语音智能模型

快速阅读

语音智能模型补的是「声音怎么被听、这一轮该不该停」。它不替代通话中的 RASR、挂机后的 ASR、TTS，也不替代智能体提示词。

输入是语音本身：声学、韵律、时序、说话人特征。不只看已经转好的文本。
可以按场景单独启用。部署位置可以在 RASR 之前、RASR 之后，或与 RASR 并行。
分类保持现稿六项：打断检测、附和语 / 确认语检测、语音降噪与增强、语音意图识别、性别与年龄识别、说话人校验与声纹识别。
座席工作台里给座席看的实时转写是 transcript，不是本页模型，也不是 RASR。
时延、识别率和厂商名不在本页。开通了哪几项，以企业开通和实际配置为准。

阅读地图

先看它站在哪一层：读「二」「三」。
要查某一类能力做什么：读「四」。
要避免和转写、座席辅助混用：读「五」「七」。

一、文档说明

本文说明语音智能模型在智能体通话里的位置，以及现有六类能力各自解决什么问题。读者是要理解通话体验从哪一层来的实施和架构对接人。

怎么配转写见 ASR：语音识别，怎么配合成见 TTS：语音合成，整通电话怎么拼见语音机器人架构。智能体说什么见智能体搭建。

二、产品总览

呼入机器人、外呼机器人在电话里对话时，RASR 负责把话转成文本，智能体负责生成回复，TTS 负责播出来。语音智能模型作用在音频和会话行为上，用来判断能不能打断、这句是不是附和、要不要先降噪，以及是否还要识别意图、年龄性别或说话人。

它面向实时或准实时决策。和只处理文本的理解不同，它可以直接用声音特征，不必等整句文本都出来。

智能体通话
 ├── RASR / TTS
 ├── 语音智能模型
 │   ├── 打断检测
 │   ├── 附和语 / 确认语检测
 │   ├── 语音降噪与增强
 │   ├── 语音意图识别
 │   ├── 性别与年龄识别
 │   └── 说话人校验与声纹识别
 └── 智能体（提示词、工具、回复）

三、核心概念

对象	是什么	不要当成
语音智能模型	作用在语音和会话行为上的一组能力	RASR、ASR 或 TTS
RASR	通话中把客户话转成文本，交给智能体	本页的打断或声纹
ASR	挂机后按录音的离线转写	通话中的听
智能体	对话配置，决定说什么	声学检测本身
呼入机器人 / 外呼机器人	智能体接待客户的两种业务形态	第三种语音模型
座席工作台实时转写	给座席看的 `transcript`	本页能力，也不是 RASR

设计上这几项可以单独启用，直接基于音频和韵律工作，并考虑私有化与合规控制。呼叫中心场景按实际开通使用，不要理解成每一通默认六项全开。

四、能力分类

打断检测

判断客户是不是正在打断呼入机器人或外呼机器人，以及这一轮播报要不要停。

能做什么	典型场景
TTS 播放过程中检测客户插话	语音导航和智能体通话里的插话
识别双方重叠说话	避免不自然地抢话
区分明确打断和偶发重叠	决定停止 TTS、让出轮次或继续播

停止播报、继续播、保护一段时间不被打断，还可以由智能体输出的 EXT_CMD 按轮控制。那是指令，不是本模型的配置页。见指令配置与使用说明。

附和语 / 确认语检测

识别短、信息量低、主要是会话反馈而不是完整一轮意图的话，例如「嗯」「对」「ok」以及类似的附和。

识别后，智能体可以继续说，或停下来等。目的是不要把附和当成新意图，也不要因此切走流程。

语音降噪与增强

提高音频可懂度，方便后面的识别和客户收听。

能做什么	典型场景
抑制背景噪声和环境噪声	嘈杂环境下的通话
增强音量低或质量差的语音	提升后续 RASR 的可用性
在网络波动时尽量保持信号稳定	移动网络、设备条件较差的通话

文档不写降噪厂商。控制台若另有通话背景音，那是智能体节点上叠环境声，不是本项降噪。

语音意图识别

直接用语音特征判断意图，也可以再结合 RASR 文本。

适合话语还没说完时先做估计，或从韵律里看紧急、犹豫这类信号，用来辅助轮次切换和对话策略。它不替代提示词里写明的业务分支。

性别与年龄识别

按声音做高层级属性判断，例如性别，以及儿童、成人、老年这类年龄段，并带置信度，供策略或分析使用。

可用于调整对话策略或 TTS 音色、说话风格，也可用于群体层级的分析。使用时按企业合规、告知要求和所在区域的规定来设计，不要把低置信度结果直接当成已核实身份。

说话人校验与声纹识别

按说话人声音做身份校验或识别。

能做什么	典型场景
说话人校验（1:1）	来电身份校验
说话人识别（1:N）	风险控制
声纹注册与匹配	不单独依赖口播密码或 PIN
结合活体的语音身份校验（可选）	需要确认是真人发声时

可选表示不是每一项开通都包含活体。是否启用以实际配置为准。

五、在通话链路中的位置

一通呼入或外呼机器人通话里，常见关系是：

客户语音
  → 语音智能模型（降噪、打断、附和、意图或声纹，按启用项）
  → RASR 文本
  → 智能体生成回复
  → TTS 播报
  → 打断检测决定这一轮播报是否停下

RASR 之前，模型可以先做降噪或意图预判。RASR 之后，可以结合文本再判断。与 RASR 并行时，声学判断不必等整句转写结束。

挂机之后的 ASR、话后分析不在这条实时链上。话后分析是挂机后的结构化结果。座席挂机后的话后整理是人的状态。记录详情页名「AI 分析」只表示怎么阅读结果。

Copilot 分类的智能体做座席辅助，不接待这通热线。不要把座席工作台实时转写画进本模型。

六、使用注意

先保证 RASR、TTS 和智能体主流程可用，再按场景打开需要的语音智能能力。
打断和附和影响「这一轮停不停」，提示词和 #挂机#、#转人工# 决定「流程往哪走」。两层都要在联调里看。
性别、年龄、声纹涉及身份和属性，上线前确认告知范围和结果怎么被后续策略使用。
效果以真实线路联调为准。本文不列响应时延或识别率。

七、FAQ

语音智能模型和 RASR 是不是同一个能力？
不是。RASR 把通话中的话转成文本。语音智能模型看的是声音和会话行为，例如打断、附和、降噪。挂机后的录音全文才是 ASR。

和座席工作台的实时转写有什么关系？
没有直接关系。座席工作台实时转写是给座席看的辅助文本，事件是 transcript。本页服务的是呼入机器人、外呼机器人这条智能体通话。

六项是不是每通电话都会跑？
按场景单独启用。部署可以在 RASR 前、后或与 RASR 并行。企业实际开了哪几项，以开通和配置为准。

声纹识别能不能代替密码？
现有能力包括 1:1 校验、1:N 识别、声纹注册与匹配，活体为可选项。是否当作身份依据，由项目的校验流程和合规要求决定。

八、总结

语音智能模型让智能体通话除了「说了什么」，还能用「怎么说的」来处理打断、附和、噪声和可选的身份属性。听和说仍是 RASR 与 TTS，说什么仍由智能体决定。