给语音机器人开全双工,一年花 6.9 万,省回 52 万
这个项目改的是实时语音对话的底层链路:端点检测、流式转写、打断判定,没有新增任何客户看得见的功能。
账单上花了 6.9 万,客户那边唯一的感受是「它好像变聪明了」「不抢话了」「回得快了」。
一年省回 52 万。这笔钱值不值,下面逐笔拆。
一、先说结论
一次性投入 176 人时,按 280 元一人时算 49,280 元。年维护 72 人时,20,160 元。首年合计 69,440 元。
换回来两个东西:
一是转人工率从 18.4% 降到 11.2%。一年 876,000 通,少转 63,072 通,按一通人工 8 元算,504,576 元。
二是每通通话成本本身降了。从 0.14 元降到 0.118 元,一年 122,290 元降到 103,158 元,省 19,132 元。
图 2 年收益 96.4% 来自转人工,成本那 1.9 万是顺手省的合计一年 523,708 元,首年净 454,268 元,1.6 个月回本。
二、这 6.9 万花在哪
第一笔,端点检测与打断逻辑,64 人时 = 17,920 元。
图 1 176 人时拆成五笔,最贵的一笔占 36%这是最贵的一笔,占了一次性的 36%。为什么贵:它不是调几个参数,是把「什么时候用户说完了」这件事拆成快慢两层重新做。
拆开是:快层 VAD 接入与调参 22 人时,慢层语义端点 26 人时,两层之间的状态机 16 人时。
第二笔,流式改造,48 人时 = 13,440 元。
把转写从「整段」改成「一帧一帧」,把合成从「整段」改成「按句」。工程量主要在边界:什么时候丢包算结束、什么时候判定转写稳定、合成截断时缓冲区怎么清。
第三笔,转写与模型重叠,32 人时 = 8,960 元。
这一笔最划算。它没有提升任何单个环节的速度,只是让两段同时跑。省下来的是整整 340 毫秒的串行等待。
第四笔,合成首包优化,20 人时 = 5,600 元。
要求供应商支持流式首包与中断。这一笔有一半时间是选型和联调,不是写代码。
第五笔,灰度与回归,12 人时 = 3,360 元。
按 10% → 50% → 100% 三档放量,每档两天。回归用的是一份 400 通的固定样本,改造前后各跑一遍。
三、年维护 72 人时
VAD 与端点月度校准,24 人时 = 6,720 元。 噪声环境会变(季节、办公时间、线路质量),阈值需要定期看一遍。
季度回归,48 人时 = 13,440 元。 每季度用同一份 400 通样本跑一遍,看延迟分位数和误打断率有没有漂。
这一笔我建议不要省。语音链路的退化很隐蔽:延迟慢慢涨几百毫秒,用户不会投诉,只会少用。
四、钱省在哪
第一大块,转人工。 18.4% → 11.2%,一年少转 63,072 通。
一通人工的成本按 8 元算(坐席时间 + 工单系统摊销)。这块占全部收益的 96%。
为什么降这么多?我们拆过转人工的原因:改造前 18.4% 里,有大约三分之一是「机器人没听懂用户改口」导致的。用户改口,机器人还在念旧的,用户烦了直接按 0 转人工。
第二大块,通话时长。 端到端延迟从 1,880 毫秒降到 970 毫秒,平均通话跟着从 165 秒降到 138 秒,降 27 秒。
这一块省钱不多,一年 19,132 元,但它对客户体验的影响比省的钱大:客户不用再等机器人把一段已经作废的话念完。
第三块是隐性的:因为延迟降了、打断顺了,自助完成率从 81.6% 升到 88.8%。这块我们没算进收益,因为它和转人工有一定重叠。
五、一个反直觉的发现
改造前我们以为成本会上升。
理由很充分:常驻的 VAD 与回声消除让每路通话多占 12% 的 CPU;流式转写让转写服务的并发连接数涨了 2.4 倍;打断判定多了一次模型调用。
三项加起来,直觉上应该更贵。
实际结果是每通从 0.14 元降到 0.118 元。
原因是通话时长掉了 27 秒。转写按分钟计费、合成按字符计费——通话短了,这两项按比例掉。而新增的 CPU 和一次判定调用的钱,比省下的转写费少得多。
这个账说明一件事:在语音场景里,延迟不只是体验问题,也是成本问题。 慢的系统会让通话变长,通话变长会让每一项按量计费的成本都涨。
六、和别的投入比
我们这一年还试过另外两件事。
一是换语音合成供应商,花了 18 人时,音质主观评分涨了,但转人工率几乎没动(18.4% → 18.1%)。
二是重写话术,做了一版更口语的,花了 40 人时,转人工率从 18.4% 降到 17.6%,涨得有限。
这两件事加起来 58 人时,效果远不如链路改造的 176 人时。
这不是说话术和音质不重要。它们的顺序在链路改造之后——链路是半双工的,话术再好也只是「更快地说完一段废话」。
七、如果你是决策者,三个判断
第一,你现在的转人工率是多少? 如果已经低于 8%,这套改造的收益会比较窄,先做别的。
第二,你的用户会在机器人说话时插话吗? 抽 100 通录音数一下。超过 5% 就值得做。
第三,你的合成接口能中断吗? 不能就得先换,这一条是硬门槛。
三个问题能答上两个,这笔钱就该花。
参考:模型判定这一层我们走的是统一地址,词元云,换别家也一样;成本变化主要来自通话时长,不在模型单价。https://tokenfreeai.com
