音声AIエージェントが人を遮る理由：ライブAPIでの計測とロシア語構文ルールによる修正

エンジニアが、Yandex Realtime API（OpenAI Realtime互換）を介して合成されたロシア語フレーズを使用して、音声AI応答の遅延を測定しました。彼らはsilence_duration_msパラメータを変更しました：400ミリ秒または800ミリ秒では、エージェントはほぼ即座に応答しましたが、挨拶のみを聞き取り、実際の質問を聞き逃しました。1200ミリ秒では、フレーズ全体が認識されましたが、遅延は1275ミリ秒であり、そのうちモデルの処理はわずか75ミリ秒でした。彼らは、適切な無音閾値を決定するロシア語構文のルールベースの検出器を構築しました：発話が完了している可能性が高い場合は250ミリ秒、不完全な場合（前置詞や接続詞で終わる場合など）は1400ミリ秒、不確かな場合は700ミリ秒です。実際の電話風フレーズ72件のテストセットでは、このアプローチは97％の精度（72件中70件）を達成し、割り込みを38回から2回に、応答前の平均無音時間を1200ミリ秒から316ミリ秒に削減しました。残りの2つの失敗は語用論的なもの（例えば「いいえ、あなたは私を誤解しています」）であり、ルールでは処理できません。著者は、訓練された意味モデルとの比較を計画しています。また、合成音声で遅延を測定する際には、先頭と末尾の無音をトリミングするよう警告しています。そうしないと結果が歪みます。