我们即将交付的语音智能体（voice-agent）一直不断地打断通话者，使截断率（truncation rate）达到了 18%，迫使我们在发布前仅剩十天时重写了轮次结束逻辑（end-of-turn logic）。通过在静音超时规则中加入语法检查和反馈信号检测（back-channel detection），我们将打断率降至 3%，并消除了那些让系统显得反应迟钝的长久死寂。
为什么单一的静音超时机制不够用
我们最初的设计将任何 700 毫秒的停顿视为用户已说完话的信号。在受控的演示中——一名发言者在安静的房间里说完整的句子——这条规则运行良好。然而，真实的通话者会停下来思考，将数字分组，并随口说出“嗯哼”或“唔嗯”来表示正在倾听。智能体将这些停顿中的每一个都解读为轮次的结束。
对 312 通生产环境通话的分析揭示了两个问题。首先，当发言者还在构思下一句话时，智能体就插话了，导致 18% 的轮次受到干扰。其次，当我们为了停止打断而将超时时间提高到 1500 毫秒时，系统变得迟钝，并在嘈杂的线路中开始卡顿。背景噪音不断重置静音计数器，导致智能体始终无法判定用户已说完。
用三个信号取代单一数值
我们不再使用固定的超时时间，而是构建了一个微型状态机，用于监测三个线索：
- 静音时长 – 用户保持沉默的时间。
- 语法 – 转录文本是以完整的句法单元结束，还是以“the”或“and”之类的悬空词结尾？
- 反馈信号检测 – 最后的声音是一个真实的轮次（例如口头回答），还是像“是的”这样的简短确认？
利用这些信号，我们定义了两个静音预算（silence budgets）：
- 完整的转录文本 – 当解析后的文本看起来已结束时，我们应用 550 毫秒的短超时。智能体保持敏捷并迅速回复。
- 悬空的转录文本 – 当最后一个标记（token）表明用户话还没说完时，我们将超时时间延长至 1300 毫秒，为发言者留出继续说话的空间。
另外两个防护机制可以防止误打断：
- 最小语音时长 – 短促的“唔嗯”不计为一个完整的轮次，因此智能体会等待更长的表达后再做决定。
- 硬上限 – 无论背景噪音如何，最大静音限制都会强制智能体在合理的时间后做出响应，避免陷入无休止的等待。
结果及其对语音 AI 的意义
在部署了这套三信号系统后，截断率从 18% 降至 3%。通话者不再听到智能体在他们说话时插嘴，之前的“死寂”问题也消失了。智能体感觉既反应敏捷又很有礼貌，符合人类管理对话轮次的方式。
对于构建语音助手的开发者来说，教训很明确：配置文件中的单一常量无法捕捉口语交互的细微差别。一个评估静音长度、语法完整性和反馈信号线索的轻量级状态机，可以在不增加沉重计算负载的情况下，显著提高轮次切换（turn-taking）的准确性。
潜在的缺点与开放性问题
增加语法解析和反馈信号分类会增加处理步骤。团队必须验证额外的延迟是否会抵消对话流畅度方面的收益。该方法还依赖于相当准确的转录文本；在嘈杂环境或带有口音的语音中，语法线索可能会失效，迫使系统退回到更长的超时设置。
未来的工作可以探索能够从个体通话习惯中学习的自适应超时阈值，或者集成韵律特征（音高、能量）来增强反馈信号检测器。在将该技术扩展到更大规模的呼叫中心部署之前，监控这些改进如何影响关键指标（客户满意度、通话完成时间和错误率）至关重要。
核心要点： 将轮次完成视为多信号决策，而非单一的静音计时器，可以将打断错误降低一个数量级，并恢复用户对语音智能体所期望的自然流感。