«4402… ой, нет, 4420 1187». Голосовой агент должен пережить такую поправку и записать ч...
«4402… ой, нет, 4420 1187». Голосовой агент должен пережить такую поправку и записать человека к врачу, а не просто красиво произнести неправильный номер. Именно эту сцену Mistral показывает в демонстрации Voxtral 3: собеседница исправляется, агент находит направление на французском, объясняет его по-английски и предлагает время. Записывает после её согласия. Для разработчиков здесь SDK на LiveKit: распознавание, основная нейронка, вызовы инструментов и голос работают одной потоковой цепочкой. Компоненты можно менять отдельно. Есть подключение к телефонии и браузеру; развёртывание у себя Mistral предлагает обсуждать с её командой. В тот же день ElevenLabs выпустила ElevenRealtime — модели, которые принимают и выдают речь. Mini рассчитана на разговоры, помощников и обучение, Max — на сложные инструкции и многошаговую работу с инструментами. Их можно выбрать в ElevenAgents или подключить напрямую: у прямого API сейчас WebSocket, не WebRTC. Выбор получается предметный: собирать и менять звенья речевого агента или брать готовую речевую модель под нужную сложность задачи. А проверять такого собеседника интереснее на «ой, я не то сказал», чем на безупречно прочитанном приветствии.