Launa-Omni отвечает голосом, но сначала оставляет текст для проверки

Проверить ответ голосового помощника проще, если видно, что он собирается сказать. В анонсе Launa-Omni от 19 октября Salesforce описала модель, которая обрабатывает речь, но формирует текстовый ответ до озвучивания. Это оставляет команде возможность разбирать и корректировать поведение системы.

Голос без потери видимого ответа

Обычная каскадная система сначала превращает звук в расшифровку, затем готовит текст и синтезирует речь. В Launa-Omni аудио и язык объединены в адаптированной текстовой модели; отдельная модель синтеза произносит ответ. Salesforce связывает такой выбор с сохранением речевых нюансов и контролем над репликой.

Представим обращение в поддержку с номером заявки и датой. Здесь мало звучать естественно: важно правильно обработать реквизиты и сохранить понятный ответ. Компания сообщает о возможности дообучения под имена, даты, буквенно-цифровые идентификаторы и отраслевые термины. Это пример задачи, а не результат нашего тестирования.

Что говорят оценки

Salesforce приводит 90,60% на VoiceBench; таблица самого бенчмарка показывает для Launa V1 тот же итог. На Audio MultiChallenge компания сообщает среднее 59,69% за три запуска. Эти показатели оценивают разные задачи и не означают такую же точность в рабочем контакт-центре.

Диаграмма: Salesforce, данные VoiceBench. Это сравнение конкретного набора тестов.

Уже доступное применение скромнее полного разговорного помощника: по сообщению Salesforce, упрощённая версия используется в Slackbot Voice Dictation для перевода речи в текст. Выбирать полноценного агента стоит после проверки своих диалогов, задержки и ошибок в реквизитах, а не по одному месту в таблице.

Иллюстрация обложки: Salesforce.