Detección de turnos en agentes de voz: la compensación de la que nadie habla
Una detección de giro más rápida significa que el agente responde más rápido pero interrumpe más. Una detección más lenta significa menos interrupciones pero pausas incómodas. No hay almuerzo gratis.
La detección de turnos (determinar cuándo la persona que llama ha terminado de hablar) es el problema más subestimado en la IA de voz. Si se equivoca en una dirección, el agente hablará por encima de la persona que llama. Si se equivoca en el otro, el agente esperará demasiado, creando silencios incómodos. Cada plataforma hace una compensación y la mayoría no le informa al respecto.
El espectro
Selección rápida (200 a 400 ms de silencio desencadenan una respuesta): el agente se siente ágil y receptivo. Pero interrumpe a las personas que llaman y hacen una pausa a mitad de un pensamiento, respiran antes de terminar una frase o cambian de idioma a mitad de una expresión. Finalización lenta (800-1200 ms): el agente casi nunca interrumpe, pero la conversación se siente lenta, como hablar con alguien que tiene una mala conexión satelital. La configuración correcta depende de su caso de uso, las personas que llaman y su tolerancia para cada modo de falla.
Más allá de simples temporizadores
El VAD (detección de actividad de voz) simple trata todos los silencios por igual. Los enfoques más inteligentes utilizan señales semánticas: ¿la oración está gramaticalmente completa? ¿La entonación bajó (afirmación) o aumentó (pregunta aún en curso)? ¿Es el contenido un pensamiento completo? La detección de giros basada en modelos utiliza estas señales para predecir la finalización del giro con mayor precisión que la duración del silencio por sí sola. La compensación: más cálculo por cuadro, más latencia en la detección misma. Pero la mejora de la calidad de la conversación suele valer la pena en unos pocos milisegundos.
Configurable, no único para todos
La configuración ideal de detección de turnos para una llamada de calificación de ventas de ritmo rápido es diferente de una llamada de atención médica empática y paciente. Su plataforma debería permitirle configurar esto por agente o por flujo, no imponer un valor predeterminado global. En Agent Canvas, el comportamiento de detección de turnos se puede configurar a nivel de nodo, lo que permite que diferentes segmentos de conversación tengan diferente sensibilidad.
¿Listo para construir?
Vea cómo los agentes de IA multimodales de Mazed funcionan para su caso de uso.