несколько секунд, и агент начинает отвечать. Разработчик с Хабра замерил, во что это выливается на живой русской речи: из 1275 миллисекунд задержки перед ответом 1200 мс — это ожидание таймера, и только 75 мс уходит на работу модели. Проблема не в скорости модели и не в регионе — в архитектуре принятия решений.

Что именно мешает: таймер вместо смысла

Когда человек говорит, он не всегда делает паузы осознанно. В русской речи пауза после «мне нужно» — нормальная часть фразы, а не сигнал «я закончил». Но таймеру без разницы: сколько бы человек ни молчал после незаконченной мысли, агент воспринимает это как конец высказывания и начинает отвечать. Отсюда — постоянные перебивания.

Оптимизация модели, более быстрый сервер, стриминг — ничего из этого не поможет, пока в схеме стоит фиксированный таймер. Задержку создаёт не вычисление, а логика решения.

Как работает детектор на правилах русского синтаксиса

Автор статьи собрал детектор, который смотрит не на тишину, а на распознанный текст. Он определяет:

фраза закончена — короткое ожидание 250 мс;
фраза не закончена — длинное ожидание 1400 мс, человек ещё думает;
непонятно — среднее 700 мс.

Правила построены на русском синтаксисе: «Мне нужно» — это не конец, «Сколько стоит доставка до Екатеринбурга» — конец. Разница видна в распознанном тексте без дополнительного обучения и без GPU. Детектор не заменяет таймер, а решает, какой именно таймер применить.

Как замеряли: методика и фраза

Чтобы результат не зависел от дикции, речь синтезировали через SpeechKit от Яндекса: сырой PCM 16 кГц, без хвостовой тишины. Фраза — типовая для входящего звонка: «Здравствуйте!» → пауза → «Подскажите, шкаф Норд есть в наличии и когда сможете привезти?» Подавалась в Yandex Realtime API кусками по 20 мс, как в реальной телефонной линии.

Результат: 316 мс вместо 1200 мс задержки, 2 прерывания вместо 38 при двух обрывах. Разница в 4 раза — только за счёт смыслового детектора вместо слепого таймера.

Почему это важно

Для бизнеса, который строит голосовых AI-агентов для колл-центров, IVR-систем и голосовых интерфейсов — это рабочее решение, которое не требует GPU и обучения. Правила русского синтаксиса — быстрый и дешёвый способ сократить количество перебиваний вчетверо. Автор отмечает, что решение воспроизводимо и детектор работает без дополнительной настройки на конкретного пользователя — общие синтаксические правила русского языка достаточно универсальны. Ранее мы писали о полнодуплексном голосовом режиме ChatGPT, где проблема перебивания тоже была ключевой.

Технически метод применим к любому языку, где есть явные синтаксические маркеры конца предложения. Для английского, немецкого, китайского — свои аналогичные паттерны. Для русского языка преимущество в том, что синтаксис падежей и порядка слов делает маркеры конца фразы достаточно предсказуемыми — именно это позволило обойтись правилами без машинного обучения. Голосовые актёры и автоматический дубляж — смежная тема, где точность распознавания речи тоже играет ключевую роль.