13 ноября Yandex B2B Tech открыл в Yandex AI Studio две речевые модели для голосовых ИИ-агентов: Speech TTS Live и Speech Realtime Max. Они предназначены для автоматизации звонков, в которых система должна не только произнести подготовленный текст, но и поддержать диалог или выполнить действия в подключённых корпоративных сервисах.
Speech TTS Live преобразует текст в речь. По данным компании, модель анализирует смысл фразы, подбирает интонацию, расставляет акценты и паузы. Разработчик может выбрать голос и манеру речи — например, более уверенную для продаж, мягкую для поддержки или сдержанную для уведомлений. Отдельные варианты предусмотрены для медицинских сценариев и аудиогидов.
Speech Realtime Max рассчитана на интерактивный разговор. Агент на её основе может за один звонок перенести запись, рассчитать стоимость, применить скидку и отправить ссылку на оплату, если ему предоставлен доступ к соответствующим корпоративным системам. При перебивании модель должна остановить текущий ответ и перейти к новой реплике пользователя.
Читайте также
В истории диалога сохраняется только фактически произнесённая часть ответа. Это важно для многошаговых звонков: агент не должен считать сообщённой информацию, которую собеседник не успел услышать, а затем ссылаться на неё или продолжать разговор с неверного места.
Компании могут настраивать агентов текстовыми инструкциями, подключать их к своим системам и проверять сценарии в интерфейсе AI Studio. Официальный журнал изменений также указывает, что Realtime API, через который работают такие сценарии, переведён в статус общедоступного сервиса.
«Яндекс» утверждает, что новые модели способны в десятки раз увеличить долю обращений, решаемых без участия оператора. Фактическая автономность агента будет зависеть от качества инструкций, состава подключённых систем и того, какие действия компания разрешит ему выполнять.
