A Deepgram Flux STT-je feleannyi avatarbeszólást eredményezett az Anamnál

Az avataroknak tudniuk kell, mikor ér véget a beszéd

Az Anam interaktív, fotorealisztikus és érzelmeket kifejező avatarokat fejleszt, amelyek API-alapon telepíthetők. A vállalat szerint az avatarok alacsonyabb mint egy másodperces válaszidővel működnek, és minden független avatar-összehasonlításban az első helyen állnak. Az Anam szerint a felhasználók 70 százaléka előnyben részesíti ezeket a hangalapú és szöveges felületekkel szemben.

A természetes beszélgetéshez azonban az avatarnak el kell döntenie, hogy a beszélő valóban befejezte-e a mondandóját, vagy csak röviden megállt gondolkodni. Ha a rendszer túl korán szólal meg, félbeszakítja a felhasználót. Ha túl sokáig vár, a beszélgetésben zavaró csend keletkezik. Ben Carr, az Anam technológiai igazgatója szerint az avatarnak úgy kell viselkednie, mintha megfelelően figyelne, nem pedig pusztán átírná a hangot.

A Deepgram 2026. október 14-én közzétett esettanulmánya szerint az Anam olyan beszédfelismerő modellt keresett, amelyet kifejezetten a társalgási fordulóváltás kezelésére terveztek, és amelyet a vállalat saját infrastruktúráján is futtathat.

A Flux a késleltetés romlása nélkül csökkentette a megszakításokat

Az Anam a Fluxot egy saját infrastruktúrán futtatható, nyílt forráskódú beszédfelismerő megoldással hasonlította össze. A tesztelés során a felismerés válaszidejét, a kéretlen megszakítások számát, a különböző beszédstílusokat, a háttérzaj kezelését és a nagy párhuzamosság melletti működést vizsgálták. A csapat emellett teljes beszélgetéseket is folytatott az Anam avatárjaival.

A Deepgram szerint a Flux olyan társalgási helyzeteket is kezelt, amelyekkel a vizsgált nyílt forráskódú modell nem boldogult, miközben teljesítette az önálló üzemeltetés követelményét. A modell valós időben írja át a felhasználó beszédét, és jelzi, amikor valóban véget ért a beszédforduló.

A megoldás lehetővé teszi, hogy a beszélő gondolkodás közben megálljon anélkül, hogy az avatar azonnal közbevágna. A rendszer emellett figyelmen kívül hagyja a felhasználótól eltérő hangokat, így például egy ugató kutya nem indít új beszédfordulót. Az Anam saját A/B tesztjeiben körülbelül 50 százalékkal kevesebb kéretlen avatarbeszólást mért, miközben a p95 késleltetés változatlan maradt a vizsgált alternatívákhoz képest.

Az Anam teljes körűen bevezette a Fluxot a turnkey felhasználóknál

Az Anam a Fluxot saját Kubernetes-fürtjén, H100 GPU-kon telepítette. Ez ugyanaz az infrastruktúra, amelyet a vállalat a platformja többi részéhez is használ. A Deepgram által üzemeltetett változattól az első teszttől az éles használatig néhány nap alatt jutottak el, a saját üzemeltetésű telepítés pedig körülbelül két hetet vett igénybe.

Az ellenőrzés után a Flux társalgási fordulóváltását a turnkey, vagyis teljes körűen kezelt szolgáltatást használó ügyfelek 100 százalékánál bekapcsolták. A Deepgram közlése szerint az angol nyelvű, Fluxot használó munkamenetekben a fordulóváltás pontosságával kapcsolatos ügyfélpanaszok közel nullára csökkentek.

Az Anam beszámolója szerint korábban választaniuk kellett a lassabb válaszidő és a kéretlen avatarmegszakítások között. A Flux használatával a támogatott folyamatokban egyik problémára sem érkezett több panasz. Egyes, saját beszédfelismerőt használó ügyfelek később az Anam turnkey szolgáltatására váltottak, így a beszélgetés minőségének javítása közvetlenül a termék részévé vált.

A következő cél a többnyelvű és érzelmesebb avatar

Az Anam a következő évben többnyelvűbb, érzelmesebb és jobban konfigurálható avatarélményekre számít, amelyek mélyebben kapcsolódnak majd az üzleti munkafolyamatokhoz. A vállalat a Deepgramot a valós idejű beszélgetési réteg egyik fontos elemének tekinti, és a Flux nyelvi lefedettségének bővülésével szélesebb körű alapértelmezett használatot vár.

Az Anam emellett a Deepgram Flux TTS ajánlatát is vizsgálja a hangminőség és a valós idejű avatarjelenlét következő fejlesztési szintjéhez. Az Anam szerint az avatarokat ügyfélkapcsolati AI-ügynökökhöz, valamint képzési és szimulációs élményekhez használják. A vállalat állítása szerint ezeknél a megoldásoknál 44 százalékkal nőtt a bevonódás, kétszer gyorsult az elfogadás, az értékesítési folyamatba építve pedig több mint 25 százalékkal emelkedett a konverzió.