客服语音智能体这个延迟，审稿人大概不会买账

刚看到 Omilia 的 Service Agents 语音聊天智能体挂在产品库的客服智能体分类下。我没有直接用它，但把这个品类的东西挨个看了一遍。最突出的感受就一句，语音这条路工程上没解决，商业上先跑了。

证据是延迟。我在腾讯云那套语音智能体文档里看到，销售线索回访场景标称延迟低至 1500ms。做对话系统的人看到这个数字会愣一下。两个人面对面说话，平均轮次间隔大概 200 毫秒上下，超过 500 毫秒对方就开始觉得你在走神。1500ms 意味着每一次客户说完话，听筒里要先安静一秒半，机器才开口。这直接砸的是信任。电话那头的人第一反应是线路断了。

而 Omilia 这类客服智能体要处理的，恰恰是最不能出错的场景。素材里那篇平台横评写得很直白，语音能力比文本和邮件要新、要弱，高度定制化的企业流程上灵活性受限。客服是咨询加业务办理。客户报一个订单号、说一个改约时间，中间夹着口音、背景噪声、抢话。ASR 先转文本，再走意图理解，再生成回复，再 TTS 合成，这条链路上每一环都在累加延迟。我组里做过音频前端，降噪和回声消除本身就要吃几十毫秒，还不算模型推理。1500ms 大概率是理想条件下的数字，真实电话线里只会更长。

我的判断是这样，这个方向不缺论文，缺的是可复现的评测协议。语音客服的商业价值取决于端到端延迟和任务完成率能不能同时守住，这两者目前很少有公开的、可复核的 benchmark。按素材里那个粗糙的经验阈值，月通话量不到两千通就别上专用语音智能体，先做文本自动化；两千到一万通才值得开一个边界清晰的试点。这个分档挺务实，但它是行业经验，不是实验结果。

所以真要在组会上讨论这个选题，我会问一句，如果审稿人要求你给出真实通话录音上的延迟分布和转人工率，你手上有数据吗。实验室经费紧张，买不到真实的客服通话语料，这个问题就答不上来。那它到底该发在系统会议还是 HCI 的场子上，各位怎么看。