Decagon представляє Alto для керування розмовами голосового агента

Decagon представила Alto 11 листопада 2026 року — модель Decagon Labs, яка керує розмовним рівнем її дуплексного голосового агента, визначаючи, коли говорити і що саме сказати. Компанія повідомила, що Alto підвищила частку вирішених звернень під час реальних дзвінків клієнтів більш ніж на п’ять відсоткових пунктів, а середній час відповіді становив близько 700 мілісекунд.

Decagon повідомила, що під час порівняння частки вирішених звернень решта логіки агента залишалася практично незмінною. В оголошенні не вказано, яких саме клієнтів охопило це порівняння, яким був розмір вибірки, базові показники чи період вимірювання. Alto розширює спеціалізацію моделей Decagon: від якості мовлення — до керування розмовою, зокрема визначення, чи варто відповідати негайно та як підтримувати зацікавленість співрозмовника, поки модель міркування виконує завдання.

Рішення: відповісти чи зачекати

У звичайному каскадному голосовому процесі кожен хід обробляється послідовно: спочатку розпізнається мовлення абонента, потім формується відповідь, а тоді генерується мовлення. Натомість дуплексний агент Decagon паралельно запускає швидку розмовну модель і потужнішу модель міркування. Перша слухає й говорить, а друга опрацьовує складні рішення та виконує дії за лаштунками, завдяки чому агент може продовжувати взаємодію, поки триває робота.

Така паралельна робота вимагає ухвалювати рішення під час кожного ходу розмови. Очікування на відповідь моделі міркування може порушити її перебіг, але надто поспішна відповідь загрожує непідтвердженим твердженням — наприклад, абонентові можуть сказати, що його бронювання змінилося, перш ніж система це підтвердить. Отже, перевага меншої розмовної моделі у швидкості супроводжується проблемою надійності, яку сама лише дуплексна архітектура не розв’язує.

Alto безперервно відстежує, що сказав абонент і що робить решта агента, спираючись у відповідях на спільний запис дзвінка. Перш ніж повідомити про завершення дії, модель чекає на підтвердження. Під час пошуку інформації або виклику інструмента вона може попросити надати наступні потрібні дані чи уточнити, чи все гаразд, замість того щоб заповнювати паузу загальними фразами. Якщо результат надходить саме тоді, коли абонент ставить нове запитання, Alto може водночас відповісти на нього й повідомити результат.

Навчання для неоднозначних розмов

Щоб відповіді були швидкими, Decagon почала з невеликої моделі з відкритими вагами, а потім донавчила її на симульованих дзвінках, змодельованих з урахуванням досвіду реальної роботи. Під час навчання з підкріпленням Alto генерувала кілька можливих відповідей для кожного етапу розмови. Під час оцінювання насамперед зважали на те, чи правильно модель вирішила, відповідати чи зачекати, а потім перевіряли, чи відповідало формулювання політикам компанії та підтвердженим даним.

Виявивши, що Alto вже правильно опрацьовує більшість ситуацій, Decagon зосередила навчання на неоднозначних випадках. Компанія також змінювала політики й інструменти в симуляціях різних бізнесів, прагнучи навчити модель ухвалювати рішення, які можна застосовувати в різних ситуаціях, а не відтворювати завчений сценарій для однієї компанії.

За повідомленням Decagon, перш ніж модель почула будь-який абонент, її протестували на понад 90 мільйонах симульованих дзвінків. Потім Alto працювала в тіньовому режимі паралельно з реальним виробничим трафіком: її відповіді можна було оцінювати, не озвучуючи абонентам.

Дві спеціалізовані голосові моделі

Alto з’явилася після Voice 3 і Chord, про які оголосили 1 жовтня 2026 року. Voice 3 поєднала генерацію мовлення Chord із дуплексною архітектурою та підтримкою понад 70 мов. Chord визначає, як звучать агенти Decagon, а Alto — як вони ведуть розмову. Раніше Decagon пов’язувала Chord із самостійним збільшенням частки вирішених звернень на величину до семи відсоткових пунктів.

Разом ці моделі поділяють голосову взаємодію на дві цілі навчання: природність мовлення та вміння вести розмову. Повідомлений результат Alto пов’язує другу ціль із вирішенням звернень клієнтів, але ключове обмеження в роботі моделі залишається незмінним: потрібно вирішити, відповідати чи зачекати, — використовуючи швидкість розмовної моделі, але не дозволяючи природно звучній розмові випереджати підтвердження виконаних дій.