Начинайте не со стека, а с разговора

Первое решение в voice AI MVP - не выбор модели и не выбор провайдера синтеза. Сначала нужно понять, какой разговор продукт вообще должен выдержать. Пользователь звонит с понятной задачей, перебивает, молчит, говорит шумно, меняет намерение, просит повторить и иногда уходит в сторону.

Если этот путь не описан, технический стек легко становится красивой витриной без устойчивого поведения. Хороший MVP начинается с одного сценария, понятной границы ответственности и честного списка ситуаций, где агент должен передать управление человеку или другому процессу.

Latency - часть UX, а не только метрика

В текстовом интерфейсе задержка часто ощущается как ожидание. В голосе она ощущается как сбой общения. Поэтому latency budget нужно разложить по всей цепочке: VAD, транспорт, распознавание, reasoning, tool calls, синтез и воспроизведение.

Самая полезная работа на раннем этапе - не добиться идеальных миллисекунд, а понять, где задержка неизбежна, где ее можно скрыть разговорным дизайном и где нужно менять архитектурное решение.

MVP должен производить артефакты

После первого прототипа у команды должны появиться не только записи звонков, но и рабочие артефакты: карта пайплайна, список fallback-сценариев, таблица latency, критерии качества, схема интеграций и список следующих рисков.

Такой MVP помогает принимать решения. Он показывает, что стоит автоматизировать первым, где нужен человек, какие данные нужны агенту и какие компромиссы допустимы для бизнеса.

Иллюстративный сценарий: запись на встречу

Представим агента, который принимает звонок и предлагает свободное время. Это пример для проектирования, а не описание запущенного проекта: агент подтверждает запись только после успешного ответа календаря и передает разговор человеку, если операция не завершилась.

Шаблон проверки одного звонка

  • Результат: зафиксируйте обязательные данные, точку подтверждения записи и текст ответа, когда свободного времени нет.
  • Задержка: для каждого тестового звонка отметьте конец реплики, готовность распознавания, ответ модели, завершение вызова календаря и начало аудиоответа. Сравнивайте медиану и 95-й перцентиль по этапам на одной выборке.
  • Сбои: проверьте тишину и шум, перебивание синтеза, тайм-аут календаря и повторный запрос. У каждого случая должен быть следующий шаг без выдуманного подтверждения.
  • Приемка: по записи и журналу событий можно установить, была ли создана ровно одна запись, что услышал пользователь и когда потребовался человек.