„Deepgram“ Flux STT modelis sumažino nepageidaujamus pertraukimus „Anam“ avatarų pokalbiuose beveik perpus
Trumpai: „Anam“, kurianti fotorealistinius interaktyvius avatarus, perėjo prie „Deepgram“ Flux kalbos atpažinimo (STT) modelio, siekdama išspręsti pokalbio eilės (turn-taking) problemas neparuoštuose, realaus laiko pokalbiuose. A/B testavime, lyginant su savarankiškai talpinamu atviro kodo STT variantu, Flux sumažino nepageidaujamus avataro pertraukimus apie 50%, delsa nepadidėjo, o skundai dėl pokalbio eigos angliškose sesijose sumažėjo beveik iki nulio. „Anam“ įdiegė Flux savo „Kubernetes“/H100 infrastruktūroje ir pritaikė ją visiems „turnkey“ vartotojams po dviejų savaičių savarankiško diegimo (palyginti su keliomis dienomis naudojant „Deepgram“ talpinamą versiją).
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „Deepgram“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1A/B testavime nepageidaujami avataro pertraukimai sumažėjo apie 50%, lyginant su savarankiškai talpinamu atviro kodo STT
- 2p95 delsa išliko nepakitusi („0 delsos nuostolio“), lyginant su kitais testuotais variantais
- 3Po diegimo skundai dėl pokalbio eigos angliškose sesijose sumažėjo beveik iki nulio
- 4Savarankiško diegimo („Kubernetes“ klasteris su H100 GPU) trukmė – apie dvi savaites; „Deepgram“ talpinama versija įdiegta per kelias dienas
- 5Po validacijos Flux pritaikyta 100% „Anam“ „turnkey“ vartotojų
- 6„Anam“ taip pat vertina „Deepgram“ Flux TTS pasiūlymą būsimiems balso kokybės patobulinimams
Kodėl tai svarbu?
Pokalbio eigos (turn-taking) atpažinimas – t. y. supratimas, ar kalbėtojas tikrai baigė kalbėti, ar tik pristabdė mintims surinkti – yra viena sunkiausiai išsprendžiamų realaus laiko pokalbių AI problemų, o klaida iškart sugriauna natūralaus pokalbio iliuziją. Šis atvejis parodo, kad tam specialiai sukurtas STT modelis gali reikšmingai sumažinti pertraukimus be papildomos delsos ir gali būti talpinamas savarankiškai, kai reikia mažos delsos ir didelio lygiagretumo.
Ką tai reiškia AI agentams ir kontaktų centrams?
Visiems, kuriantiems telefoninius balso agentus, tai konkretus duomenų taškas, rodantis, kaip pokalbio eigą suprantantis STT modelis veikia prieš savarankiškai talpinamą atviro kodo bazinę versiją gamyboje, įskaitant diegimo terminus (dienos talpinant pas tiekėją, dvi savaitės savarankiškai) bei konkrečius rodiklius – pertraukimų sumažėjimą ir stabilią p95 delsą. Verta palyginti su dabartiniais STT tiekėjais pagal pokalbio eigos tikslumą, atsparumą foniniam triukšmui ir lygiagretumo skalę, ypač jei savarankiškas talpinimas yra būtinas dėl delsos ar duomenų kontrolės.
🧪 Verta testuoti
Dokumentuotas Flux pertraukimų sumažėjimas ir stabili delsa realaus pasaulio A/B testavime daro jį stipriu kandidatu lyginti su esamais STT sprendimais skambučių balso agentams, ypač kai svarbus natūralus pokalbio ritmas ir savarankiškas talpinimas.
Šaltiniai
- DeepgramOficialusPirminis šaltinisOriginalus straipsnis →„Article · · AI Agents Anam Solves Turn-Taking for Unscripted Avatar Conversation with Flux STT“2026-10-14 03:00
- Šaltinio publikavimo data
- 2026-10-14 03:00
- Mūsų sistema rado
- 2026-10-15 16:11
- Santrauka sugeneruota
- 2026-10-15 16:13
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas