Компания PolyAI совершила значительный прорыв в области разговорного искусственного интеллекта, представив Dialog-RSN-1 — инновационную диалоговую модель, которая кардинально меняет подход к взаимодействию с пользователями. В отличие от традиционных систем, обрабатывающих текстовые транскрипции речи, полученные от систем автоматического распознавания речи (ASR), Dialog-RSN-1 напрямую воспринимает аудиозвонки, что позволяет ей работать с исходными звуковыми данными.
Эта аудио-нативная модель объединяет в себе несколько ключевых функций: определение очередности хода в диалоге (turn-taking), распознавание речи, вызов функций (function calling) и генерацию ответа. Все эти компоненты интегрированы в единую систему, что обеспечивает более плавное и естественное взаимодействие. Такой подход позволяет избежать потенциальных ошибок и задержек, которые могут возникать при передаче данных между отдельными модулями ASR и последующей обработкой текста.
Важной особенностью Dialog-RSN-1 является то, что, хотя модель и объединяет основные диалоговые функции, она сохраняет синтез речи (TTS) отдельным компонентом. Это дает разработчикам и операторам полный контроль над выходным голосом, позволяя настраивать его под конкретные нужды и бренды, не затрагивая при этом логику диалога. Кроме того, модель работает как LLM на основе запросов (request-based LLM), а не как постоянно активный поток данных. Это может оптимизировать использование ресурсов и обеспечить большую гибкость в развертывании.
PolyAI сообщает о впечатляющих результатах производительности: в реальных условиях развертывания Dialog-RSN-1 демонстрирует время ответа менее 300 миллисекунд. Такая скорость критически важна для создания по-настоящему отзывчивых и естественных голосовых интерфейсов, минимизируя паузы и улучшая общее впечатление пользователя от взаимодействия с ИИ-агентом. Интеграция всех этапов диалога в единую аудио-нативную модель обещает значительно повысить точность и эффективность голосовых ассистентов и чат-ботов, открывая новые возможности для автоматизации клиентского сервиса и других сфер, где требуется естественное голосовое взаимодействие.