Роман Поляшенко
Ми будуємо голосових агентів, які працюють цілий день на реальних дзвінках, тож скажу прямо: коли клієнт каже «звучить як робот», у 95% випадків проблема не в голосі. Тембр у 2026-му вже майже не відрізниш від людського — це стіл ставок, доступний усім. Роботом агента робить таймінг: у який момент він починає говорити, як довго тримає паузу, перш ніж вважати, що ви договорили, і що робить, коли ви його перебиваєте. Це нудна, невидима механіка розмови — і саме вона видає машину з головою.
І тут є контрінтуїтивна пастка. Здається логічним: «агент відповідає з затримкою — зробімо його швидшим». Але «швидше» наосліп часто означає, що агент починає перебивати живу людину на середині фрази. Розберемо, де насправді вузьке місце — і що з ним працює.
Людина не реагує на паузу — вона її передбачає
Почнемо з того, як улаштована жива розмова. У класичному дослідженні Стіверса та колег (PNAS, 2009) на матеріалі 10 мов середній проміжок між репліками співрозмовників — близько 200 мс, і мовно-специфічні середні лежать у межах ~250 мс від загального. Тобто люди передають слово одне одному майже без паузи — від японців (у середньому близько 7 мс) до данців (близько 470 мс).
Тепер найважливіше. Вимовити навіть коротку однослівну відповідь людині треба щонайменше ~600 мс на планування й артикуляцію. Але відповідає вона вже через 200 мс. Це фізично можливо лише за однієї умови: людина не чекає, поки ви замовкнете, — вона передбачає, коли й чим ви закінчите репліку, і починає готувати відповідь ще посеред вашої фрази. Жива розмова тримається на прогнозуванні, а не на реакції на тишу.
Ось де народжується «роботність». Типовий голосовий агент робить рівно протилежне: він чекає тишу, відлічує таймер мовчання й лише потім починає думати. Він реактивний за конструкцією — а отже, структурно завжди на пів такту позаду людини. Найкращий у світі TTS цього не приховає.
Чому «просто зробіть швидше» — не рішення
Індустрія збудувала навколо цього чіткі орієнтири. Природним відчувається відгук у межах ~300 мс — рівно людський проміжок між репліками. За затримки понад ~500 мс ілюзія живого діалогу розсипається: людина починає перепитувати, повторюватись або замовкати. А після приблизно 1,2 с тиші співрозмовник просто перебиває агента або кидає слухавку.
Здавалося б — женіть латентність донизу, і все. Але ось де вона насправді ховається у класичному конвеєрі «розпізнавання → модель → синтез»: STT забирає приблизно 100–500 мс, LLM (час до першого токена) — від 200 мс до 2 с, TTS — 100–400 мс, плюс мережа по 20–100 мс у кожен бік. Ключовий момент: найбільша й найпомітніша затримка сидить не в STT і не в TTS, а у двох місцях — час до першого токена LLM і, головне, рішення про те, що ви договорили. Саме тому наскрізні мовленнєві моделі (наприклад, нативний speech-to-speech у GPT-4o з медіанною затримкою «голос-у-голос» близько 320 мс) так тиснуть на ринок: вони прибирають проміжні стики й підбираються до людських 200–300 мс. Але навіть на них залишається головне питання — коли починати говорити.
Пастка детекції завершення репліки (endpointing)
Ось справжнє вузьке місце. Щоб відповісти, агент має вирішити, що ви закінчили говорити. Найпоширеніший спосіб — VAD (детекція голосової активності): агент слухає тишу й, коли мовчання триває довше за поріг, вважає репліку завершеною. Проблема в тому, що VAD не розуміє змісту — він чує лише наявність чи відсутність звуку. І тут виникає безвихідь, з якої «швидше» не рятує:
- Поставити поріг тиші коротким — агент стає «швидким», але починає перебивати вас щоразу, коли ви на мить задумались посеред фрази: «мій номер... (пауза) ...380...». Для VAD ця пауза = кінець репліки. Хибне перебивання.
- Поставити поріг довгим — агент перестає перебивати, але тепер після кожної вашої фрази висить мертва пауза. Він відчувається повільним і тупим.
Жодне налаштування одного повзунка не виграє одразу в обох. Вихід — не крутити поріг, а дати агенту те, що є в людини: розуміння змісту. Семантична детекція завершення (модель дивиться на частковий транскрипт і оцінює, чи фраза завершена за змістом, а не просто чи настала тиша) дозволяє агенту зачекати зайву частку секунди, коли ви явно ще не договорили («мій номер...»), і відповісти миттєво, коли думка завершена. Це і є машинний аналог людського передбачення — і саме він, а не «швидший голос», прибирає роботність.
Перебивання (barge-in): тест на людяність за півсекунди
Є ще один момент, який миттєво видає робота, — що агент робить, коли ви перебиваєте його посеред фрази. Жива людина замовкає майже одразу, щойно ви почали говорити. Погано налаштований агент або продовжує монолог поверх вас (найгірше відчуття — ніби говориш зі стіною), або, навпаки, глушиться від будь-якого «угу» й кашлю, обриваючи власну корисну відповідь. Правильна обробка barge-in — щоб агент замовкав рівно тоді, коли ви справді берете слово, і не реагував на фонові підтакування — це окрема інженерна задача, яка не має жодного стосунку до того, «який у нього голос».
Чому це не лише про відчуття, а про гроші
На телефонному дзвінку таймінг — це конверсія. Дзвінок не має обличчя й тексту на екрані: якщо агент затинається, перебиває або залишає мертві паузи, у людини немає іншого сигналу, окрім цього — і вона кидає слухавку. Кожні зайві пів секунди затримки й кожне хибне перебивання — це не «естетика», а частина клієнтів, які не дійшли до запису, замовлення чи оплати. Тому таймінг — не косметика поверх готового агента, а те, від чого прямо залежить, окупиться голосовий канал чи ні.
Як на це дивимось ми (інтегратор, не коробка)
Коли ми запускаємо голосового агента, «який голос» — це чи не найпростіше рішення в проєкті. Справжня робота — в інженерії таймінгу: підібрати модель детекції завершення репліки під конкретний сценарій (коротке замовлення й довга консультація потребують різних порогів), налаштувати barge-in так, щоб агент поступався словом, а не перебивав, вибудувати бюджет латентності по всьому конвеєру й протестувати все це на реальних, а не «зручних» репліках — з паузами, диктуванням цифр, фоновим шумом. Це нудна, невидима робота ще до релізу — і саме вона визначає, звучатиме агент як людина чи як робот із гарним голосом.
З чого почати
- Міряйте не тембр, а ритм. На тесті слухайте паузи: чи не перебиває агент, чи не висить мертва тиша, чи природний момент, коли він бере слово.
- Не крутіть один повзунок тиші. Короткий поріг = хибні перебивання, довгий = млявість. Замість цього дайте агенту семантичну детекцію завершення репліки.
- Тестуйте на «незручних» репліках. Диктування номера з паузами, «еее», перепитування, фоновий шум — саме там VAD ламається.
- Окремо перевірте barge-in. Перебийте агента посеред фрази. Він має замовкнути майже одразу — і не глушитися від «угу».
- Рахуйте латентність по всьому конвеєру, а не лише «швидкість голосу». Найбільша затримка — у часі до першого токена й у рішенні про завершення репліки.
Чому це важливо вже зараз
Голос у 2026-му — стіл ставок: людяний тембр доступний усім за пару кліків. Перевагу дає не «кращий голос», а дисципліна таймінгу: агент, який передбачає завершення вашої репліки, поступається словом, коли ви перебиваєте, і тримає ритм близько до людських 200–300 мс, відчувається живим — навіть із простішим голосом. А «ідеальний» тембр із поганим таймінгом залишається роботом. Хто зрозумів це раніше, будує голосових агентів, з якими хочеться договорити до кінця, а не покласти слухавку.
