مرز میان یک دستیار صوتی قابل قبول و یک تجربه آزاردهنده، حدود ۸۰۰ میلیثانیه است. معماری رسیدن به این عدد را باز میکنیم.
کاربر تلفنی سکوت را تحمل نمیکند. تحقیقات تعامل انسان و رایانه نشان میدهد سکوت بیش از یک ثانیه در مکالمه تلفنی، حس قطعشدن ارتباط ایجاد میکند.
برای رسیدن به تأخیر زیر ۸۰۰ میلیثانیه، سه لایه را موازی کردیم: تشخیص گفتار جریانی، تولید پاسخ بهصورت توکنبهتوکن و سنتز صدا روی همان جریان.
نکته کلیدی، تشخیص پایان جمله است. اگر زودتر از موعد قطع کنید، حرف کاربر را میبرید؛ اگر دیر بجنبید، تأخیر ایجاد میشود. مدل تشخیص نوبت ما روی داده مکالمه فارسی آموزش دیده است.