Warum Voice-KI-Agenten Menschen unterbrechen: Gemessen an einer Live-API und behoben mit russischen Syntaxregeln

Ein Ingenieur maß die Verzögerung bei KI-Sprachantworten mithilfe einer synthetisierten russischen Phrase über die Yandex Realtime API (kompatibel mit OpenAI Realtime). Er variierte den Parameter silence_duration_ms: Bei 400 ms oder 800 ms antwortete der Agent fast sofort, hörte jedoch nur die Begrüßung und verpasste die eigentliche Frage. Bei 1200 ms wurde die vollständige Phrase erkannt, aber die Verzögerung betrug 1275 ms, von denen nur 75 ms auf die Modellverarbeitung entfielen. Er entwickelte einen regelbasierten Detektor für die russische Syntax, der die angemessene Schweigeschwelle festlegt: 250 ms, wenn die Äußerung wahrscheinlich vollständig ist, 1400 ms, wenn sie unvollständig ist (z. B. mit Präpositionen oder Konjunktionen endet), und 700 ms bei Unsicherheit. In einem Testsatz von 72 echten Telefon-Phrasen erreichte dieser Ansatz eine Genauigkeit von 97 % (70 von 72), reduzierte die Unterbrechungen von 38 auf 2 und die durchschnittliche Schweigedauer vor Antworten von 1200 ms auf 316 ms. Die verbleibenden zwei Fehler betreffen Pragmatik (z. B. „nein, du hast mich missverstanden“), die Regeln nicht behandeln können; der Autor plant einen Vergleich mit einem trainierten semantischen Modell. Er warnt außerdem davor, beim Messen von Verzögerungen bei synthetischer Sprache führende und nachfolgende Stille zu entfernen, da sonst die Ergebnisse verfälscht werden.