Куда уходит секунда

Человек в трубке ждёт ответа на паузе примерно в секунду. Если дольше, он говорит «алло?», начинает повторять или перебивает ответ, и звонок перестаёт звучать как разговор.

Поэтому полезный вопрос о голосовом агенте не в том, насколько умна его модель. Он в том, на что уходит эта секунда.

Три части одной паузы

9 октября 2026 года мы взяли реальный звонок в наше демо, работающее на облачных моделях, и разложили промежуток между последним словом звонящего и первым звуком агента на части.

Один звонок, один момент, облачные модели. Это разбивка, а не бенчмарк, и на странице поставки та же цифра стоит с той же оговоркой.

Понять, что человек договорил

Первые 0,48 секунды уходят на ожидание, когда тишина начнёт что-то значить.

Человек, который замолчал посреди адреса, не договорил, а человек, который сказал «да» и замолчал, - договорил. Агенту надо отличить одно от другого только по звуку, без лица и дыхания, которые считывает живой оператор. Сделать ожидание слишком коротким - агент будет перебивать людей на полуслове. Слишком длинным - каждый ответ начнётся с опозданием. Тот же механизм решает, когда агенту замолчать, потому что его перебили, - об этом звонящий, который перебил, - и когда «угу» означает только, что человек слушает.

Это настройка, а не железо. Она зависит от ваших звонящих и ваших сценариев, и подбирать её надо на реальных звонках, а не на тихой офисной линии.

Первое предложение модели

Следующие 0,54 секунды принадлежат языковой модели, и главное слово здесь - «первое». Агент не ждёт ответа целиком. Ему нужно первое предложение: он отдаёт его голосу и продолжает писать остальное, пока звонящий уже слышит начало.

Поэтому скорость модели до первого предложения важнее её скорости на длинном ответе, а короткое первое предложение («Понял, двушка.») - решение, а не манера. Эта же часть сильнее всего меняется, когда вы уходите с облачных моделей: локальная модель на ваших картах может оказаться быстрее или медленнее, и она замедляется, когда несколько звонящих замолкают одновременно. Что это значит для сервера, мы разобрали в заметке на чём работает голосовой агент.

Первый звук

Последние 0,07 секунды - это синтез, который начинает говорить. На нашем звонке это самая маленькая часть, потому что голос начинает играть, как только готовы первые несколько слов, а не после того, как отрисована вся фраза.

Локальный синтез может потерять это преимущество, если ему нужно дописать фразу целиком, прежде чем её проиграть. Это свойство модели, которую вы выбираете, и его стоит проверить до выбора.

Что происходит с цифрами на ваших серверах

Когда модели уходят из облака, каждая строка таблицы снова становится вопросом.

Определение конца фразы остаётся примерно на месте, потому что это в основном настройка, но сетевая часть меняется вместе с тем, где стоит сервер и как к нему приходит звонок. Первое предложение модели определяют ваша модель на ваших картах и то, сколько звонящих ждут ответа в одну и ту же секунду. Первый звук определяет выбранный синтез. И сам телефонный звонок добавляет свою задержку по пути - это часть того, что мы измеряли в заметке два мобильных плеча.

Поэтому мы не обещаем демонстрационные 1,09 секунды для полностью локальной установки. Мы обещаем их измерить: сначала на арендованном железе, с вашими сценариями и вашим реальным пиком, до покупки сервера.

Как записать это в приёмку

Один удачный звонок ничего не доказывает про сотый звонок загруженного утра. Критерий, который мы предлагаем, состоит из трёх частей: медиана и 90-й процентиль от конца фразы звонящего до голоса агента, под согласованным числом одновременных звонков, на вашей реальной линии. Типичная строка в спецификации выглядит так: «медианный ответ не дольше 1,5 секунды».

В такой формулировке «агент тормозит» перестаёт быть впечатлением и становится цифрой, которую обе стороны измерили одинаково.