Decagon 推出搭载 Chord 语音模型的 Voice 3 代理

Decagon 在公司于 2026 年 10 月 1 日举办的 Decagon Dialogues 2026 活动上，推出了用于客户通话的语音 AI 代理 Voice 3，以及 Decagon Labs 的首个语音模型 Chord，并表示该代理支持超过 70 种语言，运行在全新的双工架构上。

在 Voice 3 公告 中，由产品经理 Quique Lores 和高级产品营销经理 Ariana Xiang 撰写，Decagon 将 Voice 3 描述为迄今为止最先进的语音 AI 代理。该代理通过 Chord 发声，并与另外三款产品一同在 Decagon Dialogues 2026 上发布。

在 Decagon Dialogues 2026 帖子 中，联合创始人兼首席执行官 Jesse Zhang 与总裁 Ashwin Sreenivas 介绍了另外三项发布：Personal Agent Gateway（个人代理网关），用于识别客户的个人 AI 代理并为其提供专属渠道与企业互动；Agent Modules（代理模块），将代理的功能延伸至支持之外的整个旅程；以及 Duet Apprentice（Duet 学徒），让公司的 Duet 系统能够从内部资源和升级的客户对话中学习业务。

联合创始人写道，企业最初使用 Decagon 代理来处理支持工单，而这些代理如今已经能够对潜在客户进行资格审查、为客户进行入职、收取付款并发展关系。这四项发布扩展了客户接触 Decagon 所称的 AI 礼宾服务以及其能为客户提供的功能。

Voice 3 与 Chord 语音模型

Chord 是 Decagon Labs 训练的首个语音模型，公司表示该模型在真实的客户体验对话上进行后训练，而非针对大多数语音模型所覆盖的广泛用途，如有声书朗读或电子游戏配音。Decagon 称该模型能够逐句塑造语音，在读取确认码或电话号码时放慢速度，然后恢复对话节奏，而不是依赖统一的全局语速设置。现有的语音定制控制仍然适用：语音选择、业务专有词汇的发音，以及针对业务调校的语调。

根据公告，Voice 3 支持超过 70 种语言，无需团队为每种语言单独构建代理。它能够检测来电者的语言并自动切换，即使来电者在句子中途切换语言也能应对。Decagon 表示，其针对不同地区的语音反映了各市场的语言习惯，并在发布前由母语者进行验证。

Decagon 表示，Chord 基于已获授权的数据和经同意的配音人才进行训练，绝不使用客户拥有的数据。德国电信的数字服务通信负责人 Christian Niedworok 在公告中指出，多年的 IVR 系统让客户习惯于用简短片段来尝试接通人工，而 Decagon 的语音听起来仿佛真的在倾听，并在工作时保持对话的流畅，而不是在处理时沉默。Chime 首席运营官 Janelle Sallenave 表示，Decagon Voice 让 Chime 能够将高性能与无缝品牌定制相结合，并具备跨渠道记忆，确保每次互动都保持连贯，忠实于其以会员为先的价值观。

训练流水线与基础模型

Samuel Zhang（Decagon 技术团队专注于代理编排的成员）撰写的 配套文章 介绍了 Chord 的构建方式。其训练流水线旨在保留真实对话的质感，包括节奏变化、自然重音、停顿以及填充词，而不是将录音清理成均匀的朗读——该帖子称这种做法会使声音听起来合成。两种方法支持这一思路：一种是逐字转录流程，保留节奏、重音和不流畅之处；另一种是录音方法，将脚本内容与自由对话的自然性相结合，而非声优的表演式朗读。

对于基础模型，Decagon 对一个无分词器的扩散模型进行了后训练。该帖子认为，将音频离散为令牌会在每一步令牌化过程中丢失信息，而无令牌的表示方式接近无损，保留了细微的细节，使得声音从仅可理解提升为具有现场感。帖子还指出，这使得模型的可控性大幅提升，Decagon 能够精准地塑造情感、节奏和重音。在生产环境中，Chord 通过 Modal 提供服务。

双工架构

Decagon 表示，大多数语音代理采用级联流水线：语音转文本转录来电者的内容，大型语言模型决定回复内容，文本转语音输出回复，每个阶段都会增加延迟，且各阶段的协同使得自然的轮流对话变得困难。Voice 3 用双工架构取代了这种安排，两个层级并行运行：低延迟的对话模型负责聆听和发声，从答案到进度更新；而更强大的模型在对话背后处理推理、工具调用以及安全防护。

公司称，该代理在发声的同时仍能处理来音，因此当来电者说 \”mhm\” 时仍可继续对话，但在真正的打断出现时会让出。它在长时间查询期间会叙述进度，在任务仍在运行时回答后续问题，并在两者之间处理较小的请求，而不是让来电者陷入沉默或等待状态。

公司报告的评估结果

Zhang 的帖子报告了电信、金融服务以及旅游和酒店行业的客户，这些客户将现成语音切换为 Chord 上的语音，比较了仅更换语音前后的相同程序。Decagon 报告称，所有案例的解决率均有所提升：电信客户提升了 6.1 点，金融服务提供商提升了 7.1 点，旅游品牌提升了 2.6 点。Decagon 将 Barge 率定义为来电者唯一目标是接通人工的通话比例，该比例在三个客户中分别下降了 14.5、6.1 和 5.3 点。

在针对三种声音的盲听测试中，听众听到了同一音频样本，分别由 Chord 和其模型所基于的真人配音各朗读一次，并被要求判断哪一个是 AI。Decagon 报告称，45.7% 的听众认为真实的人声是 AI，公司将这一结果形容为接近 50‑50 的硬币抉择，双方几乎无法区分。Voice 3 的公告将该结果概括为约 90% 的用户无法辨别。

Decagon 还报告了一项偏好测试，将 Chord 与其称为领先的另外三种语音模型进行正面对决，使用相同的文字由各模型朗读，听众被要求选择在遇到问题时最想与之交谈的声音。在 185 名听众中，公司称 Chord 总体排名第一，获得 36.2% 的选择率，单轮最高可达 48.4%。

展望未来，Decagon 表示更困难且更有价值的问题在于语音在真实对话中的表现，包括它是否能在五分钟内赢得信任，以及在通话出现混乱时是否仍能保持稳定。公司将 Chord 描述为 Decagon Labs 核心赌注的最新体现：在客户互动中，针对特定任务微调的模型优于为所有任务构建的通用前沿模型。