Яндекс выпустил две речевые модели для голосовых ИИ-агентов компаний
Одна модель сама подбирает интонацию и паузы по смыслу текста, другая позволяет агенту за один звонок выполнить несколько связанных действий в системах компании.
Yandex B2B Tech, подразделение Яндекса для бизнеса, выпустило в своей платформе Yandex AI Studio1 две речевые модели для голосовых ИИ-агентов. Одна сама подбирает интонацию по смыслу фразы. Другая позволяет агенту за один звонок решить для клиента несколько связанных задач.
Детали: Speech TTS Live — модель синтеза речи. Она озвучивает текст агента и сама решает, где сделать паузу, какое слово выделить и каким тоном говорить. Компания может выбрать агенту голос и манеру речи: уверенную для продаж, мягкую для поддержки клиентов, сдержанную для уведомлений. Для медицинских сценариев и аудиогидов есть отдельные варианты.
Как это работает: Speech Realtime Max — обновлённая версия модели, на которой голосовые агенты в AI Studio работали и раньше. Она рассчитана на звонки, где агенту нужно не только ответить, но и сделать несколько дел подряд. В примере Яндекса агент переносит запись клиента, считает стоимость, применяет скидку и присылает ссылку на оплату, а по ходу разговора обращается к системам компании.
Если клиент перебивает, агент замолкает и отвечает на новую реплику. В историю разговора попадает только та часть ответа, которую он успел произнести. По словам Яндекса, так в диалоге меньше путаницы и повторов.
«В обычном разговоре люди часто перебивают друг друга и меняют тему. Поэтому важно, чтобы голосовой агент умел не только реагировать на новые реплики, но и понимал, что уже успел сказать, а что собеседник не дослушал», — говорит Елена Белоброва, руководитель направления развития бизнеса ИИ-сервисов Yandex B2B Tech.
Чтобы собрать агента, достаточно описать его работу обычными текстовыми инструкциями и подключить его к системам компании. Сценарии разговоров можно проверить прямо в интерфейсе AI Studio, не собирая прототип с нуля. Яндекс рассчитывает, что с такими агентами бизнес сможет обрабатывать в десятки раз больше обращений без участия людей.