最好的语音体验需要量身打造
每一场语音 AI 演示通过笔记本电脑扬声器听起来都很出色：宽带音频、安静的房间、从不打断的演示者。可同一个模型一旦上线到生产电话线路，音频被压缩到 8 kHz，网络再增加 100 到 200 毫秒延迟，而真实来电者正在念一个包含 4 个连续 0 的 22 位序列号，还在回答说到一半时插话。
这一落差正是语音仍然是大多数企业尚未实现自动化的渠道的主要原因。难点不在于让语音模型在演示中听起来不错，而在于当来电者打断、念出长串标识符、在不同语言间切换，或需要智能体在其账户中执行操作时，它依然能正常工作。因此，我们不再轻信公开的基准测试（包括通过供应商自家应用测得的结果），而是建立了一套按客户真实体验来测试语音模型的方法：打电话。最新接受这项测试的模型是 OpenAI 的 GPT-Live-1。
Maven 如何选择模型
Maven 使用一组前沿模型来支撑客户的语音体验。每位客户的使用场景各不相同：账户查询、复杂标识符、多步骤诊断、打断、语言要求、部署规格，以及需要执行操作的请求。对一位客户完美适用的模型，对另一位客户可能效果平平。因此，我们会针对每位客户的具体场景和独特标准测试模型，找出最合适的那一个。我们依据这些结果决定由哪个模型主导实时对话、在哪些环节由其他模型协助，以及体验中需要加入哪些保障措施。
模型选择只是第一个决策。同一套评估框架还会告诉我们：在哪里为复杂标识符增加确认步骤、如何避免对话中出现冷场，以及何时将更复杂的任务交给更强的推理层。我们的目标不是挑选一个模型来应对所有场景，而是为客户的客户提供尽可能好的体验。
在 Arena 中评估最佳模型
Voice Arena 是 Maven 可重复执行的模型评估框架。它让候选模型在公共电话网络上完成真实的外呼通话，然后从客户视角对通话表现打分。我们借鉴了盲测、两两对比评估的方法，并将其适配到电话场景。
每次评估都从同一张评分卡开始：
- 对话流畅度：智能体听起来是否自然、清晰。
- 打断恢复：智能体能否停下来、理解新的请求并作出回应。
- 标识符识别：能否听清并确认来电者实际念出的字符串。
- 有效应答时间：获得实质性回复所需的等待时间，而不只是最初的应声。
- 通话可靠性：智能体能否完整完成交互，不遗漏请求，也不发生本可避免的转接。
随后，我们会加入对该客户语音体验至关重要的场景。支持热线需要处理复杂产品序列号的企业，与处理退款、预约或账单问题的企业，需要的压力测试并不相同。框架保持一致，而评分卡则贴合具体部署。
OpenAI GPT-Live-1 的突出之处
GPT-Live-1 在大多数人最先注意到的方面表现尤为出色：话轮转换。该模型能够持续处理语音，因此当来电者与智能体同时说话时，它可以直接作出回应，而无需等待单独的话轮检测器。
我们为一位每年处理数百万通电话的 Fortune 50 客户，针对其支持和销售场景测试了 OpenAI 最新的语音模型。这次评估专门考察模型处理复杂产品标识符和长时间诊断的能力，GPT-Live-1 在多项关键指标上领先于其他受测模型：
- 服务标签准确复述率达 90%，为测试中最高。
- 打断恢复率 100%；每次被打断后都能回应新的问题。
- 对新请求的中位响应时间为 1,257 毫秒，为测试中最快。
- 中位应答时间 1.7 秒，81% 的回答在 2 秒内给出。
该模型并非在每项指标上都领先。长序列号的准确复述率为 60%，连续重复的 0 是其主要弱点。此外，有 38% 的回答在最初说出“好的”之后，让来电者等待超过 5 秒才得到实质性内容。这些并不是否定该模型的理由，而恰恰是 Arena 旨在暴露的生产环境薄弱环节。
让 GPT-Live-1 主导对话，胜过用单一模型应对所有通话
在这个案例中，GPT-Live-1 是主导对话的有力选择：速度快、响应灵敏，在来电者打断时表现出少见的可靠性。而在标识符密集或推理要求高的环节，系统可能需要另一层能力的支持。这正是该客户选择 Maven 的原因。我们依据实测证据构建语音体验，而不是让每位客户都去承受单一模型的取舍。
与我们一起提升语音体验的标准
客户： 把那些会让演示翻车的通话交给我们：复杂标识符、反复打断、多步骤任务，或任何不能以分流告终的场景。我们会在您的来电者实际面对的条件下评估每个模型。
模型提供商： 如果您想了解自家模型在真实企业通话中的表现，我们欢迎您的模型接受 Arena 的检验。整个领域越进步，每位客户获得的语音体验就越好。
用您自己的对话来验证。
申请免费的个性化演示。
