语音AI代理为何打断人：在真实API上测量并用俄语语法规则修复

一位工程师使用合成俄语短语，通过Yandex Realtime API（与OpenAI Realtime兼容）测量了语音AI响应的延迟。他们调整了silence_duration_ms参数：设置为400毫秒或800毫秒时，智能体几乎立即响应，但只能听到问候语，遗漏了实际问题。设置为1200毫秒时，完整短语被识别，但延迟为1275毫秒，其中只有75毫秒是模型处理时间。他们构建了一个基于规则的俄语语法检测器，用于决定适当的静音阈值：如果话语可能完整，则为250毫秒；如果不完整（例如以介词或连词结尾），则为1400毫秒；如果不确定，则为700毫秒。在一个由72个真实电话风格短语组成的测试集上，这种方法达到了97%的准确率（72个中70个），将中断次数从38次减少到2次，回答前的平均静音时间从1200毫秒减少到316毫秒。剩下的两个失败是实用性问题（例如“不，你误解了我的意思”），规则无法处理；作者计划与训练过的语义模型进行比较。他们还警告说，在测量合成语音的延迟时，要修剪前导和尾随静音，否则结果会产生偏差。