Decagon představuje Alto, který řídí konverzace hlasového agenta

Decagon představil Alto 11. listopadu 2026. Jde o model společnosti Decagon Labs, který řídí konverzační vrstvu jejího duplexního hlasového agenta a rozhoduje, kdy a co říct. Společnost uvedla, že Alto zvýšil míru vyřešení požadavků při živých hovorech se zákazníky o více než pět procentních bodů a odpovídal v průměru přibližně za 700 milisekund.

Decagon uvedl, že při porovnávání míry vyřešení zůstala zbývající logika agenta v podstatě beze změny. Oznámení neuvádělo, kterých zákazníků se výsledek týkal, velikost vzorku, výchozí míru vyřešení ani období měření. Alto rozšiřuje specializaci modelů Decagonu za hranice kvality řeči i na řízení konverzace: rozhoduje, zda je namístě odpovědět okamžitě a jak udržet volajícího v kontaktu, zatímco model pro uvažování dokončuje úkol.

Rozhodnutí, zda odpovědět, nebo počkat

Běžný kaskádový hlasový systém zpracovává každé kolo konverzace postupně: přepíše, co volající řekl, připraví odpověď a poté ji převede na řeč. Duplexní agent Decagonu místo toho souběžně spouští rychlý konverzační model a výkonnější model pro uvažování. První naslouchá a mluví; druhý na pozadí konverzace řeší složitá rozhodnutí a úkoly, takže agent může pokračovat v interakci, zatímco se práce zpracovává.

Tento souběh vyžaduje, aby agent v každém kole konverzace posoudil, co udělat. Čekání na model pro uvažování může narušit její plynulost, ale příliš brzká odpověď může vést k nepotvrzenému tvrzení — například že se volajícímu změnila rezervace, ještě než to systém potvrdil. Výhodou menšího konverzačního modelu je tedy vyšší rychlost, ta však přináší problém se spolehlivostí, který samotná duplexní architektura neřeší.

Alto průběžně sleduje, co volající řekl a co dělá zbytek agenta, a své odpovědi opírá o společný záznam hovoru. Než oznámí, že je nějaká akce dokončena, počká na její potvrzení. Během vyhledávání nebo volání nástroje může místo obecných výplňových frází požádat o další potřebnou informaci nebo se volajícího zeptat, jak se mu daří. Pokud výsledek dorazí ve chvíli, kdy se volající ptá na něco nového, Alto může zároveň odpovědět na otázku i sdělit výsledek.

Trénink pro nejednoznačné hovory

Decagon začal s malým modelem s otevřenými vahami, aby zajistil rychlé odpovědi, a následně jej doladil na simulovaných hovorech vycházejících ze zkušeností z ostrého provozu. V rámci posilovaného učení Alto v každém bodě konverzace vytvořil několik možných odpovědí. Při hodnocení se nejprve posuzovalo, zda model správně rozhodl, jestli odpovědět, nebo počkat; poté se hodnotilo, zda formulace odpovídá firemním zásadám a vychází z potvrzených informací.

Když Decagon zjistil, že Alto už většinu situací zvládá správně, zaměřil trénink na nejednoznačné případy. V simulovaných firmách také obměňoval zásady a nástroje, aby model naučil úsudku, který lze uplatnit v různých situacích, namísto memorování scénáře pro jednu společnost.

Decagon uvedl, že ještě předtím, než model slyšel jediný volající, jej otestoval na více než 90 milionech simulovaných hovorů. Poté Alto spustil ve stínovém režimu souběžně s živým provozem, takže bylo možné jeho odpovědi vyhodnocovat, aniž by je slyšeli volající.

Dva specializované hlasové modely

Alto navazuje na Voice 3 a Chord, které byly představeny 1. října 2026. Voice 3 spojil generování řeči modelem Chord s duplexní architekturou a podporou více než 70 jazyků. Chord ovlivňuje, jak agenti Decagonu znějí, zatímco Alto určuje, jak vedou konverzaci. Decagon už dříve připsal modelu Chord samostatné zvýšení míry vyřešení až o sedm procentních bodů.

Tyto modely společně rozdělují výkon hlasového systému na dva cíle tréninku: přirozenost řeči a úsudek při konverzaci. Uvedený výsledek Alta spojuje druhý cíl s vyřešením požadavků zákazníků při hovorech, jeho hlavním provozním omezením však zůstává rozhodnutí, zda odpovědět, nebo počkat — využít rychlost konverzačního modelu, aniž by přirozeně znějící rozhovor předběhl potvrzení provedených akcí.