تأخير وطبيعية الوكيل الصوتي الذكي: كيف ننزل تحت 600 ميلّي ثانية

في المحادثة البشرية الحقيقية، الزمن بين نهاية جملتك وبداية جملتي يدور حول 200-400 ميلّي ثانية. وفوق ذلك، يصبح صمتي مزعجًا. بالنسبة للوكيل الصوتي الذكي، العتبة نفسها تمامًا — وهي ما يفصل الوكيل الذي يبيع عن الوكيل الذي يدفع المتصل لإغلاق الخط.

لماذا 600 ميلّي ثانية هو الهدف الصحيح#

ليس ثانية، ولا 300 ميلّي ثانية: 600. تحتها، تبدو المحادثة طبيعية بمعناها العصبي. فوقها، يبدأ دماغ زبونك بصياغة فرضيات — «لم يفهم»، «هل تعطّل»، «هل أعيد؟». تفقد الزبون ذهنيًا قبل الكلمة التالية.

مصادر التأخير الخمسة#

• اكتشاف نهاية الكلام (VAD): 100-200 ميلّي ثانية إن أُسيء ضبطه، 50 إن أُحسن.
• التفريغ (STT): 200-400 حسب النموذج والتدفّق.
• استدلال النموذج اللغوي: 300-800 — غالبًا الذروة.
• تركيب الصوت (TTS): 100-300 حسب الصوت والتدفّق.
• الذهاب والإياب الشبكي: 30-150 حسب منطقة المزوّد.

الروافع الأربعة الملموسة#

1. STT متدفّق بدل المُخزَّن — يبدأ الوكيل بالفهم من الكلمات الثلاث الأولى. 2. نموذج لغوي متدفّق بردود قصيرة افتراضية. 3. TTS يبدأ النطق منذ أول رمز يصله. 4. التموقع المشترك: النموذج اللغوي وتركيب الصوت في نفس منطقة مزوّد اتصالاتك.

مصيدة الطبيعية#

يمكن أن تنزل إلى 300 ميلّي ثانية ويبقى الوكيل آليًا — لأنه يسرد الجمل دون أن يتنفس. الطبيعية الحقيقية تُضيف 80 ميلّي ثانية من سكوت استراتيجي، و«اممم» خفيفة، وتباطؤ على الأرقام. إبطاء متعمّد ليبدو أكثر إنسانية.

ما نُحقّقه في فوكازاي#

p50 عند 480 ميلّي ثانية، p95 عند 620 في إنتاج ثلاثي اللغات بسلسلة Voxtral + faster-whisper + Mistral + Piper. تحت العتبة في معظم المكالمات، وفوقها فقط حين تدخل المحادثة منطقة صعبة فعلًا (أرقام طويلة، تبديل لغة عدواني). الشهر الأول مجاني للقياس على مكالماتك.