Block傘下のDessaが全双工音声モデルを発表し、Hacker Newsのトップページに載った。リアルタイム音声を、実際に配信可能なAgentへ変換できるだろうか。Kickoff Hero你需要一套可复现的评测方法。
プロジェクト原文:block.xyz/dessa
Dessaの新しさは何인가
従来の音声処理は、通常次のターン制采用的是回合制:
- ユーザーが話し始める;
- システムが話し終えたかどうかを判定する;
- ユーザーがひと呼吸止める;
- モデルが回答を始める;
- ユーザーが次のターンを待つ。
Dessaはこれを全双工の設計へ切り替えようとしている。モデルが音声を出力している間も、新しい入力を理解し続ける。ユーザーが「いや、退金はまだ」とalamった場合、モデルは一文が終わるまで待たずに停止を判断できる。
プロジェクトページでは同モデルを「the most authentic full-duplex speech model ever built」と説明している。ページ重叠,根据描述,它支持处理自然打断,并把打断后的语境纳入后续响应,而不是简单取消上一段播放。
これは「TTSを再生しながらマイクを接続する」方式とは別だ。後者は音声を拾えるだけで、まだ再生していない回答をリアルタイムで書き換えることはできない。全双工モデルでは、次の3つを同時に処理する必要がある。
- ユーザーの入力を継続的に理解する;
- 入力が補足、質問、または停止要求かどうかを判定する;
- 新しい文脈に応じて現在の応答を調整する。
这也是它与固定脚本式语音机器人的主要区别。固定脚本可以插入几句安抚话,但很难处理「把地址改成上海」这类中途修改。
ただし、プロジェクトページの能力并不能自动等同于可交付效果。モデル是否经常误判打断、是否能稳定保留多轮信息,还得看真实测试。
92点-ASの[BOLD]-boost[/BOLD]
92点と26コメントbicent.preparationまあ,关注度では実際のdeployomania.
だが、討論の热度并不能替代评测。线上客服每天可能跑数万通电话。每多一次误打断,就会浪费一次模型生成;每多一次漏打断,用户就得重复。放到支付场景里,这类问题会直接转成工单。
更重要的是,开发者容易把「自然」当成主观感受。
一次演示里,模型在用户开口后300毫秒内停下,看起来很聪明。换成嘈杂环境、长上下文或弱网条件,结论可能完全不同。自然对话至少包含三层:
- 响应速度:延迟够低;
- 交互判断:知道什么时候该停、该继续;
- 任务表现:理解变化后仍能把事情做完。
前两层做得再好,任务失败也没有用。
HN 评论区里最值得观察的不是「看起来像真人」的评价,而是开发者会拿什么指标反驳。真实产品团队应该直接测失败样本,而不是截取最好的几段录音。
全双工不等于自然对话
「the most authentic full-duplex speech model ever built」は強い宣伝文句だが、含まれる概念は2つに分けられる。
1つ目は全双工。これは通信の仕組みであり、モデルが話している間も入力を受け取って理解する。解決するのは情報フローを同時に進められるかという点だ。
2つ目は自然。これは相互作用の結果であり、ユーザーが機械的な表現を覚える必要がなく、割り込み時にも固定の唤醒语を繰り返し Saying必要がないことを指す。
全双工を実現しても、結果が自然になるとは限らない。逆にしても同じだ。チーム是由拟真度の高い台詞を大量に事前録音し、ユーザーの話す速度に応じて間を調整すれば、それも単一ターンの台本に制御较好的 Latterを足しただけにすぎない。
評価では、少なくとも次の3つを分けて記録する。
| 評価軸 | 確認する問い |
|---|---|
| 音声体験 | 音色、語速、間が連続的な会話に適しているか |
| 相互作用体験 | 割り込み、相づち、沈黙を正しく区別できるか |
| タスク体験 | 割り込み後も元のタスクを完了できるか |
「ユーザーが途中で住所を変える」demoを1本録画しただけでは、「ユーザーのせき」「横で誰かが話している」「ユーザーが『嗯』と言ったが訂正はしていない」といった通常ケースまではカバーできない。
実運用で評価すべき項目
まずモデルのバージョン、音声機器、サンプリングレート、ネットワーク条件を固定し、その後で次の5つの指標を記録する。
1. 応答開始までのレイテンシ
ユーザーの意図が確定してから、感じ取れる音声の再生が始まるまでの時間を計測し、P50、P90、P95を算出する。
平均値だけを報告してはいけない。カスタマーサポートでは、P95のほうが多くのユーザーが実際に感じる待ち時間に近い。ネットワークレイテンシとモデルレイテンシを混ぜると、問題の切り分けが遅くなる。
2. 割り込み後の復旧時間
ユーザーが割り込んだ後、次の2つの時間を記録する。
- 停止レイテンシ:モデルが割り込みを受けてから再生を停止するまでの時間
- 復旧レイテンシ:再生を停止してから、有効な応答を再び返すまでの時間
停止が速いから
復旧も速いとは限らない。即座にミュートしてから、推論を最初からやり直す実装では、感じ方は依然として不自然になる。
3. 誤検知率
せき、キーボード音、環境のテレビ音、単純な相づちなど、指示ではない音声を用意する。
次の指標を併せて報告する。
- 誤停止率
- 誤って再生を継続した割合
- 唤醒语以外の有効な指示を認識できなかった割合
実際の会話では、誤検知による悪影響は、検出漏れより大きい。モデルが急に黙ると、ユーザーはそのまま電話を切る。
4. 複数ターンのコンテキスト維持
最低10ターンの連続テストを行い、途中で重要な条件を変更する。
「帮我订明天去上海的票。」
「改成后天下午。」
「预算不要超过800元。」
モデルが古い日付、古い都市、古い予算を使い続けるかどうかを確認する。
こうしたテストは、1ターンの「記憶できるか」を調べるより難しい。全双工モデルは音声状態を保持,也可能、延々と長くなるテキストコンテキストだけを持っている。どちらの場合も、割り込み後の挙動は異なる。
5. タスク完了率
カスタマーサポートでは、会話の得点ではなく、最後にタスクが完了したかどうかを評価する必要がある。
最低でも次の項目を記録する。
- 意図認識の精度
- 必須情報の収集完了率
- ツール呼び出しの成功率
- エンドツーエンドのタスク完了率
- 有人への引き継ぎ率
- 平均処理時間
失敗した音声の文字起こしも残す。成功した録音だけを残してはいけない。失敗の分布がなければ、問題をASR、対話ポリシー、モデルの推論、下流APIのどこから|||特定できない。
音声Agentonsoomershog产品の境界
全双工は、ユーザーの待機感を減らすのに適している。
カスタマーサポート、予約、アフターサービスの相談では、ユーザーは長い回答の再生を待たずに「いや、注文は1234だ」と直接伝えられる。短いタスクほど、その価値が大きい。
コンパニオン製品の制約はより厳しい。ユーザーが多く話すことを許可しても、その内容を無期限に保存し、利用できるとは限らない。録音の保存、機密情報の検出、未成年者の利用、削除の仕組みを個別に設計する必要がある。
また、「自然に聞こえる」ことでは解決できないタスクがある。
- 本人確認
- 支払いの承認
- 住所と金額の照合
- プライバシーに関する許可
- 返金と注文のキャンセル
これらの工程には、決定/tools Follow可控证的なツールチェーンが必要だ。たとえば音声モデルは意図の収集を担当し、状態機械が現在の工程を確認し、ツールが処理を実行し、重要な項目はユーザーが明示的に復唱するか、按键で確定する。
モデル负责理解与表达,业务系统负责状态,规则负责授权。
モデルが自然に割り込みできるからといって、同じモデルにすべての責任を負わせるべきではない。自然な相互作用と、厳格な制約下の実行は別の問題だ。
編集者の視点
全双工音声で本当にMise太太い部分は、「モデルがいつでも割り込めるか」ではない。この能力には明確な技術的定義があり、Block傘下のDessaも,把它 investigatioした公開可能な製品機能として実装している。
より重要なのは、割り込み後にタスクへ戻れるかどうかだ。ユーザーが「待って、住所を変える」と言ったとき、システムは単に「聞こえた」と見せるだけでなく、どのパラメータが無効になり、どの工程をやり直す必要があるかを把握しなければならない。
今回の语音Agentは過去の音声ボットとは異なる。競争軸は、台本の自然さから、リアルタイムの状態をユーザーの入力に合わせて更新できるかに移った。そのため、音声インターフェースにとどまらず、AI Agentへ近づいている。
ただし、実際の電話環境におけるDessaの誤検知率、長いコンテキストでの安定性、エンドツーエンドのタスク完了率については、まだ判断できない。92点と26コメントは需要の存在を示すが、製品指標が十分であることを証明するものではない。次に見るべきは完璧なdemoではなく、公開評価と失敗事例だ。