Decagon introduceert Alto om gesprekken met spraakagenten aan te sturen

Decagon introduceerde Alto op 11 november 2026: een model van Decagon Labs dat de gesprekslaag van zijn duplex-spraakagent aanstuurt en bepaalt wanneer die spreekt en wat die zegt. Het bedrijf meldde dat Alto het oplossingspercentage bij live klantgesprekken met meer dan vijf procentpunten verhoogde, terwijl de gemiddelde reactietijd ongeveer 700 milliseconden bedroeg.

Decagon zei dat de rest van de logica van de agent tijdens de vergelijking van de oplossingspercentages in wezen ongewijzigd bleef. In de aankondiging werden de klanten, de steekproefomvang, de uitgangspercentages en de meetperiode voor dat resultaat niet vermeld. Alto breidt de specialisatie van de modellen van Decagon uit van spraakkwaliteit naar gespreksregie: bepalen of een onmiddellijk antwoord gerechtvaardigd is en hoe de beller betrokken kan blijven terwijl een redeneermodel het werk afrondt.

De keuze tussen antwoorden en wachten

Een conventionele cascadepipeline voor spraak verwerkt elke beurt achtereenvolgens: de beller transcriberen, een antwoord bedenken en vervolgens spraak genereren. De duplex-agent van Decagon laat daarentegen een snel gespreksmodel parallel draaien met een krachtiger redeneermodel. Het eerste luistert en spreekt; het tweede handelt complexe beslissingen en acties achter het gesprek af, zodat de agent contact kan blijven houden terwijl het werk wordt uitgevoerd.

Door die parallelle verwerking moet bij elke beurt een afweging worden gemaakt. Wachten op het redeneermodel kan het gesprek verstoren, maar te snel antwoorden brengt het risico mee van een onbevestigde mededeling, zoals een beller vertellen dat diens reservering is gewijzigd voordat het systeem dat heeft bevestigd. Het snelheidsvoordeel van een kleiner gespreksmodel brengt dus een betrouwbaarheidsprobleem met zich mee dat de duplexarchitectuur op zichzelf niet oplost.

Alto houdt voortdurend bij wat de beller heeft gezegd en wat de rest van de agent doet, en baseert de reacties op een gedeeld gespreksdossier. Het wacht op bevestiging voordat het meldt dat een actie is voltooid. Tijdens een zoekopdracht of een aanroep van een tool kan het om de volgende benodigde informatie vragen of navraag doen bij de beller, in plaats van terug te vallen op algemene opvultekst. Als er een resultaat binnenkomt terwijl de beller iets nieuws vraagt, kan Alto zowel de vraag beantwoorden als het resultaat geven.

Getraind voor gesprekken met onduidelijkheden

Decagon begon met een klein model met open gewichten om de reactiesnelheid hoog te houden en stemde het daarna verder af op gesimuleerde gesprekken die waren gebaseerd op praktijkervaring. Tijdens het versterkend leren genereerde Alto op elk punt in een gesprek verschillende mogelijke reacties. Bij de beoordeling woog vooral mee of het model de juiste keuze maakte tussen antwoorden en wachten; vervolgens werd nagegaan of de formulering in overeenstemming was met het bedrijfsbeleid en aansloot op bevestigde informatie.

Decagon richtte de training op ambigue gevallen, nadat was vastgesteld dat Alto de meeste situaties al correct afhandelde. Ook varieerde het bedrijf het beleid en de tools van gesimuleerde bedrijven, met als doel het model beoordelingsvermogen bij te brengen dat in verschillende situaties toepasbaar is, in plaats van een script voor één bedrijf uit het hoofd te laten leren.

Voordat iemand die belde het model te horen kreeg, testte Decagon het naar eigen zeggen in meer dan 90 miljoen gesimuleerde gesprekken. Vervolgens draaide Alto in de schaduwmodus mee met live productieverkeer, zodat de reacties konden worden beoordeeld zonder ze aan bellers te laten horen.

Twee gespecialiseerde spraakmodellen

Alto volgt op Voice 3 en Chord, die op 1 oktober 2026 werden aangekondigd. Voice 3 combineerde de spraakgeneratie van Chord met de duplexarchitectuur en ondersteuning voor meer dan 70 talen. Chord bepaalt hoe de agenten van Decagon klinken, terwijl Alto bepaalt hoe ze een gesprek voeren. Decagon schreef eerder aan Chord een zelfstandige stijging van het oplossingspercentage van maximaal zeven procentpunten toe.

Samen verdelen de modellen de prestaties van spraak in twee trainingsdoelen: natuurlijke spraak en gespreksvaardigheid. Het gerapporteerde resultaat van Alto verbindt het tweede doel aan het oplossen van klantvragen, maar de belangrijkste operationele uitdaging blijft de keuze tussen antwoorden en wachten: de snelheid van het gespreksmodel benutten zonder dat een natuurlijk klinkend gesprek vooruitloopt op bevestigde acties.