AI客服答得挺好，为什么客户还是挂了电话？

文字客服已经做得不错了。但一换成电话，体验立刻崩。

不是模型听不懂，而是电话对时间和情绪的容忍度极低。用户在文字里能等 3 秒，在电话里等 1.5 秒就开始觉得对面是机器人。

一、延迟：语音体验的第一杀手

一次语音交互的延迟由几段构成：

环节	理想值	常见实际值
语音识别结束判定	300ms	800ms+
LLM 首 token	400ms	1200ms
语音合成首包	300ms	700ms

加起来，理想情况 1 秒内开口，常见情况 2.7 秒——在电话里这已经是”对方走神了”的感觉。

优化手段：

1. 流式三段串联：ASR 边识别边输出、LLM 边生成边送 TTS、TTS 边合成边播放。不要等全链路串行完成。
2. 首句填充：在真正回答之前先播一个短应答（“好的，我看一下”），把感知延迟压下去。这一招效果极好，成本极低。
3. VAD 调优：静音判定阈值太保守会多等半秒，太激进会打断用户。按场景调，客服场景宁可多等 200ms 也不要打断。

二、打断：90% 的系统处理不好

真人打电话会打断对方。用户说”等等，我不是这个意思”——系统必须能立刻停下来听。

常见失败模式：用户打断后，系统还在把上一段话播完，然后才开始处理新输入。用户会感觉被无视。

正确做法：

• 检测到用户开口，立即停止 TTS 播放
• 保留已说过的内容作为对话历史
• 把被打断的位置标记出来，避免下一轮重复已经说过的部分

同时要注意：背景噪音误触发。在嘈杂环境里，所有音都被当成打断，系统会一直停。需要环境噪音基线检测。

三、情绪：模型听得懂字，听不出火气

用户说”我已经说过三遍了”，字面是陈述句，实际是情绪爆发。

纯 ASR + LLM 的链路会把它当普通信息处理，继续用温和的语气解释流程。结果用户更怒。

解法是把情绪识别单独抽出来：

• 用声学特征（语速、音高变化、音量）判断情绪强度
• 用文本信号（重复提问、否定词密度、脏话）做交叉验证
• 情绪达到阈值时，切换话术策略：先共情、再解决、必要时转人工

一句”抱歉让您重复了，我这就帮您处理”往往比十句流程说明有用。

四、可测量的四个指标

不要用”感觉还行”评价语音客服。看这四项：

1. 首字延迟（P50/P95）：目标 P50 < 900ms
2. 打断响应时间：从用户开口到系统停止播放，目标 < 200ms
3. 一次解决率：同一通电话内解决问题、无需回拨或转人工的比例
4. 转人工率与转人工原因分布：不是为了压低这个数字，而是从转人工原因里找系统短板

第 4 项最容易被忽略也最有价值。转人工的记录就是下一轮优化的需求清单。

五、什么时候该转人工

必须转的场景：

• 涉及退款、投诉、法律纠纷
• 用户明确要求转人工（不要再多问一轮”请问有什么可以帮您”）
• 情绪识别连续两次超过阈值
• 连续两轮未能理解用户意图

判断要快，转接要平滑。转接时把上下文摘要一起交给人工坐席，用户就不用重复说一遍——这一条决定了整个体验的最终评价。

写在最后

语音客服的竞争，本质是**“像人”的竞争**，而不是”聪明”的竞争。

用户不在意你用了多大的模型，只在意三件事：回答快不快、能不能打断、生气时有没有被安抚。

这三件事都是工程问题，都不是靠换模型能解决的。