Cum se testează un agent vocal în 2026: ce au descoperit testele pe vorbire reală

De ce nu ajung testele de laborator

Multe teste pentru modele vocale măsoară lucruri izolate: cât de bine transcrie un model o frază citită clar sau cât de natural sună o voce. Un apel real e altceva. Omul ezită, revine, vorbește peste agent, are zgomot în jur și ține minte ce a spus acum cinci minute, chiar dacă agentul a uitat.

Între sfârșitul lui 2025 și începutul lui 2026, Scale AI a publicat două teste construite tocmai pe vorbire reală. Rezultatele sunt utile pentru oricine vrea să folosească un agent vocal cu clienți adevărați.

Audio MultiChallenge: cum vorbim de fapt

Audio MultiChallenge, publicat pe 17 decembrie 2025, conține 452 de conversații cu 47 de vorbitori și 1.712 criterii de evaluare scrise pentru fiecare situație în parte. Înregistrările păstrează intenționat tot ce face vorbirea umană greu de urmărit: ezitări, întreruperi, fraze reluate și zgomot de fond.

Testul verifică patru lucruri:

• memoria: ține minte agentul ce s-a spus mai devreme în conversație, inclusiv un sunet din fundal?
• respectarea instrucțiunilor pe toată durata discuției, nu doar la început;
• coerența: nu se contrazice singur pe măsură ce conversația se lungește;
• autocorecturile: înțelege când omul se corectează în mijlocul frazei („joi, nu, stați, vineri”)?

Autorii notează că modelele se descurcă cel mai prost exact la autocorecturi și la indiciile din sunet, iar coerența scade pe măsură ce conversația se lungește. Adică exact în situațiile care apar în fiecare zi la telefon.

Voice Showdown: oameni reali, comparații oarbe

Pe 20 martie 2026, Scale AI a lansat Voice Showdown, un clasament construit din preferințele unor utilizatori reali. Oamenii au vorbit cu modelele în peste 60 de limbi și au ales răspunsul mai bun fără să știe ce model îl dăduse.

Două rezultate sunt direct relevante pentru o afacere:

• calitatea scade pe măsură ce conversația se lungește: greșelile de conținut au crescut de la 23% la 43% până la a unsprezecea replică;
• la replicile foarte scurte, problema principală a fost înțelegerea sunetului, în 38% din cazuri.

Primul rezultat e important pentru comenzi și programări, care durează adesea mai mult de câteva replici. Al doilea explică de ce un „da”, un „nu” sau un „ăla” spus în grabă poate fi înțeles greșit.

Cum îți testezi tu agentul

Nu ai nevoie de un laborator. Ai nevoie de zece apeluri bine alese. Pe baza a ceea ce arată testele de mai sus, noi am încerca acestea:

1. 1O comandă sau o programare lungă, de peste zece replici, cu o modificare la final.
2. 2O autocorectură în mijlocul frazei: „pe 12, adică pe 14”.
3. 3Un răspuns de un cuvânt, spus repede: „da”, „nu”, „ăla”.
4. 4O întrebare la care agentul nu are răspunsul. Trebuie să spună că nu știe, nu să inventeze.
5. 5Un apel cu zgomot în fundal.
6. 6O cerere explicită de a vorbi cu un om.

Ce înseamnă pentru afacerea ta

Testele independente confirmă ce se vede și în practică: nicio tehnologie nu scutește de testare pe cazurile reale. La Vocalyy, regula e simplă: nu lansăm nimic netestat, iar ultimul test îl faci tu. Vezi pașii de configurare sau pachetele.